La pandemia por COVID-19 se ha convertido en uno de los mayores retos sanitarios en la historia reciente, habiendo ya infectado a millones de personas y poniendo al límite sistemas sanitarios de todas partes del mundo. El diagnóstico clínico de la enfermedad se realiza tras una prueba RT-PCR (o PCR), que frecuentemente se complementa con una radiografía simple de tórax. Debido a la afectación primaria del sistema respiratorio, la neumonía debido a COVID-19 puede ser observada en radiografías simples de tórax, un método que resulta ser rápido, poco invasivo, de bajo coste y que requiere de una logística muy sencilla para su realización. El análisis combinado pretende reducir el número de falsos negativos de las pruebas (su sensibilidad oscila entre el 70 y el 90%), mejorando el diagnóstico y evaluación de la enfermedad.
A
la vista de lo anterior, y apoyándose en la capacidad que los sistemas basados
en inteligencia artificial poseen para obtener información que incluso está
oculta al ojo humano, investigadores de la Universidad de Antioquia en
Colombia, la Universidad Politécnica de Madrid (UPM) en España, y la
Universidad Johns Hopkins en Estados Unidos, con la coordinación del profesor
Juan I. Godino-Llorente del Laboratorio de Bioingeniería y Optoelectrónica de
la ETSI de Telecomunicación de la UPM, han desarrollado una prueba de concepto
a mediana-gran escala de un sistema computarizado de diagnóstico de COVID-19,
usando imágenes de radiografía simple de tórax.
“Desde
febrero del 2020, la OMS considera la radiografía de tórax criterio diagnóstico
y de evaluación de la infección por COVID-19. Las recomendaciones se basan en
que la neumonía asociada produce sombras en forma de parches blancos en los
pulmones, conocidas como de opacidades de vidrio esmerilado”, explica Jorge
Andrés Gómez, del Laboratorio de Bioingeniería y Optoelectrónica de la ETSI de
Telecomunicación de la UPM y uno de los coautores de este trabajo. “Estos
patrones, sin embargo, a menudo se confunden con otros encontrados en diversas
neumonías víricas y/o bacterianas, lo que dificulta el diagnóstico clínico
mediante imágenes diagnósticas. Además, su análisis tiene un significativo
cuello de botella debido a la necesidad de radiólogos expertos para interpretar
las imágenes, y que en un contexto de presión asistencial alto debido a la
pandemia puede resultar problemático”, asegura el investigador.
Para
resolver este problema y favorecer el uso de la radiografía como elemento
diagnóstico, los investigadores han diseñado un sistema de ayuda a la toma de
decisión basado en redes neuronales y en paradigmas de aprendizaje profundo,
proveyendo un diagnóstico automático, capaz de diferenciar COVID-19 de otras
neumonías y de identificar las regiones afectadas por la enfermedad
eficientemente.
Comparativa
de imágenes entre estado normal (control) en la columna izquierda, neumonía en
la central y COVID-19 en la derecha. (Imágenes: UPM)
“Con
el objetivo de trasladar los resultados a entornos clínicos, no solo se ha
evaluado la capacidad diagnóstica del sistema, sino que además se ha estudiado
el efecto de un conjunto de factores que podrían sesgar las decisiones, como
son la tecnología de la máquina de rayos X, el tipo de proyección de la imagen,
el sexo del paciente, etc.; concluyendo que no hay evidencias claras de sesgo
en el sistema”, explica Gómez.
Mediante
el análisis automatizado de imágenes de radiografía simple de tórax, el sistema
desarrollado proporciona un método objetivo complementario y mínimamente
invasivo para el diagnóstico y la evaluación del grado de afectación.
“Los
resultados arrojan una muy alta especificidad y sensibilidad (por encima del
90%, y comparable a la alcanzada por los expertos en radiología). Por otro
lado, el sistema proporciona resultados en pocos minutos, reduciendo
significativamente el tiempo dedicado por los expertos en radiología a la
evaluación de cada paciente y aportando evidencias con capacidad diagnóstica en
estadios incipientes de la enfermedad (en los cinco primeros días)”, asegura el
investigador de la UPM. “Además, el sistema es fácil de trasladar al entorno
clínico al estar integrado en un servicio disponible en la nube”.
El
trabajo, que abre una nueva vía para el diagnóstico de la enfermedad, ha sido
recientemente publicado en acceso abierto. La referencia es: Julián D.
Arias-Londoño, Jorge A. Gómez-Garcia, L. Moro-Velázquez, Juan I.
Godino-Llorente “Artificial Intelligence applied to chest X-Ray images for the
automatic detection of COVID-19. A thoughtful evaluation approach”, IEEE
Access, 2020. DOI:10.1109/ACCESS.2020.3044858.
No hay comentarios.:
Publicar un comentario