MADRID, 31 Ago. (EUROPA PRESS) -
Los investigadores han evaluado el uso que hacen los médicos de un modelo de inteligencia artificial (IA) que puede identificar tumores y han descubierto que los equipos de médicos y la IA pueden mejorar el flujo de trabajo clínico al reducir el tiempo de planificación del tratamiento y mejorar la consistencia, según publican en la revista 'The Lancet Digital Health'.
El cáncer de pulmón se trata con radioterapia (RT) en casi la mitad de los casos. La planificación de la radioterapia es un proceso manual que requiere muchos recursos y que puede llevar de días a semanas, e incluso los médicos altamente capacitados varían en su determinación de la cantidad de tejido que se debe tratar con radiación. Además, se prevé que la escasez de médicos y clínicas de radiooncología en todo el mundo crezca a medida que aumenten las tasas de cáncer.
Los investigadores y colaboradores del Brigham and Women's Hospital, que trabajan en el marco del Programa de Inteligencia Artificial en Medicina del Mass General Brigham, en Estados Unidos, desarrollaron y validaron un algoritmo de aprendizaje profundo que puede identificar y perfilar ("segmentar") un tumor de cáncer de pulmón de células no pequeñas (CPCNP) en una tomografía computarizada (TC) en cuestión de segundos.
Su investigación también demuestra que los oncólogos de radiación que utilizan el algoritmo en clínicas simuladas se desempeñaron tan bien como los médicos que no utilizan el algoritmo, mientras que trabajan un 65% más rápido.
"La mayor brecha de traducción en las aplicaciones de la IA a la medicina es el fracaso en el estudio de cómo utilizar la IA para mejorar a los clínicos humanos, y viceversa --explica el autor correspondiente Raymond Mak, del Departamento de Oncología de Radiación del Brigham--. Estamos estudiando cómo hacer asociaciones y colaboraciones entre humanos y la IA que den lugar a mejores resultados para los pacientes".
Según destaca, "los beneficios de este enfoque para los pacientes incluyen una mayor consistencia en la segmentación de los tumores y la aceleración de los tiempos de tratamiento. Los beneficios para los médicos incluyen una reducción del trabajo informático mundano pero difícil, lo que puede reducir el agotamiento y aumentar el tiempo que pueden dedicar a los pacientes", añade.
Los investigadores utilizaron imágenes de TC de 787 pacientes para entrenar su modelo y distinguir los tumores de otros tejidos. Probaron el rendimiento del algoritmo con exploraciones de más de 1.300 pacientes procedentes de conjuntos de datos cada vez más externos. El desarrollo y la validación del algoritmo implicaron una estrecha colaboración entre los científicos de datos y los oncólogos radioterápicos.
Por ejemplo, cuando los investigadores observaron que el algoritmo segmentaba de forma incorrecta las exploraciones de TC que afectaban a los ganglios linfáticos, volvieron a entrenar el modelo con más exploraciones de este tipo para mejorar su rendimiento.
Por último, los investigadores pidieron a ocho oncólogos radioterápicos que realizaran tareas de segmentación, así como que calificaran y editaran las segmentaciones producidas por otro médico experto o por el algoritmo (no se les dijo cuál). No hubo diferencias significativas en el rendimiento entre las colaboraciones entre humanos e IA y las segmentaciones producidas por humanos (de novo).
Curiosamente, los médicos trabajaron un 65 por ciento más rápido y con un 32 por ciento menos de variación cuando editaron una segmentación producida por la IA en comparación con una producida manualmente, a pesar de que no sabían cuál estaban editando. Además, en este estudio ciego, valoraron más la calidad de las segmentaciones dibujadas por la IA que las dibujadas por expertos humanos.
En el futuro, los investigadores planean combinar este trabajo con modelos de IA que diseñaron anteriormente y que pueden identificar "órganos en riesgo" de recibir radiación no deseada durante el tratamiento del cáncer (como el corazón) y, por tanto, excluirlos de la radioterapia.
Siguen estudiando el modo en que los médicos interactúan con la IA para garantizar que las asociaciones con la IA ayuden a la práctica clínica, en lugar de perjudicarla, y están desarrollando un segundo algoritmo de segmentación independiente que pueda verificar tanto las segmentaciones humanas como las dibujadas por la IA.
"Este estudio presenta una novedosa estrategia de evaluación de los modelos de IA que enfatiza la importancia de la colaboración entre humanos e IA --resalta el coautor Hugo Aerts, del Departamento de Oncología Radioterápica--. Esto es especialmente necesario porque las evaluaciones in silico (modeladas por ordenador) pueden dar resultados diferentes a las evaluaciones clínicas. Nuestro enfoque puede ayudar a allanar el camino hacia el despliegue clínico", asegura.
