La IA detecta pistas ocultas sobre la salud en tomografías computarizadas de rutina
Un modelo de inteligencia artificial extrajo señales de enfermedad y de riesgo futuro a partir de tomografías computarizadas de rutina, pero aún es necesario evaluar sus beneficios clínicos.
Resumen
Las tomografías computarizadas (TC) de rutina pueden revelar riesgos para la salud más allá del motivo por el que se solicitaron. Investigadores de la Universidad de Pensilvania desarrollaron Percival, un modelo de inteligencia artificial entrenado con más de 400 000 volúmenes de imágenes de TC y sus informes correspondientes, procedentes de 52 000 participantes. Los patrones de imagen del modelo se asociaron con 35 mediciones de laboratorio y 351 categorías diagnósticas. Los modelos construidos a partir de estos patrones tuvieron un rendimiento especialmente bueno al identificar diagnósticos registrados de varias enfermedades cardíacas y de cáncer de páncreas. Percival también superó a los modelos de comparación al predecir diagnósticos posteriores, con sus mejores resultados en insuficiencia cardíaca, cirrosis e insuficiencia renal aguda. Sin embargo, la mayoría de los valores de laboratorio fueron difíciles de estimar de forma directa. Los hallazgos sugieren una posible forma de extraer más valor de las tomografías ya existentes, no un motivo para buscar estudios de imagen adicionales. La validación independiente y las comparaciones con radiólogos siguen siendo pasos importantes a seguir.
Resumen detallado
Las tomografías computarizadas (TC) de rutina pueden contener pistas sobre la salud que van mucho más allá de la afección que los médicos querían investigar originalmente. Investigadores de la Universidad de Pensilvania desarrollaron un modelo de inteligencia artificial llamado Percival para extraer esas pistas, lo que podría ayudar a los clínicos a reconocer enfermedades pasadas por alto y a estimar riesgos futuros sin necesidad de obtener imágenes adicionales ni exponer a los pacientes a más radiación.
El modelo aprendió a partir de más de 400 000 volúmenes de imágenes de TC emparejados con informes radiológicos de 52 000 participantes del Penn Medicine BioBank. Sus patrones de imagen reflejaban la edad, el sexo y el tamaño corporal. Los investigadores también encontraron asociaciones estadísticamente significativas con 35 mediciones de laboratorio, entre ellas indicadores de la función renal y hepática, el metabolismo, los recuentos sanguíneos y la inflamación. Sin embargo, estimar directamente la mayoría de los valores de laboratorio individuales siguió siendo difícil.
El modelo mostró asociaciones con 351 categorías diagnósticas de múltiples sistemas orgánicos. Cuando los investigadores lo entrenaron para distinguir entre pacientes con y sin diagnósticos registrados, sus mejores resultados incluyeron la fibrilación auricular, la aterosclerosis coronaria, la insuficiencia cardíaca y el cáncer de páncreas. Superó a un modelo de imágenes entrenado sin informes acompañantes, lo que sugiere que vincular las imágenes con descripciones clínicas aportó información útil.
En cuanto a los diagnósticos posteriores, Percival superó a los modelos de comparación que usaban solo imágenes, mediciones de órganos, o edad y sexo. Los resultados fueron más sólidos para la insuficiencia cardíaca, la cirrosis y la insuficiencia renal aguda. Si se valida, este enfoque podría ayudar a los médicos a usar los estudios ya existentes para identificar a los pacientes que necesitan una evaluación adicional. No demuestra que realizar más TC de cribado beneficiaría a adultos sanos.
Estos hallazgos describen asociaciones y capacidad de predicción, no demuestran que el modelo detecte la enfermedad antes ni que mejore los resultados. El artículo no ofrece estimaciones detalladas de precisión, y la comparación directa con radiólogos sigue siendo un paso pendiente. Antes de su uso rutinario se necesitan una validación independiente, un rendimiento fiable en distintas poblaciones y pruebas de que las alertas conducen a una mejor atención. Los pacientes deben seguir con los cribados establecidos y comentar los hallazgos de sus estudios con su médico, en lugar de buscar estudios de imagen únicamente con fines predictivos.
Hallazgos clave
- Percival learned from more than 400,000 CT image volumes paired with radiology reports from 52,000 participants.
- Image patterns were associated with 35 laboratory measurements and 351 diagnosis categories, but most laboratory values remained difficult to estimate.
- Disease classification results were strongest for atrial fibrillation, coronary atherosclerosis, heart failure, and pancreatic cancer.
- Future diagnosis prediction outperformed comparison models, with strongest results for heart failure, cirrhosis, and acute kidney failure.
- The findings support further testing of existing scans, not additional CT screening for healthy adults.
Metodología
Este informe de noticias de investigación de Lifespan.io resume un estudio de la Universidad de Pensilvania publicado en npj Digital Medicine. La evidencia procede del entrenamiento de un modelo de inteligencia artificial de imagen y texto con tomografías computarizadas (TC) e informes de radiología, y de la evaluación posterior de sus asociaciones con resultados de laboratorio, diagnósticos registrados y diagnósticos posteriores. Se trata de una investigación predictiva observacional, no de un ensayo que demuestre una mejora en los resultados de los pacientes.
Limitaciones del estudio
El artículo proporcionado termina de forma abrupta y no ofrece estimaciones detalladas de precisión, horizontes temporales de predicción ni información suficiente sobre la validación independiente. Conviene revisar en el artículo original la separación de los datos, la posible filtración de información, la diversidad de la población y si los diagnósticos registrados posteriormente representan realmente una enfermedad nueva. Aún están pendientes la comparación directa con radiólogos y la evidencia de una mejora en los resultados clínicos.
¿Te ha gustado este resumen?
Recibe la última investigación sobre longevidad en tu bandeja de entrada cada semana.
Introduce tu correo electrónico para suscribirte: