La pandemia por COVID-19 se ha convertido en uno de los mayores retos sanitarios en la historia reciente, habiendo ya infectado a millones de personas y poniendo al límite sistemas sanitarios alrededor del mundo. El diagnóstico clínico de la enfermedad se realiza tras una prueba RT-PCR (o PCR), que frecuentemente se complementa con una radiografía simple de tórax.
Debido a la afectación primaria del sistema respiratorio, la neumonía debido a COVID-19 puede ser observada en radiografías simples de tórax, un método que resulta ser rápido, poco invasivo, de bajo coste y que requiere de una logística muy sencilla para su realización. El análisis combinado pretende reducir el número de falsos negativos de las pruebas -su sensibilidad oscila entre el 70-90%-, mejorando el diagnóstico y evaluación de la enfermedad.
“Las recomendaciones se basan en que la neumonía asociada produce sombras en forma de parches blancos en los pulmones, conocidas como de opacidades de vidrio esmerilado”
A la vista de lo anterior, y apoyándose en la capacidad que los sistemas basados en inteligencia artificial poseen para obtener información que incluso está oculta al ojo humano, investigadores de la Universidad de Antioquia, Universidad Politécnica de Madrid y Johns Hopkins University, con la coordinación del profesor Juan I. Godino-Llorente, del Laboratorio de Bioingeniería y Optoelectrónica de la ETSI de Telecomunicación de la UPM, han desarrollado una prueba de concepto a mediana-gran escala de un sistema computarizado de diagnóstico de COVID-19, usando imágenes de radiografía simple de tórax.
“Desde febrero del 2020, la OMS considera la radiografía de tórax criterio diagnóstico y de evaluación de la infección por COVID-19. Las recomendaciones se basan en que la neumonía asociada produce sombras en forma de parches blancos en los pulmones, conocidas como de opacidades de vidrio esmerilado”, explica Jorge Andrés Gómez, del Laboratorio de Bioingeniería y Optoelectrónica de la ETSI de Telecomunicación de la UPM y uno de los coautores de este trabajo. “Estos patrones, sin embargo, a menudo se confunden con otros encontrados en diversas neumonías víricas y/o bacterianas, lo que dificulta el diagnóstico clínico mediante imágenes diagnósticas. Además, su análisis tiene un significativo cuello de botella debido a la necesidad de radiólogos expertos para interpretar las imágenes, y que en un contexto de presión asistencial alto debido a la pandemia puede resultar problemático”, asegura el investigador.
UN DIAGNÓSTICO MÁS RÁPIDO
Para resolver este problema y favorecer el uso de la radiografía como elemento diagnóstico, los investigadores han diseñado un sistema de ayuda a la toma de decisión basado en redes neuronales y en paradigmas de aprendizaje profundo, proveyendo un diagnóstico automático, capaz de diferenciar COVID-19 de otras neumonías y de identificar las regiones afectadas por la enfermedad eficientemente.
“Con el objetivo de trasladar los resultados a entornos clínicos, no solo se ha evaluado la capacidad diagnóstica del sistema, sino que además se ha estudiado el efecto de un conjunto de factores que podrían sesgar las decisiones, como son la tecnología de la máquina de rayos X, el tipo de proyección de la imagen, el sexo del paciente, etc.; concluyendo que no hay evidencias claras de sesgo en el sistema”, explica Gómez.
Mediante el análisis automatizado de imágenes de radiografía simple de tórax, el sistema desarrollado proporciona un método objetivo complementario y mínimamente invasivo para el diagnóstico y la evaluación del grado de afectación.
“Los resultados arrojan una muy alta especificidad y sensibilidad (por encima del 90%, y comparable a la alcanzada por los expertos en radiología). Por otro lado, el sistema proporciona resultados en pocos minutos, reduciendo significativamente el tiempo dedicado por los expertos en radiología a la evaluación de cada paciente y aportando evidencias con capacidad diagnóstica en estadios incipientes de la enfermedad (en los cinco primeros días)”, asegura el investigador de la UPM. “Además, el sistema es fácil de trasladar al entorno clínico al estar integrado en un servicio disponible en la nube”.