CÁNCER DE CABEZA Y CUELLO

Emplean la inteligencia artificial para predecir efectos secundarios de la radicación en cáncer

Los hallazgos se presentaron en la 61ª Reunión Anual de la Sociedad Americana de Oncología Radioterápica (Astro) en Chicago.

Inteligencia artificial (Foto. Pixabay)
Inteligencia artificial (Foto. Pixabay)

time 5 min

25.01.2020 - 00:10

Por primera vez, se ha demostrado que un modelo informático sofisticado predice con precisión dos de los efectos secundarios más desafiantes asociados con la radioterapia para el cáncer de cabeza y cuello. Este enfoque de oncología de precisión tiene el potencial de identificar mejor a los pacientes que podrían beneficiarse de las intervenciones tempranas que pueden ayudar a prevenir una pérdida de peso significativa después del tratamiento o reducir la necesidad de colocar un tubo de alimentación. Los hallazgos han sido presentados en la 61ª Reunión Anual de la Sociedad Americana de Oncología Radioterápica (Astro) en Chicago.

"En el pasado, ha sido difícil predecir qué pacientes podrían experimentar estos efectos secundarios", dijo Jay Reddy, MD, PhD, profesor asistente de oncología de radiación en el MD Anderson Cancer Center de la Universidad de Texas y autor principal del estudio. "Ahora tenemos un modelo de aprendizaje automático confiable, que utiliza un alto volumen de datos institucionales internos, que nos permite hacerlo".

El aprendizaje automático es una rama de la inteligencia artificial que utiliza modelos estadísticos para analizar grandes cantidades de datos, descubriendo patrones que pueden predecir resultados con un alto grado de precisión. Utilizado por la industria de la tecnología para permitir el reconocimiento de voz y facial, el filtrado de "spam" y la publicidad dirigida, el aprendizaje automático ha sido un tema emergente de interés para los investigadores médicos que buscan traducir grandes cantidades de datos en conocimiento que pueda respaldar la toma de decisiones clínicas.

El aprendizaje automático es una rama de la inteligencia artificial que utiliza modelos estadísticos para analizar grandes cantidades de datos

El Dr. Reddy y su equipo desarrollaron modelos para analizar grandes conjuntos de datos fusionados de tres fuentes: registros de salud electrónicos (Epic), una herramienta de gráficos interna basada en la web (Brocade) y el sistema de registro / verificación (Mosaiq). Los datos incluyeron más de 700 variables clínicas y de tratamiento para pacientes con cáncer de cabeza y cuello (75% hombres / 25% mujeres, con una edad promedio de 62 años) que recibieron más de 2,000 cursos de radioterapia (dosis media 60 Gy) en cinco sitios de práctica en MD Anderson de 2016 a 2018.

Los investigadores utilizaron los modelos para predecir tres puntos finales: pérdida de peso significativa, colocación de sondas de alimentación y hospitalizaciones no planificadas. Los resultados del modelo de mejor desempeño fueron luego validados contra 225 tratamientos de radioterapia consecutivos posteriores. Los modelos con una tasa de rendimiento que alcanzó un umbral de área predeterminado bajo la curva (AUC) de 0,70 o superior se consideraron clínicamente válidos. (Una puntuación de AUC de 1.0 significaría que las predicciones del modelo fueron 100% precisas, mientras que una puntuación de 0.0 significaría que las predicciones nunca fueron precisas).

EFECTOS SECUNDARIOS DEL TRATAMIENTO

El cáncer de cabeza y  el de cuello es más frecuente en hombres que en mujeres, y generalmente se diagnostican más tarde en la vida (con una edad promedio de diagnóstico de 62 años). Los cánceres de cabeza y cuello, cuando se diagnostican temprano, generalmente se tratan con radioterapia o cirugía. Los cánceres en etapas posteriores se tratan con una combinación de radioterapia y quimioterapia. Un paciente también puede ser tratado primero con cirugía, seguida de radioterapia sola o con una combinación de radiación y quimioterapia.

La radioterapia es efectiva para tratar el cáncer de cabeza y cuello al desacelerar o detener el crecimiento de nuevas células cancerosas. Sin embargo, también puede dañar el tejido oral y alterar el equilibrio de bacterias en la boca, causando efectos secundarios adversos como dolor de garganta, llagas en la boca, pérdida del gusto y sequedad de boca. Cuando los dolores de garganta son severos, pueden dificultar que el paciente coma y pueden llevar a la pérdida de peso o requerir la inserción temporal de un tubo de alimentación. Casi todos los pacientes con cáncer de cabeza y cuello experimentan algunos efectos negativos del tratamiento.

"Ser capaz de identificar qué pacientes están en mayor riesgo permitiría a los oncólogos radioterapeutas tomar medidas para prevenir o mitigar estos posibles efectos secundarios", dijo el Dr. Reddy. "Si el paciente tiene un riesgo intermedio, y podría someterse a un tratamiento sin necesidad de una sonda de alimentación, podríamos tomar precauciones, como organizarlo con un nutricionista y proporcionarle suplementos nutricionales. Si sabemos que su riesgo de colocar un tubo de alimentación es extremadamente alto, una probabilidad superior al 50% de que lo necesiten, podríamos colocarlo con anticipación para que no tengan que ser ingresados ​​en el hospital después del tratamiento. Sabríamos vigilar más de cerca a ese paciente.

Los modelos predijeron la probabilidad de una pérdida de peso significativa (AUC = 0.751) y la necesidad de colocar un tubo de alimentación (AUC = 0.755) con un alto grado de precisión. "Los modelos utilizados en este estudio fueron consistentemente buenos para predecir esos dos resultados", dijo el Dr. Reddy. "Podría volver a ejecutar esos modelos con un nuevo paciente o una serie de pacientes y obtener un número que indique que este efecto adverso es probable que ocurra o no".

El aprendizaje automático puede hacer que los médicos sean más eficientes y el tratamiento más seguro al reducir el riesgo de error

Por ejemplo, dijo el Dr. Reddy, al usar su modelo, los médicos podrían conectar información relacionada con un paciente específico, como la edad, el género, el tipo de cáncer y otras variables distintas.

El modelo no llegó a predecir hospitalizaciones no planificadas con suficiente validez clínica (AUC = 0,64). Rehacer los análisis con más datos de "entrenamiento" para hospitalizaciones no planificadas también podría mejorar la precisión en la predicción de este efecto secundario, dijo el Dr. Reddy. “A medida que tratamos a más y más pacientes, el tamaño de la muestra aumenta, por lo que cada punto de datos debería mejorar. Es posible que simplemente no hayamos acumulado suficiente información para este aspecto del modelo ".

Si bien el enfoque de aprendizaje automático no puede aislar el factor predictivo más simple o la combinación de factores que conducen a efectos secundarios negativos, puede proporcionar a los pacientes y a sus médicos una mejor comprensión de qué esperar durante el curso del tratamiento, dijo el Dr. Reddy. Además de predecir la probabilidad de efectos secundarios, los modelos de aprendizaje automático podrían predecir qué planes de tratamiento serían más efectivos para diferentes tipos de pacientes y permitir enfoques más personalizados para la oncología de radiación, explicó.

"El aprendizaje automático puede hacer que los médicos sean más eficientes y el tratamiento más seguro al reducir el riesgo de error", dijo el Dr. Reddy. "Tiene el potencial de influir en todos los aspectos de la oncología de radiación hoy en día, cualquier cosa en la que una computadora pueda ver datos y reconocer un patrón".

Porque salud necesitamos todos... ConSalud.es

Escribir un comentario (0)
Esta web utiliza 'cookies' propias y de terceros para ofrecerte una mejor experiencia y servicio. Más información Acepto