Globedia.com

×
×

Error de autenticación

Ha habido un problema a la hora de conectarse a la red social. Por favor intentalo de nuevo

Si el problema persiste, nos lo puedes decir AQUÍ

×
cross

Suscribete para recibir las noticias más relevantes

×
Recibir alertas

¿Quieres recibir una notificación por email cada vez que Managementsalud escriba una noticia?

Predicción de padecimiento de Enfermedad de Alzheimer analizando PET-CT 6 años antes que los neurólogos puedan diagnosticarla

10/01/2019 03:10 0 Comentarios Lectura: ( palabras)

La Enfermedad de Alzheimer es una enfermedad degenerativa del cerebro que progresa muy lentamente y su diagnóstico suele hacerse cuando ya tiene síntomas. No teníamos, hasta ahora, ninguna forma de identificar a los pacientes, que aún no presentan síntomas, pero que van a desarrollar la enfermedad. Investigadores de la Universidad de California se plantearon la siguiente hipótesis. Si el cerebro se va muriendo (perdiendo neuronas), irá consumiendo menos alimento (glucosa) y podríamos analizar imágenes del consumo de glucosa por el cerebro para predecir quiénes van disminuyendo su consumo de una forma patológica. Link al estudio: https://doi.org/10.1148/radiol.2018180958 8 Para esto utilizaron tomografías del cerebro con un estudio que se conoce como PET, que consiste en inyectarle al paciente glucosa radioactiva y hacer una tomografía/scanner del cerebro y ver cómo el cerebro la consume. Este estudio está presente en Chile y tiene código FONASA (cuesta alrededor de 500.000) Los investigadores entrenaron su algoritmo con 1921 imágenes de PET-CT de un banco de imágenes (dataset) tomadas entre 2005 y 2017 de la iniciativa ADNI (Alzheimer´s Disease Neuroimaging Initiative), un banco de datos abiertos para promover la investigación en Enfermedad de Alzheimer. Cualquier investigador puede solicitar acceso a las imágenes, los biomarcadores, datos clínicos... aplicando en http://adni.loni.usc.edu 1 Después utilizaron 188 imágenes del mismo banco para validar su algoritmo, y otras 40 imágenes provistas por el investigador principal como banco de datos externo de validación. ¿Qué tiene el dataset? El dataset tiene imágenes de pacientes que, a lo largo de los años, desarrollaron enfermedad de Alzheimer tanto como imágenes de pacientes que nunca la desarrollaron (sanos). De los que desarrollaron la enfermedad, tienen, para los que fallecieron, los resultados de las biopsias de cerebro (es el diagnóstico gold estándar de Alzheimer, donde el patólogo ve las lesiones características de la enfermedad. ¿Cuáles fueron los resultados? Muy alentadores. El algoritmo predice con altísima sensibilidad (100%) y buena especificidad (82%) el desarrollo de la enfermedad de Alzheimer en el paciente 6 años antes del diagnóstico final, o sea, 6 años antes de lo que hacemos hoy en día. Predicción Error/precisión Enfermedad de Alzheimer AUC = 0, 98 AUC = Área bajo la curva (AREA UNDER THE CURVE) Menos de 0, 5: Es como lanzar una moneda. Entre 0, 5 y 0, 6: Test malo. Entre 0, 6 y 0, 75: Test regular. Entre 0, 75 y 0, 9: Test bueno. Entre 0.9 y 0.97: Test muy bueno. Más de 0.97: Test excelente. Esto es lo fantástico de la inteligencia artificial en medicina. Al estimar el riesgo o predecir, la computadora está haciendo algo más que meramente aproximarse a las habilidades del médico, está encontrando relaciones nuevas que no son evidentes para los seres humanos. ¿Qué es lo nuevo? Si hoy le pasamos a un neurólogo un estudio de PET-CT de un paciente que en 6 años va a desarrollar Alzheimer, el neurólogo no va a encontrar nada raro, no se va a dar cuenta. Los cambios son tan sutiles, que no son discriminados por nuestra capacidad. ¡Ahí la tecnología nos cambia la vida! ¿Qué podemos hacer? Empezar los tratamientos para retrasar la enfermedad de Alzheimer muchísimo antes, tomar acciones pro-activas, llegar a tiempo. ¿Se puede mejorar? Definitivamente. El set de entrenamiento es pequeño, 1921 imágenes. Si miramos el set de entrenamiento que utilizó Google sobre fondos de ojo que era de 284.335, vemos que más es mejor predicción. Como dice Atul Butte: The successful future for #AI isn't going to be about evaluation of ROC curves and precision and recall. It HAS to be about evaluating how good, how fair, and how representative the training data were. El futuro de esto depende de cuán buenos, representativos y justos son los datos de entrenamiento. ¡Qué buena la iniciativa ADNI! Necesitamos más iniciativas de donantes de datos para el desarrollo expedito de estas tecnologías.

Más sobre

Fuente: Foro Salud Digital


Sobre esta noticia

Autor:
Managementsalud (1774 noticias)
Fuente:
managementensalud.blogspot.com
Visitas:
2096
Tipo:
Reportaje
Licencia:
Distribución gratuita
¿Problemas con esta noticia?
×
Denunciar esta noticia por

Denunciar

Comentarios

Aún no hay comentarios en esta noticia.