IA Detecta Mielopatía Cervical Espondilótica Antes: Diagnóstico Precoz

La mielopatía espondilótica cervical (MEC) se refiere a la compresión de la médula espinal causada por la artritis en el cuello y es la causa principal de disfunción de la médula espinal en adultos mayores. La MEC es una condición crónica y progresiva que puede causar dolor de cuello, debilidad muscular, dificultad para caminar y otros síntomas debilitantes. Si bien el diagnóstico a veces es claro, a menudo puede tardar años debido a que los síntomas no se reconocen hasta etapas posteriores, momento en el que las opciones de tratamiento son limitadas.

Un equipo multidisciplinario de cirujanos científicos, científicos de la computación e investigadores de WashU desarrolló un enfoque basado en inteligencia artificial (IA) que podría ayudar a los clínicos a detectar y diagnosticar la MEC hasta 30 meses antes, abriendo nuevas oportunidades para un tratamiento más temprano. Los hallazgos se publicaron en npj Digital Medicine.

Salim Yakdan, MD, investigador postdoctoral en el Departamento de Neurocirugía Taylor Family en WashU Medicine, y Ben Warner, estudiante de doctorado en ciencias de la computación e ingeniería en la McKelvey School of Engineering, coautores principales de la investigación, utilizaron siete modelos diferentes de IA para analizar grandes conjuntos de datos que contienen datos de registros electrónicos de salud de más de 2 millones de personas con y sin MEC. Los modelos examinaron patrones de interacciones de atención médica, como pruebas y diagnósticos, registrados en los registros electrónicos de salud para identificar a los pacientes cuyas historias clínicas se asemejan a las de aquellos ya diagnosticados con MEC, lo que ayuda a identificar a las personas que pueden tener un mayor riesgo.

Jacob Greenberg, MD, profesor asistente de neurocirugía y neurocirujano de columna en el Departamento de Neurocirugía de WashU Medicine, dijo que la MEC es difícil de predecir.

“Queríamos saber si podíamos usar la información dentro del registro electrónico de salud para identificar a estos pacientes lo suficientemente temprano y en un intervalo clínicamente relevante donde pudiéramos intervenir adecuadamente en una etapa más temprana para lograr mejores resultados”, dijo Greenberg, coautor principal de la investigación.

Utilizando tanto un conjunto de datos externo grande como un conjunto de datos más pequeño de un sistema de salud con sede en St. Louis, el equipo entrenó modelos para predecir el riesgo de MEC hasta 30 meses antes de un diagnóstico clínico, dijo Warner, quien trabaja en el laboratorio de Chenyang Lu, el profesor Fullgraf y director del Instituto de IA para la Salud y coautor principal del estudio.

El equipo evaluó tanto modelos de base grandes, o sistemas “listos para usar” preentrenados en extensos conjuntos de datos clínicos, como modelos más pequeños y especializados que incorporan conocimientos clínicos y se centran solo en las variables más relevantes.

Los modelos de base demostraron un rendimiento superior durante la validación interna en un conjunto de datos grande y heterogéneo, mientras que el modelo derivado clínicamente más pequeño, entrenado desde cero, mostró una mejor generalización y un rendimiento más consistente en diferentes sistemas de atención médica, dijo Yakdan. En contraste, los dos modelos de escala media tuvieron un rendimiento inferior en todas las estimaciones del horizonte temporal evaluado.

“Pudimos lograr al menos un rendimiento comparable, si no superior, con un modelo mucho más simple al centrarnos en el conocimiento clínico existente mientras aún utilizábamos un modelo de aprendizaje profundo”, dijo Greenberg.

“La IA claramente tiene oportunidades emergentes en la medicina, pero a menudo nos centramos solo en las áreas donde las soluciones puramente basadas en datos sobresalen. Todavía existe un papel importante para el conocimiento clínico, que será cierto para muchas aplicaciones en la atención médica”.

Lu destacó el poder y la eficiencia de los modelos de IA que incorporan conocimientos clínicos.

“Uno de los mayores desafíos para los modelos de predicción basados en IA en la medicina clínica es la generalización”, dijo. “Un modelo puede funcionar bien en un sistema hospitalario, pero fallar en otros. Para afecciones complejas como la MEC, descubrimos que los modelos grandes entrenados con millones de pacientes no se generalizaron tan bien como los modelos más pequeños y adaptados clínicamente. Esto subraya la importancia de incorporar conocimientos clínicos en las soluciones de IA para la atención médica. El conocimiento clínico sigue siendo esencial para desarrollar herramientas de IA robustas y confiables”.