Logros y dificultades para desarrollar modelos de inteligencia artificial en trombosis

MADRID, ESP. Los algoritmos de inteligencia artificial en trombosis son complejos y se enfrentan a diversos retos subsanables, entre otros, obtener datos de calidad y una buena explicabilidad sin merma de su precisión. Estas herramientas emergentes requieren más personal formado y la contribución del paciente para consolidarse en la clínica.^[1]

La Dra. Rosa Vidal, del Hospital Universitario Fundación Jiménez Díaz, en Madrid, y el Dr. Adrián Mosquera, del Hospital Clínico Universitario de Santiago de Compostela, en Coruña, coordinaron el simposio del LXIV Congreso Nacional de la Sociedad Española de Hematología y Hemoterapia (SEHH) y resaltaron la oportunidad que brinda la inteligencia artificial en cuanto a programas de resultados en salud que ayuden a mejorar la calidad de vida de los pacientes con trombosis, optimizando la eficiencia de nuestro sistema sanitario. "Como profesionales sanitarios debemos formarnos en estas nuevas tecnologías e implementarlas en nuestra práctica diaria, teniendo en cuenta que no es un reto fácil".

La Dra. Sara Martín Herrero, del Hospital Universitario Fundación Jiménez Díaz, en Madrid, explicó pormenorizadamente las dificultades que entraña la implantación de un programa de Big data en trombosis:^[2] "La enfermedad tromboembólica venosa es compleja en cuanto a la identificación de pacientes y la definición de variables para la explotación de los datos". Los retos para los modelos de aprendizaje en general y para esta patología en particular se centran en calidad y cantidad de los datos, privacidad, transparencia y explicabilidad de los algoritmos, robustez, autonomía y supervisión humana y responsabilidad y regulación y diversidad/equidad.

La especialista manifestó que la piedra angular de todos los sistemas de inteligencia artificial, bajo el amparo de la ley de protección de datos, es que estos sean variados, representativos de la realidad y certificados. En salud 80% de los datos es no estructurado y el objetivo es convertirlos en conocimiento que aporte valor.

Explicabilidad frente a precisión

Respecto a la explicabilidad de los modelos, la Dra. Martín indicó: "En el ámbito sanitario es indispensable, aunque surge el reto de favorecer la precisión frente a la explicabilidad. Necesitamos mecanismos de regulación frente a estos algoritmos para aplicarlos en la clínica. También habría que explicar parte de los algoritmos y generar evidencia al aplicarlos de forma extensiva para demostrar que son precisos, además de contar con validaciones externas y de trazabilidad para ver cómo funciona el modelo desde el punto de vista de la metodología que emplea".

Entre las diversas propuestas que apuntó la experta para reforzar la transparencia y explicabilidad, se refirió a la formación del sanitario y la cultura colaborativa, modelos que incluyan técnicas que favorezcan esta explicabilidad, transparencia de datos, metodología y resultados, así como decisiones que puedan ser explicadas, evaluadas y auditadas.

Predicción de recurrencia trombótica

La Dra. Martín comentó una herramienta de aprendizaje automático (machine learning) que desarrollan en su centro, todavía en una fase muy preliminar (limpieza de datos), para encontrar nuevos factores de riesgo de recurrencia de la enfermedad tromboembólica venosa en los pacientes con un primer evento para poder prevenir un segundo episodio. Pretenden obtener un modelo de predicción de recurrencia individualizada y poder seleccionar a los pacientes que se benefician de una anticoagulación. Además de reducir la recurrencia quieren abarcar el control de su morbimortalidad asociada.

"Han recogido datos de 2016 a 2022, donde se apreció que la incidencia de enfermedad tromboembólica venosa durante la pandemia de COVID-19 fue muy llamativa, con un claro aumento de la incidencia en 2020 y 2021, que nos permitió dibujar con exactitud las olas pandémicas únicamente con los datos extraídos de una sola pregunta, que fue si habían tenido una enfermedad tromboembólica venosa", añadió la Dra. Martín.

La especialista mencionó algunas conclusiones importantes a la hora de desarrollar modelos: "La clasificación de enfermedades CIE-9 y CIE-10 no alcanza una sensibilidad suficiente para la búsqueda de pacientes con enfermedad tromboembólica venosa en la historia clínica electrónica, por lo que habría que asociar otros estándares de codificación diagnóstica acorde con la práctica clínica diaria".

"También es fundamental la promoción de una cultura colaborativa en el desarrollo de sistemas aplicables a las necesidades clínicas. Puede ser una herramienta sumamente valiosa para disminuir las brechas y desigualdad de acceso a la atención sanitaria", agregó.

"Ya no cabe duda de que el uso de las herramientas de inteligencia artificial puede ayudarnos de forma sustancial a la toma de decisiones en la clínica y a mejorar la calidad asistencial, contribuyendo al desarrollo de una medicina más personalizada y de precisión. Sin embargo, su implantación no es sencilla, ya que nos enfrentamos a aspectos éticos y legales todavía pendientes de resolver", señaló el Dr. Mosquera.

Tromboembolia venosa en paciente oncológico

El Dr. Ang Li, profesor del Baylor College of Medicine, en Texas, Estados Unidos, abordó el tema Epidemiología, prevención y tratamiento de la tromboembolia venosa, microangiopatía trombótica en el tratamiento del cáncer y el trasplante de células hematopoyéticas.^[3] También comentó el desarrollo de fenotipos computables y modelos predictivos de riesgo en pacientes con cáncer y trombosis, resaltando la importancia de algunas cifras en este tema: suceden siete veces más en los pacientes oncológicos frente a los que no tienen tumores, algunos tipos de cáncer tienen 10% a 20% de riesgo de tromboembolismo venoso en los seis primeros meses tras el diagnóstico y es la segunda causa de fallecimiento junto a la infección en estos pacientes.

El Dr. Li indicó: "Existen modelos predictivos de riesgo en este campo, son fáciles de usar, pero no dan una predicción óptima, ya que es difícil incorporar marcadores no estandarizados y solo 50% de los tromboembolismos venosos es clasificado como de alto riesgo".

También mencionó los cinco pasos generales para el uso del aprendizaje automático en cáncer y trombosis:

1. Empezar por definir el tromboembolismo venoso con una exquisita precisión.

2. Identificar predictores clínicos relevantes.

3. Buscar un análisis estadístico robusto.

4. Construir el modelo final con las muestras seleccionadas.

5. Contar con bases de datos adecuadas internas y externas.

La extracción de datos importa más que el modelo

"Hay que determinar el fenotipo del tromboembolismo venoso con datos estructurados y no estructurados, estos últimos con datos del informe radiológico, de alta hospitalaria y de las notas clínicas destacadas. Los modelos basados en machine learning deben tener una bolsa de palabras específicas, usar una red neuronal recurrente y emplear adecuados transformadores y modelos de representación del lenguaje (BERT)", añadió el Dr. Li.

El experto analizó las ventajas y limitaciones de estas herramientas en la investigación médica en cuanto a predictibilidad, donde mejora a los métodos tradicionales en el mismo registro de conjunto de datos, en explicabilidad, legitimidad, generalizabilidad e interoperabilidad.

El Dr. Li señaló tres aspectos relevantes: "La extracción de datos y la armonización son más importantes que el modelo. El machine learning es un buen complemento, pero no un sustituto de los modelos estadísticos tradicionales. El conocimiento clínico es indispensable para la selección de las variables e interpretación del modelo".

El paciente tiene mucho que aportar

La Dra. Cindy de Jong, del Leiden University Medical Centre, en Leiden, Países Bajos, comentó el desarrollo de un sistema estandarizado centrado en el paciente (PROMS) con tromboembolismo venoso, que mejora la decisión entre proveedores y pacientes, facilitando la calidad de la mejora.

La experta relató el proyecto SCOPE, en el que los pacientes incluidos fueron: mayores de 16 años con embolismo pulmonar o trombosis venosa profunda, incluido el síndrome de anticuerpos antifosfolípidos, estado al final de la vida, tromboembolismo venoso asociado al embarazo y trombosis asociada al cáncer.

Se recogieron afecciones reportadas por los pacientes, como calidad de vida, limitación funcional, dolor, disnea, satisfacción del tratamiento, etcétera, a través de diversos cuestionarios y herramientas específicas estandarizadas para cada apartado. Por otro lado, los eventos clínicos o complicaciones como las derivadas de procedimientos, hemorragias, sobrevida, recurrencias, hipertensión pulmonar crónica, enfermedad tromboembólica pulmonar y otras.

El siguiente paso se relaciona a los factores que ajustan el riesgo por bloques, unos demográficos (sexo, raza, índice de masa corporal, edad, nivel de educación) y otros clínicos (comorbilidades, anticoagulantes, trombosis venosa profunda previa, intervenciones llevadas a cabo). Todo ello determinado a diferentes intervalos de tiempo basal, a los tres, seis meses y al año para luego repetirlo anualmente.

La Dra. De Jong mencionó los resultados más llamativos en cuanto a la diferente percepción entre el paciente y el médico destacados: "Los cambios en la visión de la vida indicado por 70% de los pacientes frente a 48% de los profesionales. Y la hipertensión pulmonar crónica por la mitad de los pacientes y 83% de los profesionales en la misma línea, la enfermedad tromboembólica pulmonar para 45% de los pacientes frente a79% de los profesionales".

Manifiesto para implementar modelos de inteligencia artificial

Finalmente los coordinadores indicaron que las sociedades científicas han elaborado un manifiesto con voluntad de participar activamente en el desarrollo de digitalización del sistema sanitario, contemplando el abordaje de mejora de la calidad de los datos y su seguridad. Actualmente existe creciente interés por parte de los diferentes grupos de trabajo nacionales por implementar estas herramientas, tanto en el diagnóstico como en la estratificación de riesgo y la predicción de respuestas a nuevos fármacos en el campo de la hematología.

"Sin embargo, la realidad es que nos encontramos ante un déficit formativo importante por parte de los especialistas de la salud, dado que se trata de un campo muy nuevo y ajeno a la medicina. Por tanto, es necesario incrementar la formación de los especialistas en análisis avanzados de datos, así como fomentar la colaboración con expertos en tecnologías inteligentes de la información", añadieron.

Predicción de tromboembolismo en mieloma múltiple

La comunicación seleccionada para este simposio corrió a cargo de la Dra. Inés Martínez, de la Fundación Jiménez Díaz, en Madrid, sobre el aprendizaje automático frente a la regresión logística en la generación de modelos predictivos de tromboembolismo venoso en pacientes con mieloma múltiple.

Se trata de un estudio retrospectivo multicéntrico que incluyó 133 pacientes (88 no enfermedad tromboembólica venosa y 45 con ella) con 131 variables clínicas y biológicas, usando métodos de regresión logística (ocho variables significativas) por un lado y por otro, el de machine learning (seis variables) para luego compararlos, donde coincidieron cuatro variables: edad menor de 65 años, ISS-R alto, proteína C reactiva mayor de 0,60 mg/dl y antecedente de cirugía.

La Dra. Martínez, destacó: "Ambos modelos son buenos predictores de enfermedad tromboembólica venosa en pacientes con mieloma de nuevo diagnóstico, se plantea la hipótesis de que estas cuatro variables que comparten tendrían un mayor poder predictivo, aunque se precisa una cohorte de validación independiente para valorar el nivel de sobreajuste que tienen sus modelos para poder elegir de una forma más precisa entre estas dos aproximaciones".

Las doctores Martín, Li y de Jong han declarado no tener ningún conflicto de interés económico pertinente.

Siga al Dr. Javier Cotelo de Medscape en español en Twitter @Drjavico.

Para más contenido suscríbase a nuestros boletines y siga a Medscape en Facebook, Twitter, Instagram y YouTube.

CRÉDITO
Imagen principal: Dreamstime
Figuras 1 y 2: Dioni González
Figuras 3, 4 y 5: Dr. Javier Cotelo, captura de imágenes del congreso de la SEHH

Medscape Noticias Médicas © 2022 WebMD, LLC

Citar este artículo: Logros y dificultades para desarrollar modelos de inteligencia artificial en trombosis - Medscape - 24 de oct de 2022.