A esclerose múltiple é unha das enfermidades con maior prevalencia en Galicia e cun aumento a nivel mundial. Co fin de predicir a evolución dos pacientes e mellorar a súa calidade de vida, o grupo de Investigación Traslacional en Enfermidades Neurolóxicas (ITEN) do IDIS e o IIS Galicia Sur colaboran nun estudo no cal investigan esta enfermidade mediante intelixencia artificial. Os resultados publícanse na revista científica Plos One.
A través de datos da primeira resonancia magnética de pacientes con EM extraídos do Servizo de Neuroloxía de Hospital Clínico de Santiago de Compostela, o programa emprega intelixencia artificial para predicir a evolución destes doentes a 10 anos dunha maneira moi precisa, cunha certeza de case o 90 %. A investigación analizou en total 446 rexistros de afectados con, polo menos, un ano de seguimento.
Este modelo de aprendizaxe automática predí a progresión da discapacidade en pacientes con EM utilizando datos de resonancia magnética basal ou inicial (MRI) e avaliacións clínicas usando a escala ampliada do estado de discapacidade. Silvia Campanioni, primeira autora do estudo, explica: “O traballo propón novos modelos para describir a evolución dos pacientes con programas de IA que prognostican as súas traxectorias usando estes descritores, e ademais, ofrécenos unha idea de que factores contribúen á devandita progresión, como a idade de debut ou as lesións”.
Deste xeito, a investigación permitirá optimizar a posoloxía dos tratamentos de esclerose múltiple, en canto a dose e duración do tratamento, así como optimizar a súa aplicación en función do perfil de cada doente ou tratamentos.
A idade de debut e as lesións, claves na evolución
En canto aos resultados a destacar, o estudo identificou que a idade de debut é unha das características máis influentes para os modelos regresores desenvoltos. Ademais, o número de lesións cerebrais maiores ou iguais a 9 na resonancia magnética inicial emerxeu como a variable máis influente nas decisións do modelo clasificador.
“O traballo ten un impacto significativo, non só en termos científico-técnicos, senón tamén nun aspecto económico e social, polas súas implicacións na saúde, na calidade de vida e na cooperación ao desenvolvemento”, sinala o investigador do IDIS, Roberto Agís, último autor do proxecto: “Poderiamos obter evidencia obxectiva e indicadores sobre as intervencións de prevención, que axudarán a predicir a eficacia terapéutica dos tratamentos”.
Esclerose e intelixencia artificial
A esclerose múltiple (EM) é unha enfermidade inflamatoria e neurodexenerativa crónica que provoca desmielinización e acumulación de discapacidade a longo prazo. A activación autorreactiva da inmunidade adaptativa ten un papel protagonista na EM. Aínda que se descoñece a causa que desencadea a enfermidade, todo apunta a unha interacción entre xenes e factores de risco ambientais, virais e de estilo de vida. O atlas de EM 2020 amosa que existen ao redor de 3.800 pacientes diagnosticados en Galicia e 55.000 en España, cunha prevalencia do 75% en mulleres e unha idade media de diagnóstico de 32 anos.
Segundo os datos obtidos polo equipo investigador, o estudo con intelixencia artificial (IA) é capaz de proporcionar ferramentas versátiles e poderosas para o tratamento da EM. Segundo César Viega: “As tecnoloxías de IA como a aprendizaxe profunda e á aprendizaxe automática poderían apoiar a integración de factores biolóxicos, psicolóxicos e sociais ao abordar a prevención, o diagnóstico e o tratamento da EM, e incluso de outras enfermidades”.
A toma de decisións terapéuticas na EM segue baseándose na integración das mesmas variables demográficas, clínicas, paraclínicas dos pacientes de hai anos, como as imaxes de resonancia e a presenza de bandas oligoclonais. “Aínda existen moitos desafíos abertos neste ámbito e as melloras proveñen de varias liñas de converxencia, como, por exemplo, a integración de conxuntos de datos que poden mellorar a personalización e a capacidade preditiva dos algoritmos de IA no coidado da saúde”, sinala o líder do grupo ITEN do IDIS, Jose María Prieto.
Referencia: Explainable machine learning on baseline MRI predicts multiple sclerosis trajectory descriptors (Publicado en Plos One)
