Cuando un paciente se somete a una operación quirúrgica nunca se sabe a ciencia cierta cómo se van a desarrollar los acontecimientos durante la misma. Hemorragias, infecciones, resistencia de la anestesia o incluso una mayor facilidad de la esperada son algunas de las situaciones que de alguna manera u otra se pueden dar.
En el caso de una operación quirúrgica para extirpar un tumor o tratar una enfermedad, sucede exactamente lo mismo. Para decidir la cantidad de tejido que debe extirparse, los cirujanos deben saber más sobre la enfermedad que van a tratar, incluidos los márgenes del tumor, su estadio y si la lesión es maligna o benigna, determinaciones que a menudo dependen de la recogida, el análisis y el diagnóstico de la enfermedad mientras el paciente está en la mesa de operaciones.
Ahora, un equipo internacional de investigadores ha desarrollado una herramienta de inteligencia artificial que ayuda a realizar diagnósticos en tiempo real durante la cirugía, según publican en la revista 'Nature Biomedical Engineering'.
Cuando los cirujanos envían muestras a un patólogo para que las examine, tanto la rapidez como la precisión son esenciales. El método de referencia actual para examinar tejidos suele llevar demasiado tiempo, y un método más rápido, que consiste en congelar el tejido, puede introducir artefactos que compliquen el diagnóstico.
El nuevo estudio realizado por investigadores del laboratorio Mahmood del Hospital Brigham and Women's, miembro fundador del sistema sanitario Mass General Brigham, en Estados Unidos, y colaboradores de la Universidad del Bósforo, en Turquía, ha desarrollado una forma mejor de hacerlo. El método aprovecha la inteligencia artificial para traducir entre secciones congeladas y el método de referencia, mejorando la calidad de las imágenes para aumentar la precisión de los diagnósticos rápidos.
"Estamos utilizando el poder de la inteligencia artificial para resolver un viejo problema en la intersección de la cirugía y la patología”, explica el autor Faisal Mahmood, de la División de Patología Computacional del BWH. “Hacer un diagnóstico rápido a partir de muestras de tejido congelado es un reto y requiere una formación especializada, pero este tipo de diagnóstico es un paso crítico en el cuidado de los pacientes durante la cirugía”, continua explicando.
El método aprovecha la inteligencia artificial para traducir entre secciones congeladas y el método de referencia, mejorando la calidad de las imágenes para aumentar la precisión de los diagnósticos rápidos
Para realizar diagnósticos definitivos, los patólogos utilizan muestras de tejido fijadas en formol e incluidas en parafina (FFPE); este método preserva el tejido de forma que produce imágenes de alta calidad, pero el proceso es laborioso y suele durar entre 12 y 48 horas.
Para un diagnóstico rápido, los patólogos utilizan un método conocido como criosección, que consiste en congelar rápidamente el tejido, cortar secciones y observar estas finas láminas al microscopio. La criosección lleva minutos en lugar de horas, pero puede distorsionar detalles celulares y comprometer o desgarrar tejidos delicados.
Mahmood y sus coautores desarrollaron un modelo de aprendizaje profundo que puede utilizarse para distinguir entre las secciones congeladas y el tejido FFPE más comúnmente utilizado. En su estudio, el equipo demostró que el método podía utilizarse para subtipificar distintos tipos de cáncer, como el glioma y el cáncer de pulmón no microcítico.
El método de IA no sólo mejoró la calidad de las imágenes, sino también la precisión diagnóstica entre los expertos. El algoritmo también se probó con datos recogidos de forma independiente en Turquía.
EL FUTURO, CON REVISIONES
Los autores señalan que en el futuro deberán realizarse estudios clínicos prospectivos para validar el método de IA y determinar si puede contribuir a la precisión diagnóstica y a la toma de decisiones quirúrgicas en entornos hospitalarios reales.
"Nuestro trabajo demuestra que la IA tiene el potencial de hacer que un diagnóstico crítico y sensible al tiempo sea más fácil y accesible para los patólogos”, explica Mahmood. “Y podría aplicarse a cualquier tipo de cirugía oncológica. Abre muchas posibilidades para mejorar el diagnóstico y la atención al paciente", finaliza.