Los científicos del Dana-Farber Cancer Institute han demostrado que una herramienta de inteligencia artificial puede funcionar tan bien como los revisores humanos —y mucho más rápidamente— para extraer información clínica sobre cambios en tumores a partir de informes radiológicos no estructurados para pacientes con cáncer de pulmón.

La herramienta de inteligencia artificial funcionó de manera comparable a los "curadores" humanos capacitados en la detección de la presencia de cáncer; y si estaba respondiendo a las intervenciones de tratamiento, estable o empeorando.

El objetivo del estudio, dijo el autor correspondiente Kenneth Kehl, MARYLAND, MPH, un oncólogo médico y miembro de la facultad del Departamento de Ciencias de la Población en Dana-Faber, fue determinar si las herramientas de inteligencia artificial pueden extraer los resultados de cáncer de mayor valor de los informes de radiología, que son una fuente de datos ubicua pero no estructurada.

Kehl señaló que los registros médicos electrónicos ahora recopilan grandes cantidades de información sobre miles de pacientes atendidos en un centro como Dana-Farber. Sin embargo, a menos que los pacientes estén inscritos en ensayos clínicos, información sobre sus resultados, como si sus cánceres crecen o se encogen en respuesta al tratamiento, se registra únicamente en el texto de la historia clínica. Históricamente, esta información no estructurada no es susceptible de análisis computacional y, por lo tanto, no podría usarse para investigar la efectividad del tratamiento.

Debido a estudios como la iniciativa Profile en Dana-Farber / Brigham and Women's Cancer Center, que analiza muestras de tumores de pacientes y crea perfiles que revelan variantes genómicas que pueden predecir la capacidad de respuesta a los tratamientos, Los investigadores de Dana-Farber han acumulado una gran cantidad de información molecular sobre los cánceres de los pacientes. "Pero puede ser difícil aplicar esta información para comprender qué patrones moleculares predicen los beneficios de los tratamientos sin una revisión intensiva de los registros médicos de los pacientes para medir sus resultados. Esta es una barrera fundamental para aprovechar todo el potencial de la medicina de precisión". "dijo Kehl.

Para el estudio actual, Kehl y sus colegas obtuvieron más de 14, 000 informes de imágenes para 1, 112 pacientes y registros revisados ​​manualmente utilizando el marco "PRISSMM". PRISSMM es un estándar de datos fenómicos desarrollado en Dana-Farber que toma datos no estructurados de informes de texto en registros médicos electrónicos y los estructura para que puedan analizarse fácilmente. PRISSMM estructura los datos relacionados con la patología de un paciente, radiología / imagenología, signos / síntomas, marcadores moleculares, y la evaluación de un oncólogo médico para crear un retrato del viaje del paciente con cáncer.

Los revisores humanos analizaron los informes de texto de imágenes y observaron si el cáncer estaba presente y, si es así, si estaba empeorando o mejorando, y si el cáncer se había diseminado a sitios específicos del cuerpo. Estos informes se utilizaron luego para entrenar un modelo computacional de "aprendizaje profundo" para reconocer estos resultados de los informes de texto. "Nuestra hipótesis era que los algoritmos de aprendizaje profundo podrían utilizar informes de texto de radiología generados de forma rutinaria para identificar la presencia de cáncer y los cambios en su extensión a lo largo del tiempo, "escribieron los autores.

Los investigadores compararon las mediciones de resultados en humanos y computadoras de resultados como la supervivencia libre de enfermedad, supervivencia libre de progresión, y tiempo para mejorar o responder, y descubrió que el algoritmo de IA podría replicar la evaluación humana de estos resultados. Los algoritmos de aprendizaje profundo se aplicaron luego para anotar otros 15, 000 informes para 1, 294 pacientes cuyos registros no habían sido revisados ​​manualmente. Los autores encontraron que las mediciones de resultados por computadora entre estos pacientes predijeron la supervivencia con una precisión similar a las evaluaciones humanas entre los pacientes revisados ​​manualmente.

Los curadores humanos pudieron anotar informes de imágenes para aproximadamente tres pacientes por hora, un ritmo al que un curador necesitaría unos seis meses para anotar los casi 30, 000 informes de imágenes para los pacientes de la cohorte. Por el contrario, el modelo de inteligencia artificial que desarrollaron los investigadores podría anotar los informes de imágenes para la cohorte en aproximadamente 10 minutos, los investigadores dijeron en un informe en Oncología JAMA .

"Para crear un verdadero sistema de aprendizaje de la salud para la oncología y para facilitar la entrega de medicina de precisión a escala, Se necesitan métodos para acelerar la curación de los resultados relacionados con el cáncer a partir de los registros médicos electrónicos. ", dijeron los autores de la publicación. Si se aplica ampliamente, los investigadores dijeron, "esta técnica podría acelerar sustancialmente los esfuerzos para utilizar datos del mundo real de todos los pacientes con cáncer para generar evidencia sobre la efectividad de los enfoques de tratamiento". Los próximos pasos incluirán probar este enfoque en datos de HCE de otros centros oncológicos y utilizar los datos para descubrir qué tratamientos funcionan mejor para qué pacientes.