Modelo de IA detecta diabetes mediante radiografías de tórax

Las pautas actuales recomiendan evaluar a las personas de entre 35 y 70 años con sobrepeso u obesidad, según lo indica su Índice de Masa Corporal (IMC), para detectar diabetes tipo 2. No obstante, numerosos estudios indican que este método no logra identificar un número significativo de casos, especialmente entre las minorías raciales y étnicas para quienes el IMC es un indicador menos confiable del riesgo de diabetes. Los pacientes con diabetes no diagnosticada tienen un riesgo mucho mayor de desarrollar complicaciones, incluido el daño irreversible de los órganos e incluso la muerte. Ahora, un nuevo modelo de inteligencia artificial (IA) ha demostrado que las imágenes de rayos X tomadas durante la atención médica de rutina pueden revelar signos de diabetes en personas que no cumplen con los criterios de mayor riesgo. Esto podría ayudar a los médicos a detectar la enfermedad antes, previniendo complicaciones.

Utilizando el aprendizaje profundo en imágenes y datos de registros de salud electrónicos, un equipo multiinstitucional desarrolló un modelo que marcó con éxito un riesgo de diabetes elevado en un análisis retrospectivo, a menudo años antes de que se diagnosticara la enfermedad. El modelo de IA se entrenó en más de 270.000 imágenes de rayos X de alrededor de 160.000 pacientes, y el aprendizaje profundo identificó las características de la imagen que mejor predijeron un futuro diagnóstico de diabetes. Dado que las radiografías de tórax no suelen utilizarse para la detección de la diabetes, los investigadores utilizaron técnicas de IA explicables para comprender el razonamiento detrás de las predicciones del modelo. Los métodos identificaron la ubicación del tejido graso como crucial para determinar el riesgo, lo que se alinea con investigaciones médicas recientes que relacionan la grasa visceral en la parte superior del cuerpo y el abdomen con la diabetes tipo 2, la resistencia a la insulina, la hipertensión y otras afecciones.

Debido a la naturaleza innovadora del enfoque y sus notables resultados, el equipo inicial reclutó a investigadores de la Universidad de Emory (Atlanta, GA, EUA) para validar externamente el modelo. Cuando se aplicó a un grupo independiente de casi 10.000 pacientes, el modelo superó a un modelo básico basado en datos clínicos sin imágenes en la predicción del riesgo de diabetes. En ciertos casos, la radiografía de tórax señaló un alto riesgo de diabetes hasta tres años antes de un eventual diagnóstico. El modelo también proporciona una puntuación de riesgo numérica que podría ayudar a los médicos a personalizar los planes de tratamiento para los pacientes.

Anualmente, se toman millones de radiografías de tórax debido a dolor en el pecho, dificultad para respirar, lesión o como procedimiento prequirúrgico. Si bien los radiólogos no buscan específicamente la diabetes cuando examinan estas radiografías, dichas imágenes se convierte en parte de la história médica del paciente y podrían analizarse más adelante para detectar diabetes u otras afecciones. Los investigadores ahora planean validar aún más el modelo e integrarlo en los sistemas de registros de salud electrónicos para alertar a los médicos para que realicen pruebas de detección de diabetes tradicionales para pacientes identificados como de alto riesgo según los hallazgos en las radiografías. Su próximo enfoque será investigar la eficacia de las radiografías de tórax para diagnosticar otras afecciones, como enfermedades vasculares, insuficiencia cardíaca congestiva y enfermedad pulmonar obstructiva crónica.

“Las radiografías de tórax brindan una alternativa 'oportunista' a las pruebas universales de diabetes”, dijo Judy Wawira Gichoya, MD, profesora asistente de radiología y ciencias de la imagen e investigadora principal de Emory. "Esta es una aplicación potencial emocionante de la IA para extraer datos de las pruebas utilizadas por otras razones y tener un impacto positivo en la atención del paciente".

Enlaces relacionados:
Universidad Emory

Visitar la expo >

Miembro Oro

Solid State Kv/Dose Multi-Sensor

AGMS-DM+

New

Mobile Digital C-arm X-Ray System

HHMC-200D

New

Breast Imaging Workstation

SecurView

Computed Tomography (CT) Scanner

Aquilion Serve SP