Mediante el entrenamiento de un modelo de aprendizaje profundo, o deep learning, se puede observar si el paciente tendrá un buen o mal pronóstico tras la lesión cerebral
13 de enero de 2023
Un modelo que es capaz de predecir el pronóstico, favorable o no, de un paciente tras sufrir una hemorragia intracraneal. Es uno de los resultados de la tesis doctoral de Amaia Pérez del Barrio, médico radióloga del Hospital Universitario de Navarra, durante su residencia en el Hospital Universitario Marqués de Valdecilla, y codirigida por Lara Lloret, investigadora del Grupo de Computación Avanzada del Instituto de Física de Cantabria (IFCA, CSIC-UC) y el doctor de la Universidad de Oviedo, José Antonio Vega. El estudio, que se ha publicado en la revista Journal of Neuroimaging, cuenta con la participación de David Rodríguez, investigador del IFCA, y un equipo de radiólogos y radiofísicos del Hospital Universitario Marqués de Valdecilla.
Ejemplo de un TAC craneal que muestra un hematoma cerebral: antes (A) y después (B) del preprocesamiento. Las flechas verdes señalan la glándula calcificada antes y después. / Journal of Neuroimaging.
La hemorragia intracraneal es una afección muy común, pero que, en muchos casos, resulta mortal y debe diagnosticarse y tratarse con rapidez. Sin embargo, todavía hay falta de consenso entre la comunidad médica respecto a su tratamiento, debido, en cierta medida, a la incertidumbre que existe en el pronóstico tras la hemorragia. Por ello, el equipo de investigadores decidió desarrollar este modelo de aprendizaje profundo (deep learning) basado en el estudio de 262 pacientes que sufrieron una hemorragia intracraneal y entrenado para predecir su pronóstico tras la lesión.
Pérez del Barrio explica que “cuando un paciente tiene una hemorragia intracraneal es difícil saber si va a evolucionar bien o mal”, apunta, “es complicado tomar decisiones en cuanto a darle un tratamiento más intervencionista o más agresivo”. “Hemos podido darnos cuenta de lo que puede ser útil en la práctica clínica gracias a tener un equipo de trabajo tan heterogéneo”, sostiene la radióloga.
Partiendo de esa premisa, “nos planteamos hacer un sistema de clasificación intracraneal en función de si el paciente tendría un buen o mal pronóstico, esa era un reto más ambicioso”, afirma Pérez del Barrio.
“Desde el IFCA, además de la experiencia trabajando con inteligencia artificial y aprendizaje profundo, también hemos aportado la infraestructura”, explica Lara Lloret, “no puedes hacer este trabajo de imagen médica, que son imágenes muy pesadas, con tu ordenador personal, hay que utilizar lo que se llaman las unidades gráficas de procesamiento, o CPUs, que las utilizamos para crear estas redes neuronales profundas”, añade.
Un modelo híbrido de predicción
H asta ahora existían varios modelos de predicción para la detección de la hemorragia cerebral, lo novedoso en este caso es que se presenta un modelo de aprendizaje profundo que predice el pronóstico de la enfermedad, es decir, si el paciente evolucionará favorablemente o no.
“Incluimos en el estudio a 262 pacientes de Cantabria que llegaban al servicio de urgencias de Valdecilla con sospechas de hemorragia intracraneal y con las imágenes de los distintos TAC cerebrales y sus datos clínicos, entrenamos un modelo personalizado para poder clasificar a los pacientes en mal pronóstico y buen pronóstico, utilizando un modelo híbrido”, explica la radióloga.
Este modelo se conoce como híbrido porque incluye dos grupos de datos: las imágenes del TAC y datos de cada paciente, y, por tanto, el rendimiento de la red mejora, “a más datos, mejores predicciones”, afirma Pérez. Esos datos se obtienen de información personal como, por ejemplo, la edad, sexo, si el paciente es fumador o consumidor de alcohol habitual, antecedentes médicos, hipertensión, diabetes, colesterol, y parámetros de la analítica de sangre realizada.
Para la médico radióloga esta herramienta “podría tener un gran impacto en la toma de decisiones clínicas y ser muy útil para aplicar el aprendizaje profundo a otras imágenes médicas, como rayos X o ecografías”.
Muestra de imágenes del conjunto de datos tras el preprocesamiento (las flechas rojas señalan las hemorragias intracraneales): un hematoma intraventricular derecho (A), un hematoma intraparenquimatoso e intraventricular (B) y un hematoma infratentorial (C). / Journal of Neuroimaging.
Medicina cada vez más personalizada
Para Lloret, este tipo de proyectos están englobados en lo que ahora se conoce como medicina personalizada, “en lugar de seguir trabajando con campanas de Gauss, basadas en promedios muy generales, debemos intentar que todo sea más personalizado, estudiar que una persona con un gen concreto que no le viene bien una medicación, debería tomar otra, y otra persona que aparentemente es igual, sin embargo tiene una variante genética distinta, a lo mejor la recomendación sería diferente”, afirma.
Este tipo de herramientas, sostiene Pérez, “son importantes para ayudar en la decisión sobre el tratamiento, que suele recaer en el cirujano o los intervencionistas”. Sin embargo, añade “estos sistemas vienen a ayudar, no buscan sustituir a nadie”.
Ahora el siguiente paso está en implementar estos sistemas de software en los hospitales, y “ver cuándo se debería dar esta información al paciente o su familia, o en qué momento se debe analizar la imagen”. “Ahora mismo no está implementado ni comercializado, pero es el futuro al que queremos llegar”, recalca . “Para eso se necesitan muchos más datos de pacientes, y entrenar sistemas de inteligencia artificial como éste e ir hacia un futuro, que yo creo es prometedor, de una medicina cada vez mas personaliza”, finaliza Lloret.
Rebeca García / IFCA Comunicación
