Intelixencia artificial para predicir a evolución da pneumonía por covid

O sistema demostra unha maior predición da mortalidade, o ingreso en UCI e a necesidade de ventilación mecánica dos pacientes

Un recente traballo desenvolveu un algoritmo para identificar automáticamente patróns da enfermidade pulmonar causada polo virus. Fonte: CIBER-BBN
Un recente traballo desenvolveu un algoritmo para identificar automáticamente patróns da enfermidade pulmonar causada polo virus. Fonte: CIBER-BBN

O uso de técnicas de intelixencia artificial para caracterizar automaticamente os diferentes tipos de lesión pulmonar da pneumonía por covid-19 a partir de imaxes de TAC permite un mellor manexo dos pacientes. Isto permite predicir a necesidade de ventilación mecánica, o ingreso en UCI e mesmo a mortalidade dos mesmos. Así o demostra un traballo multicéntrico liderado por un equipo da área de Bioenxeñería, Biomateriais e Nanomedicina do CIBER (CIBER-BBN) e a Universidade Politécnica de Madrid (UPM) que publica a revista Scientific Reports.

As enfermidades respiratorias graves, que poden ter un desenlace fatal, afectan a entre un 17% e un 29% dos pacientes hospitalizados por covid. Por iso, a predición e cuantificación da gravidade desta afección pulmonar gañou especial interese durante a pandemia. Neste camiño, o obxectivo principal desta investigación centrouse en desenvolver e avaliar un sistema de intelixencia artificial baseado en deep learning (aprendizaxe profunda) capaz de identificar automaticamente, a partir dun TAC, os patróns de pneumonía causada polo virus SARS-CoV-2, avaliar a gravidade e predicir a súa evolución clínica.

O traballo multicéntrico está liderado por un equipo da área de Bioenxeñería, Biomateriais e Nanomedicina do CIBER (CIBER-BBN) e a Universidade Politécnica de Madrid (UPM). Fonte: CIBER-BBN
A través do uso de intelixencia artificial os investigadores conseguiron caracterizar automaticamente os distintos tipos de lesión pulmonar causada pola covid. Fonte: CIBER-BBN

Para a validación deste sistema, incluíronse datos dun total de 103 pacientes con covid ingresados en catro hospitais españois (o Hospital Universitario La Paz, o Hospital Universitario Fundación Jiménez Díaz, a Clínica Universidad de Navarra e o Hospital Clínic de Barcelona) entre marzo e xullo de 2020. A todos eles realizóuselles un TAC sen contraste para valorar a afectación pulmonar. Deles, 21 ingresaron en UCI, 13 requiriron ventilación mecánica e 9 faleceron.

Os subtipos de lesións pulmonares

Os investigadores David Bermejo-Peláez e María J. Ledesma-Carbayo foron os coordinadores do traballo. Fonte: CIBER-BBN
Os investigadores David Bermejo-Peláez e María J. Ledesma-Carbayo foron os coordinadores do traballo. Fonte: CIBER-BBN

Desde o comezo da pandemia, publicáronse diversos algoritmos que identifican con éxito os pacientes con covid-19 ou cualifican automaticamente a gravidade da enfermidade en función dos resultados dun TAC. Con todo, a pesar dos avances significativos en intelixencia artificial para o diagnóstico de datos en covid-19, prestouse pouca atención á identificación automática dos diferentes tipos de lesións pulmonares que provoca a covid-19. “As lesións do tecido pulmonar cambian durante a progresión e recuperación da pneumonía por covid-19 e, por tanto, a cuantificación e caracterización automáticas dos subtipos de lesións baseadas na aprendizaxe profunda poden mellorar a clasificación e o manexo dos pacientes”, explica María J. Ledesma-Carbayo, investigadora do CIBER-BBN e a Universidade Politécnica de Madrid e unha das coordinadoras deste traballo.

Por iso, detalla David Bermejo-Peláez, tamén investigador de CIBER-BBN e UPM e primeiro asinante deste traballo, deseñaron especificamente un algoritmo de aprendizaxe profunda para a identificación automática dos diferentes patróns radiolóxicos compatibles con covid-19 e a cuantificación do grao de afectación pulmonar a partir das imaxes de TAC. “Os achados no pulmón visibles nun TAC de pacientes infectados son un dos primeiros indicadores de enfermidade e, por tanto, a cuantificación de cada subtipo de lesión pode xogar un papel importante no manexo destes pacientes”, engade o investigador.

“Tamén estamos a cuantificar coas mesmas técnicas pacientes graves para analizar a covid persistente pulmonar”

DAVID BERMEJO PELÁEZ, investigador de CIBER-BBN e UPM

O resultado desta proposta comparouse coa valoración de radiólogos a partir dos datos obtidos da radiómica de pulmón completo e cos resultados da evolución clínica do paciente. “O uso deste sistema de intelixencia artificial supera os modelos radiómicos de pulmón completo e á puntuación dos radiólogos para predicir os resultados de mortalidade, ingreso en UCI ou necesidade de ventilación mecánica”, apunta David Bermejo. “Estudos adicionais que utilicen a nosa metodoloxía poderían permitir unha comprensión obxectiva e cuantitativa da progresión da enfermidade e a súa resposta aos tratamentos, e ser útiles tamén para a avaliación obxectiva da eficacia de fármacos en ensaios clínicos”, explican os investigadores. “Tamén estamos a cuantificar coas mesmas técnicas pacientes graves para analizar a covid persistente pulmonar”, adiantan.

Neste estudo participaron tamén investigadores do CIBER de Enfermidades Respiratorias (CIBERES), do Hospital Universitario La Paz, o Hospital Universitario Fundación Jiménez Díaz, a Clínica Universidad de Navarra, o Hospital Clínic de Barcelona, a empresa Spotlab e o Applied Chest Imaging Laboratory do Brigham and Women’s Hospital (Boston).


Referencia: Deep learning-based lesion subtyping and prediction of clinical outcomes in COVID-19 pneumonia using chest CT (Publicado en Scientific Reports)

DEIXAR UNHA RESPOSTA

Please enter your comment!
POLÍTICA DE COMENTARIOS:

GCiencia non publicará comentarios ofensivos, que non sexan respectuosos ou que conteñan expresións discriminatorias, difamatorias ou contrarias á lexislación vixente.

GCiencia no publicará comentarios ofensivos, que no sean respetuosos o que contentan expresiones discriminatorias, difamatorias o contrarias a la ley existente.

Please enter your name here

Este sitio emprega Akismet para reducir o spam. Aprende como se procesan os datos dos teus comentarios.