Artículo original: Yan J, Luo X, Xu J, Li D, Qiu L, Li D, Cao P, Zhang C. Unlocking the potential: T1-weighed MRI as a powerful predictor of levodopa response in Parkinson’s disease. Insights Imaging. 2024 Sep 12;15(1):141.
DOI: https://doi.org/10.1186/s13244-024-01690-z
Sociedad: European Society of Radiology (ESR) @InsightsImaging
Palabras clave: enfermedad de Parkinson, resonancia magnética, respuesta al tratamiento, levodopa, inteligencia artificial, aprendizaje automático
Abreviaturas y acrónimos utilizados: AUC (área bajo la curva); EP (enfermedad de Parkinson); PPMI (Iniciativa de Marcadores de Progresión de la Enfermedad de Parkinson); T1w (ponderadas en T1).
Línea editorial del número: Este artículo es una publicación original en Insights into Imaging, una revista de acceso abierto revisada por pares que acepta artículos originales, artículos educativos y de revisión crítica, así como artículos de posición y recomendación de sociedades e instituciones líderes. A través del pensamiento crítico y el replanteamiento, sus autores proporcionan ideas de cómo se practica actualmente la radiología y analizar si es necesario remodelarla. Los artículos más recientes en Insights into Imaging cubren una amplia gama de temas, incluyendo el uso de radiómica y aprendizaje profundo para mejorar el diagnóstico y pronóstico de diversas enfermedades como la enfermedad de Crohn, el cáncer de recto y la pancreatitis aguda. También se incluyen estudios sobre la detección temprana de la degeneración del cartílago y la evaluación de la fibrosis intersticial renal. Además, se presentan revisiones educativas sobre imágenes post-TAVI y MRI de artroplastia total de cadera, entre otros artículos.
Motivos para la selección: La levodopa es el tratamiento más común para la enfermedad de Parkinson (EP), aunque su eficacia varía considerablemente entre los pacientes. Tradicionalmente, una de las funciones clave de la radiología ha sido evaluar la respuesta al tratamiento. Con las nuevas tecnologías y el avanzado procesamiento de imágenes, cada vez se puede predecir la respuesta al tratamiento de manera precisa. La capacidad de predecir la respuesta al tratamiento es crucial, ya que podría mejorar significativamente la atención al paciente guiando las decisiones clínicas. Por otro lado, este estudio utilizó dos grupos de muestras; por un lado, pacientes de la práctica clínica hospitalaria de los autores y por otro, imágenes de una base de datos pública abierta sobre parkinson (PPMI). El uso de bases de datos abiertas, que contienen una gran cantidad de información en bruto por procesar tiene un enorme potencial para extraer información relevante. Por último, el uso de herramientas de inteligencia artificial como el que utilizan estos autores, tiene el potencial de abrir nuevas oportunidades para el procesamiento amplio de grandes cantidades de datos y eventualmente para la aplicación clínica individual como en este caso.
Resumen:
Introducción
La enfermedad de Parkinson (EP) es un trastorno neurodegenerativo crónico caracterizado por síntomas motores (temblor, rigidez, bradicinesia e inestabilidad postural) y no motores (trastornos del sueño, deterioro cognitivo y depresión). La levodopa, un precursor de la dopamina, es el tratamiento más eficaz para los síntomas motores de la EP. Sin embargo, la respuesta a la levodopa varía entre pacientes y predecir esta respuesta es crucial para optimizar las estrategias de tratamiento. Este estudio tiene como objetivo investigar el potencial de las imágenes de resonancia magnética (RM) ponderadas en T1 (T1w), una modalidad de imagen ampliamente disponible, para predecir la respuesta a la levodopa en pacientes con EP.
Métodos
Se trata de un estudio retrospectivo, observacional, analítico que incluyó participantes con diagnóstico de EP, datos de resonancia magnética ponderada en T1 y puntuaciones MDS-UPDRS III en estados ON y OFF de medicación. Los autores utilizaron dos conjuntos de datos de imagen: uno de la Iniciativa de Marcadores de Progresión de la Enfermedad de Parkinson (PPMI) con 219 registros y otro conjunto clínico externo del Hospital Ruijin (Shanghai, China) con 217 registros. Se aplicaron cuatro métodos de extracción de características, incluyendo un método basado en MedicalNet (una red de aprendizaje profundo preentrenada). Se entrenaron y probaron tres modelos de aprendizaje automático (máquina de vectores de soporte [SVM], XgBoost y perceptrón multicapa [MLP]) en el conjunto de datos PPMI, utilizando el área bajo la curva (AUC) como métrica de rendimiento. El uso de un extractor de características basado en aprendizaje profundo, MedicalNet, permitió identificar regiones cerebrales clave asociadas con la respuesta a la levodopa, proporcionando información sobre los mecanismos subyacentes.
Resultados
Los resultados mostraron que las características extraídas por MedicalNet superaron consistentemente a otros métodos de extracción de características y a la información clínica en la predicción de la respuesta a la levodopa. El modelo SVM con características de MedicalNet logró el mejor rendimiento, con un AUC de 0.83 ± 0.01 en el conjunto de datos de prueba PPMI y un AUC de 0.64 ± 0.03 en el conjunto de datos clínicos externos.
El resultado más relevante consiste en que las características extraídas de imágenes de resonancia magnética ponderadas en T1 mediante un modelo de aprendizaje profundo fueron superiores para predecir la respuesta a la levodopa en comparación con la información clínica tradicional (edad, sexo, duración de la enfermedad, dosis diaria equivalente de levodopa y MDS-UPDRS III OFF).
Conclusión
Las características de las imágenes de resonancia magnética ponderadas en T1, al ser más objetivas y potencialmente reflejar cambios sutiles en la neuroanatomía relacionados con la enfermedad de Parkinson, ofrecen una herramienta sólida y precisa para predecir la respuesta al tratamiento con levodopa.
Aclaración de conceptos:
- Los modelos de aprendizaje automático son algoritmos que permiten a la máquina aprender de los datos sin ser programadas explícitamente. Estos modelos se entrenan con un conjunto de datos y luego pueden hacer predicciones o tomar decisiones basadas en nuevos datos. En el artículo se estudiaron tres: Máquina de vectores de soporte (SVM), XgBoost (Extreme Gradient Boosting) y Perceptrón multicapa (MLP), que funcionan de forma diferente.
- MedicalNet es un modelo de aprendizaje profundo preentrenado diseñado específicamente para analizar imágenes médicas actuando como un «detector de patrones», que después utilizan los modelos de aprendizaje automático explicados anteriormente.
- MDS-UPDRS III OFF se refiere a la parte III de la Escala Unificada de Calificación de la Enfermedad de Parkinson de la Sociedad de Trastornos del Movimiento (MDS-UPDRS) en estado OFF. Utilizada para evaluar la progresión y gravedad de la enfermedad de Parkinson.
Valoración personal
Es un artículo interesante ya que las secuencias T1w son ampliamente disponibles y accesibles, por lo que poder rentabilizar al máximo estas exploraciones es un valor añadido importante. Los resultados de este estudio tienen implicaciones clínicas significativas. El uso de imágenes de resonancia magnética T1w y aprendizaje automático identificando regiones cerebrales clave para predecir la respuesta a la levodopa podría permitir personalizar los planes de tratamiento, optimizando así los resultados para los pacientes con EP. Sin embargo, el número de pacientes es demasiado reducido para poder extrapolar los resultados. Además, para poder ser aplicables, estos resultados deberían ser validados en estudios más amplios y prospectivos. Por lo que, aunque abren una interesante vía de trabajo, se necesitan más investigaciones para validar estos hallazgos y explorar su aplicabilidad clínica real.
Gary Amseian
Hospital Clínic de Barcelona, R3
cbseram.com 
Deja un comentario