Desarrollan modelo de deep learning capaz de predecir un infarto con una radiografía

Un modelo de deep learning es capaz de predecir, con una radiografía de tórax, el riesgo que tiene un paciente de fallecer a causa de un infarto o de un derrame cerebral en los próximos 10 años, como resultado de una enfermedad cardiovascular. En la creación de este modelo ha participado un grupo de investigadores liderado por Jakob Weiss, un médico radiólogo del Centro de investigación en imagen cardiovascular del Hospital general de Massachusetts y del programa de Inteligencia Artificial en Medicina del Hospital Brighan and Women de Boston.

Los resultados del estudio realizado a partir de la creación del modelo se han presentado en el encuentro anual de la Sociedad radiológica de Norteamérica (RSNA). Para poder realizar el estudio se ha entrenado al modelo para examinar las imágenes de las radiografías en busca de patrones que están asociados a la enfermedad cardiovascular. Y han tenido éxito.

Según Weiss, el modelo de deep learning que han desarrollado «ofrece una solución potencial para la revisión oportunista basada en la población del riesgo de enfermedad cardiovascular a partir de imágenes de rayos X del tórax ya existentes. Esto tipo de revisión podría utilizarse para identificar individuos que se beneficien de la medicación con estatinas pero que en la actualidad no se encuentran recibiendo tratamiento«.

Las normas actuales recomiendan estimar la probabilidad de que se den sucesos cardiovasculares graves para decidir quién debería tomar estatinas, un tratamiento empleado en la reducción del colesterol, como medida preventiva.

Apunta Weiss que, con una sola radiografía de tórax, el modelo de deep learning desarrollado es capaz de predecir eventos cardiovasculares graves en el futuro «con unos resultados y un valor incrememental similares al estándar clínico establecido«. El riesgo se calcula utilizando el indicador de riesgo de enfermedad cardiovascular arterioesclerótica (ASCVD), un modelo estadístico que toma en consideración diversas variables: edad, sexo, raza, presión sanguínea sistólica, tratamiento de hipertensión, si es o no fumador, diabetes de tipo 2 y análisis de sangre. La medicación con estatinas está recomendada para pacientes con un riesgo a 10 años del 7,5% o superior.

Weiss señala que «las variables necesarias para calcular el riesgo ASCVD no están disponibles con frecuencia, lo que hace deseable contar con enfoques de revisión basada en la población. Dado que las radiografías de tórax suelen estar disponibles con facilidad, nuestro enfoque puede ayudar a identificar personas con un alto riesgo«.

El doctor Weiss y un equipo de investigadores entrenaron un modelo de deep learning con una única entrada de radiografía. Desarrollaron el modelo, conocido como riesgo CXR-CVD, para predecir el riesgo de muerte por enfermedad cardiovascular con 147.497 radiografías de 40.643 participantes en un ensayo de pruebas de cáncer de próstata, pulmón, colorectal y de ovario. Estas pruebas se han realizado en varios centros, y han sido diseñadas y patrocinadas por el Instituto Nacional de Cáncer de Estados Unidos.

Los investigadores probaron además el modelo de deep learning con un grupo secundario independiente de 11.430 pacientes, con una media de edad de 60,1 años, y de los que el 42,9% eran hombres. A todos, que eran posibles pacientes para una terapia con estatinas, se les hizo una radiografía de tórax rutinaria en el Hospital Mass General Bingham. De ellos, 1.096, esto es, un 9,6% sufrieron un evento cardiaco grave durante la mediana del seguimiento: 10,3 años. Hubo una relación significativa entre el riesgo predicho por el modelo de deep learning de riesgo CXR-CVD y los problemas cardiacos registrados.

Además, los investigadores compararon el valor de prognosis del modelo con el estándar clínico establecido para decidir si una persona debe recibir o no el tratamiento con estatinas. Esto se pudo calcular solo para 2.401 pacientes de los estudiados, debido a pérdidas de datos en los registros electrónicos. Para este subconjunto de pacientes, el modelo de riesgo CSR-CVD se comportó de manera parecida al estándar clínico establecido. Incluso ofreció más valor.

Eso sí, según Weiss, se necesitan investigaciones adicionales, entre los que está una prueba aleatoria controlada, para validar el modelo de deep learning, que podría servir como una herramienta de apoyo a las decisiones de los médicos.