Torsión ovárica: desarrollo de un algoritmo diagnóstico mediante inteligencia artificial.

Artículo original: Otjen J, Stanescu A, Alessio A, Parisi M. Ovarian torsion: developing a machine-learned algorithm for diagnosis. Pediatric Radiology. 2020; 50(5): 706-714.

DOI: https://doi.org/10.1007/s00247-019-04601-3

Sociedades: European Society of Paediatric Radiology (ESPR), Society for Pediatric Radiology (@SocPedRad), Asian and Oceanic Society for Pediatric Radiology (@AosprCom), Sociedad Latinoamericana de Radiología Pediátrica (SLARP)

Palabras clave: Algorithm, children, machine learning, medialization, ovary, torsion, ultrasound

Abreviaturas y acrónimos utilizados: US (ultrasonidos), mHz (milihercios).

Línea editorial del número: Pediatric Radiology informa mensualmente a sus lectores acerca de novedades y progresos en todas las áreas de la radiología pediátrica y sus campos relacionados. Esto se consigue por una selección de artículos originales y revisiones que describen el estado actual del conocimiento sobre un tema concreto. Los contenidos incluyen avances en tecnología, metodología y equipamiento; así como modificaciones de estándares de protocolos técnicos. Además, esta revista es el medio de divulgación científico oficial de las sociedades europea, americana, asiática y latinoamericana de radiología pediátrica.

El editorial de este mes presenta 21 artículos sobre temas muy dispares que abarcan un amplio campo de conocimiento de la radiología pediátrica. De ellos, querría destacar uno sobre el papel de la ecografía en el diagnóstico de anomalías congénitas duodenales, otro acerca de las características de las fracturas costales en el abuso infantil y un último que versa sobre el cálculo del volumen pancreático mediante resonancia magnética.

Motivo para la selección: he optado por esta publicación, en primer lugar, como repaso de las características clínicas y radiológicas de una patología aguda frecuente y a veces infradiagnosticada en la edad pediátrica como es la torsión ovárica. Además, el interés creciente del machine learning en radiología y dado que este artículo trata en parte sobre ello, hizo que me decantara por la revisión de este manuscrito.

Resumen: 

La torsión ovárica en la paciente pediátrica supone un reto diagnóstico. Los esfuerzos para mejorar el tiempo hasta el diagnóstico así como su precisión empleando características clínicas, de imagen y de laboratorio han mostrado resultados poco satisfactorios. Las tendencias actuales en realizar detorsión sin ooforectomía hacen que realizar un diagnóstico de forma rápida sea aún más importante para un resultado exitoso en el manejo de esta patología

Existen numerosas manifestaciones ecográficas bien documentadas si bien ninguna es patognomónica. Esto puede conducir a un retraso diagnóstico en una situación en la que dicha demora añade el riesgo de la pérdida del ovario y la consecuente disminución de la fertilidad.

La ausencia de señal Doppler está asociada con la torsión, si bien este hallazgo es poco fiable ya que la literatura muestra rangos del 20-73% en ovarios torsionados que no muestran flujo mediante esta técnica ecográfica. Además, existe un consenso casi universal de que la presencia de flujo intra-ovárico no excluye la torsión. El aumento de tamaño ovárico o la presencia de una masa anexial son hallazgos sensibles e incluso predictores de torsión. En resumen, mientras varios signos en US se han asociado con torsión, ninguno de ellos la detecta de manera aislada y la contribución de varios de ellos para un diagnóstico certero permanece incierta.

Los objetivos del estudio son: 1) crear un algoritmo que pueda ayudar al radiólogo a priorizar hallazgos en US para mejorar la especificidad y sensibilidad cuando la torsión ovárica es una consideración clínica y 2) investigar la frecuencia de varios hallazgos ecográficos de esta patología.

Material y métodos

Se identificaron todos los casos de torsión ovárica en un hospital pediátrico a lo largo de un periodo de 11 años (2004-2015). Los casos se identificaron empleando una base de datos radiológica independiente que codificaba las patologías mediante la clasificación internacional de enfermedades. El diagnóstico se confirmó revisando la historia clínica, quirúrgica y anatomopatológica. 

Los datos recogidos incluyeron, entre otros, la edad, el lado afecto, el volumen de ambos ovarios, la presencia de flujo Doppler o la medialización del anejo patológico. Se excluyeron los casos en los que no hubo confirmación de torsión o si esta se limitaba a las estructuras tubáricas.

A todas las pacientes con sospecha de torsión que acudieron a urgencias del centro del estudio se les realizó una ecografía pélvica, interpretándose las imágenes por un radiólogo pediátrico con experiencia así como enviadas a una base de datos radiológica (zVision). El estudio de US evaluó ambos ovarios y el útero tanto morfológicamente como con Doppler con un transductor pediátrico de 9 mHz. Se creó un grupo de pacientes con diagnóstico de torsión mediante US y otro que no fue diagnosticado como tal.

Para desarrollar el algoritmo diagnóstico empleando machine learning, se dividieron los casos disponibles en casos de entrenamiento y casos de prueba. El 60% del total de pacientes sometido a US fue asignado aleatoriamente al grupo de entrenamiento mientras que el 40% restante lo fue al de test (o prueba). Se emplearon datos de incidencia de torsión obtenidos de la bibliografía y se realizaron diferentes análisis, llamados sub-tests, empleando las variables recogidas de edad, volumen ovárico y sus ratios.

Se emplearon dos modelos de detección que utilizaban una combinación de hallazgos, siendo uno de ellos más flexible en sus condiciones para llegar al diagnóstico aunque más difícil de implementar clínicamente.

Resultados

Se confirmaron 119 casos de torsión ovárica tras excluir 9 casos de torsión tubárica aislada que respetaba al ovario. El rango de edad fue de 0 días a 22 años y 7 meses, con una edad media de 9 años y 10 meses. Existieron considerables diferencias en la presentación clínica en las niñas menores de un año con respecto a las mayores: en las primeras, predominaban la irritabilidad, la pérdida de apetito o la masa abdominal palpable. También fueron diferentes los hallazgos en US en función del grupo de edad.

Se compararon las variables recogidas en los casos con torsión diagnosticada mediante US con respecto a los controles. La edad media en el grupo que presentó torsión ovárica fue de 11,8 años frente a 14,2 años del grupo control (P>0.001). La presencia de líquido libre fue más frecuente en el grupo que no fue diagnosticado de torsión, si bien las diferencias no fueron significativas. La medialización del ovario se encontró en el 60% de los casos diagnósticos de torsión frente a un 1.2% de los casos que no fueron diagnósticos. Las masas y quistes anexiales fueron frecuentes en la torsión (84/119 pacientes). 

El método diagnóstico óptimo empleó combinaciones lineales de variables y alcanzó un área bajo la curva de 0.99±0.14. El mejor árbol de decisión respecto al diagnóstico final requirió conocer la presencia de folículos periféricos, flujo Doppler, volumen de ambos ovarios y la presencia de quistes.

Discusión

Se propone un algoritmo diagnóstico (figura 3) que emplea múltiples características de US de la torsión ovárica y que puede ayudar a los radiólogos a su diagnóstico de una manera temprana y fiable. Comienza por la presencia o ausencia de folículos ováricos, sigue por la existencia de flujo Doppler, continúa evaluando el volumen ovárico y finaliza observando si existen quistes ováricos o no. Según la presencia o ausencia de estos ítems el algoritmo resulta diagnóstico o no de torsión. Si bien este algoritmo derivado del machine learning está usándose actualmente en la práctica clínica, no ha sido validado aún. Una evaluación prospectiva e integración con los datos clínicos y de laboratorio son necesarios para validar y generalizar estos resultados.

Valoración personal:

La introducción presenta el estudio de una manera atractiva y concisa para el lector, proponiendo los dos objetivos clave del estudio, que acaba cumpliendo. 

Los materiales y métodos si bien en su conjunto son robustos, tienen algunas inconsistencias como el hecho de que sea un estudio retrospectivo, la ausencia de una redacción más clara de los criterios de inclusión y exclusión. Además, no se aclara si los lectores de las imágenes conocían o desconocían los datos clínicos de cada caso. 

En cuanto a los resultados, me ha sorprendido que se hayan incluido pacientes de hasta 22 años y 7 meses, y revisando la figura 2 se puede observar el importante número de casos a partir de los 14-15 años. Esto en mi opinión supone un punto negativo importante del estudio. 

La discusión comenta algunas de las debilidades que acabo de mencionar y hace hincapié en algunos puntos clave con los que coincido, como es el elevado porcentaje de masas o quistes asociados a los casos diagnósticos o la predominancia de líquido libre en los casos que no lo fueron.

 

Ignacio Andrés Cano

@igncano

icano91@gmail.com

Hospital Universitario Puerta del Mar (Cádiz). R3.

 

Tagged with: , , , , , , ,
Publicado en Pediatric Radiology, Revistas

Responder

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Cerrar sesión /  Cambiar )

Google photo

Estás comentando usando tu cuenta de Google. Cerrar sesión /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Cerrar sesión /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Cerrar sesión /  Cambiar )

Conectando a %s

Publicaciones del Club
Residentes SERAM
Autores
A %d blogueros les gusta esto: