Resumen: Los investigadores han desarrollado un software de inteligencia artificial que analiza rápidamente las exploraciones de densidad ósea para predecir el riesgo futuro de problemas de salud de una persona, como ataques cardíacos, accidentes cerebrovasculares, caídas, fracturas y demencia.
El software busca signos de calcificación aórtica abdominal (CAA), un predictor de estas condiciones. Mientras que los expertos humanos suelen tardar entre 5 y 15 minutos en analizar cada escaneo, la IA puede procesar 60 000 imágenes en un día.
El algoritmo coincide con precisión con las conclusiones de los expertos el 80 % de las veces, lo que representa un avance significativo en la detección temprana y el seguimiento de enfermedades.
Principales aspectos:
- El software de IA es capaz de analizar exploraciones de densidad ósea para detectar signos de calcificación aórtica abdominal (AAC), un predictor de futuras condiciones de salud.
- La IA puede procesar 60 000 imágenes en un día, en comparación con un experto humano que normalmente tarda de 5 a 15 minutos por imagen.
- El algoritmo coincide con las conclusiones de los expertos humanos el 80 % de las veces, y solo el 3 % de los niveles altos de AAC fueron mal diagnosticados como bajos por el software.
Fuente: Universidad Edith Cowan
Gracias a la inteligencia artificial, pronto podremos predecir nuestro riesgo de desarrollar problemas de salud graves en el futuro con solo presionar un botón.
La calcificación aórtica abdominal, o AAC, es una calcificación que puede acumularse dentro de las paredes de la aorta abdominal y predice el riesgo de desarrollar eventos de enfermedades cardiovasculares como ataques cardíacos y accidentes cerebrovasculares.
También predice el riesgo de caídas, fracturas y demencia de aparición tardía.
Convenientemente, las exploraciones de máquinas de densidad ósea comunes utilizadas para detectar osteoporosis también pueden detectar CAA.
Sin embargo, se requieren lectores especializados altamente capacitados para analizar las imágenes, un proceso que puede llevar de 5 a 15 minutos por imagen.
Pero los investigadores de la Facultad de Ciencias y la Facultad de Ciencias Médicas y de la Salud (ECU) de la Universidad Edith Cowan colaboraron para desarrollar un software que puede analizar escaneos mucho, mucho más rápido: alrededor de 60,000 imágenes en un solo día.
El investigador y futuro profesor asociado principal de la Fundación del Corazón, Joshua Lewis, dijo que este aumento significativo en la eficiencia será crucial para el uso generalizado de CAC en la investigación y para ayudar a las personas a evitar desarrollar problemas de salud más adelante en la vida.
«Dado que estas imágenes y puntajes automatizados se pueden adquirir rápida y fácilmente en el momento de la prueba de densidad ósea, esto podría conducir a nuevos enfoques en el futuro para la detección temprana de enfermedades cardiovasculares y el control de enfermedades durante la práctica clínica de rutina», dijo.
Ahorrando MUCHO tiempo
Los resultados fueron de una colaboración internacional entre ECU, la Universidad de WA, la Universidad de Minnesota, Southampton, la Universidad de Manitoba, el Instituto Marcus para la Investigación del Envejecimiento y la Escuela de Medicina Hebrea SeniorLife de Harvard. Verdaderamente un esfuerzo global multidisciplinario.
Si bien no es el primer algoritmo desarrollado para evaluar CAA a partir de estas imágenes, el estudio es el más grande de su tipo, se basó en los modelos de máquinas de densidad ósea más utilizados y es el primero que se prueba en un entorno real utilizando imágenes tomadas como parte de las pruebas de densidad ósea de rutina.
Vio más de 5000 imágenes analizadas por expertos y el software del equipo.
Después de comparar los resultados, el experto y el software llegaron a la misma conclusión para el alcance de la CAA (baja, moderada o alta) el 80 % de las veces, un número impresionante dado que era la primera versión del software.
IMAGEN DEL ARTÍCULO AQUÍ POR FAVOR
Es importante destacar que solo el 3 % de las personas que se consideraba que tenían niveles altos de CAA fueron diagnosticadas incorrectamente con niveles bajos por el software.
«Esto es notable ya que estos son los individuos con la mayor extensión de la enfermedad y el mayor riesgo de eventos cardiovasculares fatales y no fatales y mortalidad por todas las causas», dijo el profesor Lewis.
“Si bien aún queda trabajo por hacer para mejorar la precisión del software en comparación con las lecturas humanas, estos resultados son de nuestra versión 1.0 del algoritmo y ya hemos mejorado sustancialmente los resultados con nuestras últimas versiones.
«La evaluación automatizada de la presencia y extensión de AAC con precisiones similares a las de los especialistas en imágenes ofrece la posibilidad de detección a gran escala de enfermedades cardiovasculares y otras afecciones, incluso antes de que alguien tenga algún síntoma».
«Permitirá a las personas en riesgo hacer los cambios necesarios en su estilo de vida mucho antes y los pondrá en un mejor lugar para estar más sanos en sus últimos años».
Financiación: La Heart Foundation proporcionó fondos para el proyecto, gracias a la Beca de Liderazgo Futuro del Profesor Lewis de 2019, que brindó apoyo para la investigación durante un período de tres años.
Sobre esta noticia sobre inteligencia artificial e investigación en salud
Autor: sam jeremic
Fuente: Universidad Edith Cowan
Contacto: Sam Jeremic – Universidad Edith Cowan
Imagen: La imagen está acreditada a Neuroscience News.
Búsqueda original: Acceso libre.
“Aprendizaje automático para la evaluación de la calcificación aórtica abdominal a partir de imágenes de columna lateral derivadas de máquina de densidad ósea” por Joshua Lewis et al. eBioMedicina
Abstracto
Aprendizaje automático para la evaluación de la calcificación aórtica abdominal a partir de imágenes de columna lateral derivadas de máquina de densidad ósea
Abajo
Las imágenes de la columna lateral para la evaluación de fracturas vertebrales se pueden obtener fácilmente en máquinas modernas de densidad ósea. La calcificación aórtica abdominal (AAC) puede ser calificada en estas imágenes por especialistas en imágenes capacitados para evaluar el riesgo de enfermedad cardiovascular. Sin embargo, este proceso es laborioso y requiere un entrenamiento cuidadoso.
Métodos
El entrenamiento y la prueba del rendimiento del modelo del algoritmo de la red neuronal convolucional (CNN) para la puntuación AAC-24 automatizada utilizaron 5012 imágenes de columna lateral (2 fabricantes, 4 modelos de máquinas de densidad ósea), con puntuaciones AAC de especialistas en imágenes capacitados. La validación se produjo en un estudio de cohorte basado en registros de 8565 hombres y mujeres mayores con imágenes capturadas como parte de la práctica clínica habitual para la evaluación del riesgo de fractura. Se utilizaron modelos de riesgos proporcionales de Cox para estimar la asociación entre las puntuaciones AAC de aprendizaje automático (ML-AAC-24) con incidentes futuros de eventos cardiovasculares adversos mayores (MACE), incluida la muerte, infarto agudo de miocardio hospitalizado o enfermedad cerebrovascular isquémica determinada a partir de datos de salud vinculados.
descubrimientos
El coeficiente de correlación intraclase medio entre el especialista en imágenes y las puntuaciones de ML-AAC-24 para 5012 imágenes fue de 0,84 (IC del 95 %: 0,83, 0,84) con una precisión de clasificación del 80 % para los grupos de AAC establecidos. Durante una mediana de seguimiento de 4 años en la cohorte basada en registros, se informaron resultados de MACE en 1177 personas (13,7 %). Con el aumento de las puntuaciones de ML-AAC-24, hubo una proporción cada vez mayor de personas con MACE (bajo 7,9 %, moderado 14,5 %, alto 21,2 %), así como componentes individuales de MACE (todas las tendencias p < 0,001). Después del ajuste multivariable, los grupos de ML-AAC-24 moderado y alto permanecieron significativamente asociados con MACE (HR 1,54, IC del 95 % 1,31–1,80 y HR 2,06, IC del 95 % 1,75–2,42, respectivamente) en comparación con aquellos con ML-AAC-24 bajo.
Interpretación
Las puntuaciones de ML-AAC-24 tuvieron niveles sustanciales de concordancia con expertos en imágenes capacitados y se asociaron con un gradiente de riesgo sustancial para eventos cardiovasculares en un entorno del mundo real. Este enfoque se puede implementar fácilmente en estos entornos clínicos para mejorar la identificación de personas con alto riesgo de ECV.
Financiación
El estudio fue financiado por una subvención de Ideas del Consejo Nacional de Investigación Médica y de Salud de Australia y el Fondo de Innovación Rady, Facultad de Ciencias de la Salud Rady, Universidad de Manitoba.