Artículo original: Yin P, Wang J, Zhang C, Yuan J, Ye M, Zhou Y. Machine Learning Using Presentation CT Perfusion Imaging for Predicting Clinical Outcomes in Patients With Aneurysmal Subarachnoid Hemorrhage. AJR 2023 Jul 19.
DOI: https://doi.org/10.2214/AJR.23.29579
Sociedad: American Journal of Roentgenology
Palabras clave: Machine Learning, CT Perfusion, Aneurysmal Subarachnoid Hemorrhage
Abreviaturas y acrónimos: AUC (Área bajo la curva), HSA (Hemorragia subaracnoidea), ICD (ISquemia cerebral retardada), ML (Machine Learning), TCP (TC Perfusion).
Línea editorial: La American Journal of Roentgenology es la revista oficial de la American Roentgen Ray Society (ARRS). De publicación mensual, abarca todos los campos y subespecialidades como la radiología mamaria, gastrointestinal, cardiotorácica, neurorradiología o musculoesquelética. De su número de julio, destaco un artículo sobre el cribado en pacientes con mamas densas donde realiza una comparación de mamografía, inteligencia artificial y ecografía complementaria que me ha parecido muy interesante. Asimismo, otro artículo que me llamó la atención es un estudio donde desarrollan un modelo automatizado de aprendizaje profundo para el diagnóstico de adenocarcinoma invasivo en nódulos de vidrio deslustrado puros en tomografía computarizada de tórax.
Motivos para la selección: La isquemia cerebral retardada (ICD) afecta aproximadamente al 30% de los pacientes con hemorragia subaracnoidea por aneurisma (HSAa), una de las principales patologías neurológicas en urgencias y es el principal factor que contribuye a un mal resultado funcional en estos pacientes. El poder predecir esta mala evolución, podría tener un gran impacto en el manejo del paciente y el desarrollo de estos programas con la incorporación de información obtenida mediante el TC perfusión, podrían cambiarlo todo.
Resumen:
La identificación precoz de la ICD y la predicción personalizada de pacientes con riesgo de mala evolución funcional pueden orientar la decisión de aumentar la intensidad de la monitorización y, potencialmente intervenciones avanzadas. Estudios anteriores han explorado los posibles factores predictivos de la ICD basándose en los datos disponibles en el momento de la presentación, incluido el volumen de la hemorragia subaracnoidea y los indicadores de gravedad clínica como la escala de Fisher modificada o la escala de Hunt-Hess. Estas medidas han arrojado resultados diversos y la predicción de estos resultados sigue siendo una tarea difícil.
El ML aprovecha las tecnologías de inteligencia artificial para revelar patrones en los datos que pueden pasar desapercibidos a los métodos estadísticos tradicionales. Las imágenes de TCP proporcionan diversos parámetros funcionales relacionados con la perfusión tisular y el estado circulatorio y numerosos estudios la han utilizado para identificar la ICD durante el periodo de 4 a 14 días después de una HSA, el plazo más común para su aparición. El objetivo de este estudio era evaluar la utilidad de los modelos de ML basados en la combinación de datos clínicos y de TCP en el momento de la presentación para predecir la ICD y el mal resultado funcional en pacientes.
Este estudio consistió en un análisis retrospectivo de los datos de 242 pacientes con HSAa que, como parte de un ensayo prospectivo, se sometieron a un TCP seguido de una evaluación estandarizada de la ICD durante la hospitalización inicial y un resultado funcional deficiente a los 3 meses (es decir, escala de Rankin modificada ≥4). Los pacientes se dividieron aleatoriamente en conjuntos de entrenamiento (n=194) y de prueba (n=48) y se utilizaron cinco modelos ML para predecir los resultados a partir de los datos clínicos y de TCP de la presentación.
En el conjunto de entrenamiento se construyeron modelos clínicos tradicionales para predecir la ICD y los malos resultados funcionales mediante un análisis de regresión logística por pasos. Estos modelos incorporaban los datos clínicos, pero no los datos cualitativos o cuantitativos del TCP.
El rendimiento de los modelos para predecir los resultados se evaluó tanto en el conjunto de entrenamiento como en el de prueba. Esta evaluación del rendimiento del modelo incluyó la determinación del AUC. Entre ellos, el modelo CatBoost basado en datos clínicos y de TCP mostró una mayor AUC que el modelo clínico tradicional para predecir el desarrollo de ICD (0,949 frente a 0,771; p=0,004), así como para predecir un resultado funcional deficiente a los 3 meses (0,958 frente a 0,863; p=0,04). frente a 0,863, p=0,04). El modelo CatBoost puede ayudar a guiar el tratamiento clínico de los pacientes con HSAa mediante la predicción de resultados basada en la información disponible en el momento de la presentación.
Valoración personal:
Me parece un artículo que presenta de manera clara y concisa las características del estudio que han desarrollado, aunque este presentaba algunas limitaciones. En primer lugar, se trataba de un estudio unicéntrico con una muestra de tamaño reducido ya que el conjunto de pruebas sólo incluía 48 pacientes. No hubo validación externa y el análisis cualitativo del TCP (QCA) se evaluó de forma subjetiva. Además, la utilización de valores medios de ROI en todo el cerebro para los parámetros cuantitativos de la TCP puede haber dado lugar a una subestimación de las alteraciones hemodinámicas. Aunque CatBoost superó al modelo clínico tradicional en la predicción de resultados funcionales deficientes a los 3 meses, esta comparación no fue significativa cuando se incluyó el ICD. Pese a estas limitaciones podría ser el comienza de una nueva herramienta muy útil en el manejo de pacientes con HSA.
Adriana Álvarez Zozaya
R3 de Hospital San Pedro de Logroño
cbseram.com 
Deja un comentario