Calculadora de riesgo de cáncer de mama basada en IA podría reducir biopsias innecesarias

El cáncer de mama es un problema de salud importante que afecta a una de cada ocho mujeres durante su vida e incluso a algunos hombres. Las mamografías se han convertido en un procedimiento de detección estándar, recomendado anualmente para mujeres a partir de los 40 años para detectar el cáncer de mama en sus etapas más tempranas. Aunque esto conduce a más biopsias, una proporción sorprendentemente pequeña (menos de dos de cada 10.000 mujeres biopsiadas) resulta positiva. Las consecuencias no son sólo una pérdida de tiempo, recursos y dinero, sino también una ansiedad innecesaria para la paciente. Ahora, los científicos han ideado un modelo más inteligente para evaluar el riesgo de cáncer de mama, con el objetivo de reducir las biopsias innecesarias.

Científicos del Hospital Metodista de Houston (Houston, TX, EUA) han desarrollado una herramienta avanzada de apoyo a la toma de decisiones clínicas, conocida como iBRISK (calculadora inteligente de riesgo de cáncer de mama aumentado), que aprovecha el aprendizaje profundo para proporcionar una evaluación más precisa del riesgo de una mujer a desarrollar cáncer de mama. Esta herramienta se creó aplicando aprendizaje profundo a factores de riesgo clínicos y descriptores mamográficos de casi 10.000 personas, y su eficacia se validó posteriormente en más de 1.000 pacientes adicionales.

Actualmente, los hospitales de EUA dependen del Sistema de Base de Datos e Informes de Imágenes Mamarias (BI-RADS), ideado por el Colegio Americano de Radiología, para medir el riesgo de cáncer de mama y determinar si es necesaria una biopsia. Sin embargo, los científicos del Hospital Metodista de Houston han ido más allá de los datos estándar de BI-RADS al utilizar tecnología de IA y múltiples puntos de datos de pacientes para refinar la evaluación. El sistema iBRISK integra procesamiento de lenguaje natural, análisis de imágenes médicas y aprendizaje profundo con datos multimodales de pacientes BI-RADS para generar una de tres recomendaciones: no se recomienda una biopsia, se considera una biopsia o se recomienda una biopsia. Los investigadores identificaron aproximadamente 100 parámetros para el análisis, como edad, sexo, datos socioeconómicos, historial médico y planes de seguro. Mediante la aplicación de aprendizaje profundo, la herramienta de IA redujo estos puntos de datos a los 20 indicadores de riesgo más esenciales.

En un nuevo estudio, el modelo iBRISK se aplicó a un conjunto independiente de imágenes mamarias de más de 4.200 pacientes, examinadas en tres instituciones diferentes entre 2006 y 2016. El modelo se desarrolló particularmente para evaluar la probabilidad de malignidad de las lesiones de categoría 4 de BI-RADS. Se encontró que la tasa de precisión del modelo era aproximadamente del 89,5 %, con una impresionante especificidad del 81 %. Sólo dos de las 1.228 personas en el grupo de baja probabilidad de malignidad (PM) tenían lesiones malignas, mientras que la alta tasa de malignidad de PM fue del 85,9 %. Los científicos también calcularon la eficacia del  puntaje iBRISK para predecir malignidad, lo que dio como resultado un área bajo la curva característica operativa del receptor de 0,97. El impacto potencial de iBRISK es sustancial. No sólo podría conducir a evaluaciones de riesgo de cáncer de mama más precisas, sino que también podría ahorrar cientos de millones de dólares cada año en una sola institución al eliminar biopsias innecesarias. Al emplear metodologías inteligentes de IA, la herramienta iBRISK representa un avance significativo en la detección del cáncer de mama y demuestra el potencial de mejorar la toma de decisiones médicas, la eficiencia y la atención al paciente.

"Nuestro estudio demuestra que iBRISK puede ayudar eficazmente en la estratificación del riesgo de las lesiones BI-RADS 4 y reducir el exceso de biopsias de estas lesiones", concluyeron los autores. “En última instancia, la calculadora iBRISK se publicará como una interfaz en línea y se hará de acceso abierto, no comercial y accesible para los sistemas y centros de salud de todo el mundo. Los estudios futuros tendrán como objetivo mejorar aún más el modelo, particularmente incluyendo datos más granulares y otras categorías BI-RADS”.

Enlaces relacionados:
Hospital Metodista de Houston  

Visitar la expo >

Miembro Oro

Solid State Kv/Dose Multi-Sensor

AGMS-DM+

New

Enterprise Imaging & Reporting Solution

Syngo Carbon

Color Doppler Ultrasound System

DRE Crystal 4PX

New

Pre-Op Planning Solution

Sectra 3D Trauma