Liderazgo: Habilidades y Competencias a Desarrollar
24/12/2022
Evaluación de la calidad de Artículos sobre uso de Inteligencia Artificial para el Diagnóstico de patologías de Columna Vertebral y Osteoporosis
21/02/2023Evaluación del rendimiento predictivo de los modelos actuales de predicción del riesgo de cáncer de mama basados en el aprendizaje automático: revisión sistemática
En este post te presento el resumen de una revisión sistemática publicada en diciembre de 2022, que evaluó el rendimiento y la aplicabilidad clínica de los modelos de predicción del riesgo de cáncer de mama, basados en el aprendizaje automático (Machine Learning).
La revisión incluyó 8 estudios con 10 conjuntos de datos publicados hasta junio de 2021.
Los modelos de Machine Learning más comúnmente utilizados en estos estudios fueron las redes neuronales.
El rendimiento general de los modelos de aprendizaje automático, medido por el área bajo la curva (AUC), fue de 0,73, con un alto nivel de heterogeneidad entre los estudios.
La revisión también encontró que los modelos de Machine Learning tienen una ventaja ligeramente mayor para predecir el Cáncer de mama que los modelos tradicionales de tamizaje basados en factores de riesgo.
El análisis mostró que la incorporación de características como la visión por computadora para leer imágenes diagnósticas como la mamografía o ecografía mamaria, resultó en una precisión más alta de la predicción.
Objetivo:
La revisión sistemática y metanálisis tuvo como objetivo evaluar el rendimiento y la viabilidad clínica de los modelos de predicción del riesgo de cáncer de mama basados en Machine Learning.
Introducción
El cáncer de mama es el tipo de cáncer más común entre las mujeres y tiene una alta tasa de incidencia y mortalidad. Dicha mortalidad se puede reducir en gran medida mediante la detección temprana y el acceso a tratamientos efectivos y oportunos
Las estrategias de predicción y detección del cáncer de mama basadas en machine learning, pueden ser más eficaces y eficientes que los métodos de detección tradicionales y permiten una evaluación precisa del riesgo.
Los modelos tradicionales basados en factores de riesgo, como los modelos Gail, BRCAPRO, Breast Cancer Surveillance Consortium, Claus y Tyrer-Cuzick, tienen una precisión de discriminación baja y pueden mostrar sesgos cuando se aplican a poblaciones minoritarias.
Modelos Tradicionales de Predicción:
A continuación y con el fin de dar contexto, comparto un breve resumen de los Modelos de detección y predicción del Cáncer de Mama previos al Machine Learning:
Modelo de Gail:
Esta es una herramienta de evaluación del riesgo de cáncer de mama que utiliza información sobre la edad, la raza, los antecedentes familiares y ciertas afecciones mamarias benignas de una mujer, para estimar el riesgo de desarrollar cáncer de mama invasivo.
Es un modelo estadístico que utiliza una fórmula para calcular el riesgo de cáncer de mama en función de ciertos factores de riesgo.
BRCAPRO:
Esta es otra herramienta de evaluación del riesgo de cáncer de mama que utiliza información sobre la edad, la raza, los antecedentes familiares y ciertas afecciones mamarias benignas de la mujer, para estimar el riesgo de desarrollar cáncer de mama. Es un modelo estadístico que utiliza una fórmula para calcular el riesgo de cáncer de mama en función de ciertos factores.
Modelo del Consorcio de Vigilancia del Cáncer de Mama (BCSC):
Esta es una herramienta de evaluación del riesgo de cáncer de mama desarrollada por el BCSC, una red de programas de detección de cáncer de mama en los Estados Unidos.
Utiliza información sobre la edad, la raza, los antecedentes familiares y ciertas afecciones mamarias benignas de la mujer para estimar el riesgo de desarrollar cáncer de mama.
Modelo de Claus:
Esta es una herramienta de evaluación del riesgo de cáncer de mama desarrollada por Claus et al. Utiliza información sobre la edad, la raza, los antecedentes familiares y ciertas afecciones mamarias benignas de la mujer para estimar el riesgo de desarrollar cáncer de mama. Es un modelo estadístico que utiliza una fórmula para calcular el riesgo de cáncer de mama en función de ciertos factores.
Modelo Tyrer-Cuzick:
Esta es una herramienta de evaluación del riesgo de cáncer de mama desarrollada por Tyrer y Cuzick. Utiliza información sobre la edad, la raza, los antecedentes familiares y ciertas afecciones mamarias benignas de la mujer para estimar el riesgo de desarrollar cáncer de mama. Es un modelo estadístico que utiliza una fórmula para calcular el riesgo de cáncer de mama en función de ciertos factores.
Los algoritmos de aprendizaje automático ofrecen un enfoque alternativo a los modelos de predicción tradicionales, y pueden mejorar la precisión de la predicción del riesgo de cáncer de mama.
El propósito de esta revisión es evaluar el rendimiento y la viabilidad clínica de los modelos de predicción del riesgo de cáncer de mama basados en el aprendizaje automático actualmente disponibles.
Método
La revisión incluyó artículos publicados en inglés en PubMed, Embase y Web of Science hasta junio de 2021.
Criterios de inclusión:
Estudios que describieran el desarrollo o la validación de modelos para predecir el riesgo futuro de cáncer de mama mediante un algoritmo de aprendizaje automático, tuvieran un período de seguimiento de más de un año, y una evaluación del riesgo futuro de cáncer de mama como resultado.
Criterios de exclusión:
Artículos de revisión, artículos de congresos, editoriales, solo resúmenes, artículos con información incompleta y artículos sin información sobre el área bajo la curva (AUC) o la estadística C y su intervalo de confianza del 95%, datos sobre el primer autor, año de publicación, diseño del estudio.
De los estudios incluidos se recopilaron la población de estudio, el tamaño de la muestra, el período de estudio, la edad de los participantes, el punto temporal para la predicción del riesgo de cáncer de mama, el modelo de predicción del riesgo, los factores de riesgo de entrada, los métodos de desarrollo y verificación y el AUC con su intervalo de confianza del 95 %.
Se utilizó la herramienta de evaluación del riesgo de sesgo del modelo de predicción para evaluar el riesgo de sesgo y la aplicabilidad clínica de los estudios.
El valor de discriminación de los modelos de predicción de riesgo se evaluó mediante el AUC, y el AUC agrupado se calculó mediante el modelo de efectos aleatorios de DerSimonian y Laird. También se realizaron análisis de sensibilidad y pruebas de sesgo de publicación.
Todos los análisis estadísticos se realizaron utilizando el software MedCalc. los métodos de desarrollo y verificación, y el AUC con su intervalo de confianza del 95% se recopilaron de los estudios incluidos.
Resultados
La revisión incluyó 8 estudios con 10 conjuntos de datos, que incluyeron un total de 218.100 pacientes.
La mayoría de los estudios incluidos procedían de los Estados Unidos y Europa, y la mayoría predijo el riesgo de cáncer de mama a corto plazo (cinco años o menos).
Las redes neuronales fueron el método de aprendizaje automático más comúnmente utilizado en los estudios.
El área bajo la curva (AUC) agrupada para los modelos basados en aprendizaje automático fue de 0,73, con un alto nivel de heterogeneidad entre los estudios, esto permite inferir que la precisión de los modelos de predicción fue del 73%.
Una comparación directa del rendimiento de los modelos de aprendizaje automático y los modelos tradicionales basados en factores de riesgo encontró que la precisión en la predicción para los modelos de aprendizaje automático es ligeramente más alto.
El análisis de subgrupos encontró que el AUC fue mayor para los modelos que incorporaron características de imágenes que para aquellos que no lo hicieron.
La precisión para los modelos basados en redes neuronales también fue mayor que para los modelos no basados en redes neuronales.
El riesgo de sesgo fue alto para la mayoría de los estudios incluidos y el análisis de calibración se informó de manera deficiente.
Discusión y conclusiones
Los estudios fueron principalmente de América y Europa, con uno de Taiwán. La mayoría de los modelos de predicción de aprendizaje automático eran modelos de desarrollo, y solo un estudio utilizó tres grupos étnicos diferentes para la validación externa.
El AUC combinado del modelo óptimo de predicción del riesgo de cáncer de mama basado en el aprendizaje automático fue de 0,73 (IC del 95 %: 0,66 a 0,80) con una gran heterogeneidad entre los estudios.
En general, la revisión mostró que los modelos actuales de predicción del riesgo de cáncer de mama basados en el aprendizaje automático tienen algunas dificultades técnicas y su viabilidad clínica y confiabilidad están en evaluación, sin embargo se evidencia una evolución y mejores resultados que con los modelos tradicionales de predicción de cáncer de mama, con mejores resultado para los modelos de Machine learning de tipo Redes Neuronales, y que incorporan algoritmos de visión por computadora de imágenes diagnósticas.
Síntesis en 5 puntos:
1. “¡La predicción del riesgo de cáncer de mama ha dado un gran paso adelante! Una revisión sistemática reciente evaluó el rendimiento de los modelos de #MachineLearning y encontró una ventaja ligeramente mayor en comparación con los modelos tradicionales. #cáncerdemama #predicción”
2. “¿Cómo se está utilizando el #aprendizajeautomático en la lucha contra el #cáncerdemama? Una revisión sistemática publicada recientemente analizó 8 estudios con 10 conjuntos de datos para evaluar la aplicabilidad clínica de los modelos de predicción de riesgo.
3. “Aumentando la precisión en la predicción del riesgo de #cáncerdemama: una revisión sistemática encontró que la incorporación de características como la visión por computadora para leer imágenes diagnósticas en los modelos de riesgo resultó en una precisión más alta de la predicción #MachineLearning #medicina”
4. “La revisión sistemática de los modelos de aprendizaje automático para predecir el riesgo de cáncer de mama reveló un rendimiento general de AUC de 0,73. Los modelos de Machine Learning tienen una ventaja ligeramente mayor para predecir el Cáncer de mama que los modelos tradicionales de tamizaje. #cáncer #AI
5. “La tecnología #IA se utiliza cada vez más en la medicina: Una revisión sistemática publicada recientemente evaluó el rendimiento y aplicabilidad clínica de los modelos de predicción del riesgo de cáncer de mama basados en el aprendizaje automático (Machine Learning). Los resultados son prometedores #cancerdemama #medicine”
Te puede interesar también: Se puede hacer predicción del Cáncer con Inteligencia Artificial?
A continuación te presento el resumen del artículo en un PDF:
reporte_dataset_revsis_IA_prediccion_ca_mamaTitulo Original:
Referencia:
Gao Y, Li S, Jin Y, Zhou L, Sun S, Xu X, Li S, Yang H, Zhang Q, Wang Y
An Assessment of the Predictive Performance of Current Machine Learning–Based Breast Cancer Risk Prediction Models: Systematic Review
JMIR Public Health Surveill 2022;8(12):e35750
URL: https://publichealth.jmir.org/2022/12/e35750
DOI: 10.2196/35750
Fecha de Publicación del Artículo
Jueves, 29 de diciembre de 2022
Doi:
Te interesó este contenido?
Mejorando la Predicción del Riesgo de Cáncer de mama
Déjame tu nombre y correo en el formulario de contacto para notificarte sobre contenido relacionado que publique en este blog.
Accede a otras publicaciones sobre administración en salud y gestión clínica, aquí.
