MADRID, 30 Sep. (EUROPA PRESS) -
Un tipo sofisticado de inteligencia artificial (IA) llamado aprendizaje profundo puede ayudar a detectar rápidamente bloqueos en las arterias que suministran sangre a la cabeza, acelerando potencialmente el inicio de tratamientos que salvan vidas, según un estudio publicado en la revista 'Radiology'.
Las oclusiones de vasos grandes son bloqueos en las arterias que suministran sangre oxigenada al cerebro. Estas oclusiones representan una proporción significativa de accidentes cerebrovasculares isquémicos, el tipo de accidente cerebrovascular más común. El diagnóstico oportuno es fundamental para comenzar la recanalización, o la apertura de la arteria bloqueada, a través de un tratamiento conocido como terapia endovascular.
"Los minutos son importantes en este diagnóstico urgente --recuerda el autor principal del estudio, Matthew T. Stib, residente de radiología en la Escuela de Medicina Warren Alpert de la Universidad Brown en Providence, en Estados Unidos--. Cada minuto que reducimos el tiempo de recanalización prolonga la vida libre de discapacidad del paciente en una semana".
La angiografía por TC (ATC), un examen de tres minutos que proporciona vistas detalladas de los vasos sanguíneos, es el estándar de oro para detectar estas oclusiones. Los radiólogos son muy precisos en la identificación de oclusiones de grandes vasos en la ATC, pero no siempre están disponibles y cualquier retraso en el hospital puede retrasar aún más la atención.
El doctor Stib y sus colegas de Brown exploraron el uso del aprendizaje profundo para ayudar a proporcionar una detección rápida de las oclusiones de grandes vasos en la ATC y reducir el tiempo de tratamiento.
Trabajando en estrecha colaboración con el departamento de informática de Brown, los investigadores desarrollaron un modelo de aprendizaje profundo desde cero. Utilizaron una gran muestra de exámenes de ATC para pacientes con sospecha de accidente cerebrovascular isquémico agudo para entrenar el algoritmo para reconocer la aparición de oclusiones de grandes vasos y distinguirlo de otras afecciones.
El preprocesamiento de los exámenes de ATC incluyó la creación de imágenes de proyección de máxima intensidad para enfatizar la vasculatura con contraste mejorado. Los investigadores también utilizaron ATC multifase, un enfoque más nuevo que proporciona información más completa que la técnica de una sola fase.
Cuando probaron el modelo de aprendizaje profundo en exámenes de ATC multifase de 62 pacientes, el modelo detectó las 31 oclusiones de grandes vasos para una sensibilidad del 100%, una mejora estadísticamente significativa sobre la tasa de sensibilidad del 77% de la ATC monofásica. El uso de ATC multifase contribuyó a mejorar el rendimiento.
"Estos resultados son bastante prometedores --asegura el doctor Stib--. Realmente queríamos optimizar la sensibilidad del modelo para estar seguros de que detectamos todos los casos porque perder uno tiene consecuencias bastante graves".
El estudio es el primero en utilizar la ATC multifase para observar las oclusiones tanto en las arterias de la parte frontal o anterior de la cabeza y el cuello como en las de la parte posterior o posterior.
"Las oclusiones de la circulación posterior no se han discutido mucho en la literatura sobre aprendizaje automático --añade el doctor Stib--. Son menos comunes pero tienen consecuencias clínicas bastante profundas si se pasan por alto. Es importante tener un algoritmo que detecte todas las categorías de oclusión, tanto anterior como posterior".
El siguiente paso en la investigación es validar los resultados utilizando el algoritmo en tiempo real y ver si puede mejorar los resultados para los pacientes. Si los resultados se mantienen, entonces el modelo de aprendizaje profundo podría ser un activo útil en los centros médicos u hospitales que no tienen la experiencia para leer imágenes de ATC de oclusión de vasos grandes.
"Este algoritmo no reemplaza la capacidad de los radiólogos para hacer su trabajo; más bien, está tratando de acelerar el tiempo de diagnóstico --señala Stib--. Entonces, si el radiólogo no está presente o hay un gran flujo de trabajo que impide que alguien vea los resultados del examen rápidamente, habrá una alerta que indicará que puede haber una oclusión y que alguien debería mirar esto. Ahí es donde el valor está en este tipo de modelo".
