[ad_1]
El primer caso documentado de cáncer de páncreas se remonta al siglo XVIII. Desde entonces, los investigadores han emprendido una larga y desafiante odisea para comprender esta elusiva y mortal enfermedad. Hasta la fecha, no existe mejor tratamiento contra el cáncer que la intervención temprana. Desafortunadamente, el páncreas, que se encuentra en lo profundo del abdomen, es particularmente difícil de detectar para una detección temprana.
Los científicos del Laboratorio de Ciencias de la Computación e Inteligencia Artificial (CSAIL) del MIT, junto con Limor Appelbaum, investigador del Departamento de Oncología Radioterápica del Centro Médico Beth Israel Deaconess (BIDMC), buscaron identificar mejor a los pacientes potenciales de alto riesgo. Se propusieron desarrollar dos modelos de aprendizaje automático para la detección temprana del adenocarcinoma ductal de páncreas (PDAC), el tipo de cáncer más común. Para acceder a una base de datos amplia y diversa, el equipo trabajó con una empresa de redes colaborativas utilizando registros médicos electrónicos de varias instituciones de los Estados Unidos. Este vasto conjunto de datos ayudó a garantizar la confiabilidad y generalización de los modelos, haciéndolos aplicables a una amplia gama de poblaciones, ubicaciones geográficas y grupos demográficos.
«Este informe describe un enfoque poderoso para el uso de big data y algoritmos de inteligencia artificial para refinar nuestro enfoque para identificar perfiles de riesgo de cáncer», dice David Avigan, profesor de la Facultad de Medicina de Harvard y director del Centro de Cáncer y jefe de hematología y neoplasias malignas hematológicas en BIDMC, que no participó en el estudio. «Este enfoque puede conducir a estrategias novedosas para identificar a los pacientes con alto riesgo de malignidad que pueden beneficiarse de una detección selectiva con la posibilidad de una intervención temprana».
Perspectivas prismáticas
El viaje para desarrollar PRISM comenzó hace más de seis años, impulsado por la experiencia de primera mano con las limitaciones de las prácticas de diagnóstico actuales. «Aproximadamente entre el 80 y el 85 por ciento de los pacientes con cáncer de páncreas son diagnosticados en etapas avanzadas donde la cura ya no es una opción», dice el autor principal Appelbaum, quien también es profesor en la Facultad de Medicina de Harvard y oncólogo radioterapeuta. «Esta frustración clínica despertó la idea de abordar la gran cantidad de datos disponibles en los registros médicos electrónicos (EHR)».
La estrecha colaboración del grupo CSAIL con Appelbaum hizo posible comprender mejor los aspectos médicos y de aprendizaje automático combinados del problema, lo que en última instancia resultó en un modelo mucho más preciso y transparente. «La hipótesis era que estas grabaciones contenían pistas ocultas: signos y síntomas sutiles que podrían servir como signos de alerta temprana del cáncer de páncreas», añade. «Esto nos guió a la hora de aprovechar las redes federadas de EHR para desarrollar estos modelos y lograr un enfoque escalable para implementar herramientas de predicción de riesgos en la atención sanitaria».
Tanto el modelo PrismNN como el PrismLR analizan datos de EHR, incluidos registros de pacientes, diagnósticos, medicamentos y resultados de laboratorio, para evaluar el riesgo de PDAC. PrismNN utiliza redes neuronales artificiales para detectar patrones complicados en características de datos como la edad, el historial médico y los resultados de laboratorio y utilizarlos para crear una puntuación de riesgo para la probabilidad de PDAC. PrismLR utiliza regresión logística para facilitar el análisis y genera una puntuación de probabilidad PDAC basada en estas características. Juntos, los modelos proporcionan una evaluación exhaustiva de diferentes enfoques para predecir el riesgo de PDAC utilizando los mismos datos de EHR.
Según el equipo, un punto importante para ganarse la confianza de los médicos es una mejor comprensión de cómo funcionan los modelos, lo que en el mundo profesional se conoce como interpretabilidad. Los científicos señalaron que, si bien los modelos de regresión logística son inherentemente más fáciles de interpretar, los avances recientes han hecho que las redes neuronales profundas sean algo más transparentes. Esto ayudó al equipo a refinar las miles de características potencialmente predictivas derivadas del EHR de un solo paciente hasta aproximadamente 85 indicadores críticos. Estos indicadores, que incluyen la edad del paciente, el diagnóstico de diabetes y una mayor frecuencia de visitas al médico, son reconocidos automáticamente por el modelo, pero son consistentes con la comprensión de los médicos sobre los factores de riesgo asociados con el cáncer de páncreas.
El camino a seguir
Aunque los modelos PRISM son prometedores, como ocurre con todas las investigaciones, algunas partes aún son un trabajo en progreso. Actualmente, los modelos se basan exclusivamente en datos de EE. UU., lo que requiere pruebas y ajustes para su uso en todo el mundo. El equipo señala que el camino a seguir es ampliar la aplicabilidad del modelo a conjuntos de datos internacionales e incorporar biomarcadores adicionales para una evaluación de riesgos más precisa.
“Otro objetivo para nosotros es facilitar la implementación de los modelos en entornos sanitarios habituales. La visión es que estos modelos funcionen perfectamente en segundo plano de los sistemas de atención sanitaria, analizando automáticamente los datos de los pacientes y alertando a los médicos sobre casos de alto riesgo sin aumentar su carga de trabajo”, afirma Jia. “Un modelo de aprendizaje automático integrado en el sistema EHR podría permitir a los médicos brindar alertas tempranas a pacientes de alto riesgo y potencialmente permitir intervenciones mucho antes de que aparezcan los síntomas. Estamos comprometidos a utilizar nuestras técnicas en el mundo real para ayudar a todos a vivir una vida más larga y saludable”.
Jia coescribió el artículo con Applebaum y el profesor de EECS del MIT e investigador principal de CSAIL, Martin Rinard, ambos autores principales del artículo. Los investigadores involucrados en el artículo contaron con el apoyo parcial de la Agencia de Proyectos de Investigación Avanzada de Defensa, Boeing, la Fundación Nacional de Ciencias y Aarno Labs durante su estancia en MIT CSAIL. TriNetX proporcionó recursos para el proyecto y la Prevent Cancer Foundation también apoyó al equipo.
[ad_2]