cáncer

La nueva herramienta de IA identifica los resultados del cáncer utilizando informes de radiología

Crédito: CC0 Dominio público

Los científicos del Instituto del Cáncer Dana-Farber han demostrado que una herramienta de inteligencia artificial puede funcionar tan bien como los revisores humanos, y mucho más rápidamente, al extraer información clínica sobre cambios en los tumores de informes radiológicos no estructurados para pacientes con cáncer de pulmón.

La herramienta de IA funcionó de manera comparable a los “curadores” humanos capacitados en la detección de la presencia de cáncer; y si estaba respondiendo a las intervenciones de tratamiento, estable o empeorando.

El objetivo del estudio, dijo el autor correspondiente Kenneth Kehl, MD, MPH, oncólogo médico y miembro de la facultad del Departamento de Ciencias de la Población de Dana-Faber, era determinar si las herramientas de inteligencia artificial pueden extraer los resultados de cáncer de mayor valor de la radiología. informes, que son una fuente de datos omnipresente pero no estructurada.

Kehl señaló que los registros de salud electrónicos ahora recopilan grandes cantidades de información sobre miles de pacientes atendidos en un centro como Dana-Farber. Sin embargo, a menos que los pacientes estén inscritos en ensayos clínicos, la información sobre sus resultados, como si sus cánceres crecen o se reducen en respuesta al tratamiento, se registra solo en el texto de la historia clínica. Históricamente, esta información no estructurada no se presta al análisis computacional y, por lo tanto, no se puede utilizar para investigar la eficacia del tratamiento.

Debido a estudios como la iniciativa Profile en Dana-Farber/Brigham and Women’s Cancer Center, que analiza muestras de tumores de pacientes y crea perfiles que revelan variantes genómicas que pueden predecir la respuesta a los tratamientos, los investigadores de Dana-Farber han acumulado una gran cantidad de información molecular sobre los pacientes ‘ cánceres. “Pero puede ser difícil aplicar esta información para comprender qué patrones moleculares predicen el beneficio de los tratamientos sin una revisión intensiva de los registros médicos de los pacientes para medir sus resultados. Esta es una barrera crítica para aprovechar todo el potencial de la medicina de precisión”, dijo Kehl.

Para el estudio actual, Kehl y sus colegas obtuvieron más de 14 000 informes de imágenes de 1112 pacientes y revisaron manualmente los registros utilizando el marco “PRISSMM”. PRISSMM es un estándar de datos fenómicos desarrollado en Dana-Farber que toma datos no estructurados de informes de texto en registros de salud electrónicos y los estructura para que puedan analizarse fácilmente. PRISSMM estructura los datos relacionados con la patología, la radiología/imágenes, los signos/síntomas, los marcadores moleculares y la evaluación de un médico oncólogo de un paciente para crear un retrato del viaje del paciente con cáncer.

Los revisores humanos analizaron los informes de texto de imágenes y notaron si había cáncer presente y, de ser así, si estaba empeorando o mejorando, y si el cáncer se había diseminado a partes específicas del cuerpo. Estos informes luego se usaron para entrenar un modelo computacional de “aprendizaje profundo” para reconocer estos resultados de los informes de texto. “Nuestra hipótesis era que los algoritmos de aprendizaje profundo podrían usar informes de texto de radiología generados de forma rutinaria para identificar la presencia de cáncer y los cambios en su extensión a lo largo del tiempo”, escribieron los autores.

Los investigadores compararon mediciones humanas y computarizadas de resultados como la supervivencia libre de enfermedad, la supervivencia libre de progresión y el tiempo de mejora o respuesta, y descubrieron que el algoritmo de IA podría replicar la evaluación humana de estos resultados. Luego, se aplicaron los algoritmos de aprendizaje profundo para anotar otros 15 000 informes de 1294 pacientes cuyos registros no se habían revisado manualmente. Los autores encontraron que las mediciones de resultados por computadora entre estos pacientes predijeron la supervivencia con una precisión similar a las evaluaciones humanas entre los pacientes revisados ​​​​manualmente.

Los curadores humanos pudieron anotar informes de imágenes de aproximadamente tres pacientes por hora, una velocidad a la que un curador necesitaría unos seis meses para anotar todos los casi 30 000 informes de imágenes de los pacientes de la cohorte. Por el contrario, el modelo de inteligencia artificial que desarrollaron los investigadores podría anotar los informes de imágenes de la cohorte en aproximadamente 10 minutos, dijeron los investigadores en un informe en JAMA Oncología.

“Para crear un verdadero sistema de salud de aprendizaje para la oncología y facilitar la entrega de medicina de precisión a escala, se necesitan métodos para acelerar la curación de los resultados relacionados con el cáncer a partir de los registros de salud electrónicos”, dijeron los autores de la publicación. Si se aplica ampliamente, dijeron los investigadores, “esta técnica podría acelerar sustancialmente los esfuerzos para usar datos del mundo real de todos los pacientes con cáncer para generar evidencia sobre la efectividad de los enfoques de tratamiento”. Los próximos pasos incluirán probar este enfoque en datos de EHR de otros centros oncológicos y usar los datos para descubrir qué tratamientos funcionan mejor para qué pacientes.


Similar Posts

Leave a Reply