Messi, Autismo y Alteraciones en el Cerebelo
03/12/2022
Liderazgo: Habilidades y Competencias a Desarrollar
24/12/2022Introducción
La tecnología ha evolucionado de tal manera, que hoy podemos usar la Inteligencia Artificial para predecir el Cáncer.
La Inteligencia Artificial potencia las capacidades de médicos y equipos de salud, para predecir el cáncer y ofrecer a sus pacientes tratamientos basados en sus necesidades individuales, lo que conocemos como medicina personalizada.
El uso de la IA en el cuidado de la salud está aumentando de manera vertiginosa.
La inteligencia artificial en el mercado de la medicina se valoró en USD 4.490,3 millones en 2020 y se espera que alcance los USD 34.882,58 millones para 2026.
Puede Interesarle: Big Data en la Gestión de Servicios de Salud
Hay muchas maneras en que la IA se puede aplicar al diagnóstico y tratamiento del cáncer:
Por ejemplo, algoritmos de aprendizaje profundo (Deep Learning) se pueden usar para analizar imágenes de mamografías o tomografías computarizadas, para detectar cánceres que, de otro modo, los humanos pasarían por alto.
Estos algoritmos también pueden predecir la probabilidad de que alguien desarrolle cáncer en el futuro en función de su perfil genético.
La IA ya se ha utilizado con éxito en el diagnóstico de varios tipos de cáncer de piel con altas tasas de precisión.
Un equipo de investigadores de la Facultad de Medicina de la Universidad de Pittsburgh en Pensilvania utilizó IA para predecir el cáncer mediante la aplicación de algoritmos de diagnóstico a grandes bases de datos. Por ejemplo, pudieron predecir el cáncer de próstata con un 97% de precisión utilizando datos de resonancias magnéticas y niveles de antígeno prostático específico.
Repositorio Internacional de Datos Clínicos e Información Genética OMOP – CDM e Inteligencia Artificial para Predecir el Cáncer.
OMOP_CDM (Observational Medical Outcomes Partnership)-(Commun Data Model), es un repositorio de datos demográficos, clínicos y genéticos, que consolida información de múltiples centros de atención e investigación en medicina, y que presenta resultados de relevancia. Actualmente es uno de los modelos de referencia en la práctica clínica.
El modelo define la estructura para representar el vocabulario clínico del sistema y actúa como una red semántica, que contiene todos los conceptos y sus relaciones (jerárquicas, sinónimos, atributos…etc.)
En sus tablas, incluye todos los datos observacionales que son relevantes para la identificación de la información demográfica, intervenciones de salud y resultados de pruebas en distintos dominios clínicos.
En este repositorio se han desarrollado herramientas capaces de analizar y transformar diversas fuentes de datos en el ámbito clínico. Además, OMOP establece un recurso común y abierto para la investigación científica.
Entre sus elementos de software, OMOP CDM incorpora herramientas para la predicción del cáncer. Utiliza el aprendizaje automático como herramienta de Inteligencia Artificial para predecir el Cáncer o la probabilidad de que un paciente desarrolle cáncer en el futuro.
Como funciona?
Para ejemplificar una de las modalidades de uso del repositorio de datos, aplicados al cáncer, podemos decir que este repositorio se basa en dos conjuntos de datos:
1) El primer conjunto de datos, es un conjunto de medidas moleculares obtenidas de pacientes a los que ya se les ha diagnosticado cáncer y
2) El segundo conjunto de datos es un conjunto de medidas moleculares obtenidas de pacientes a los que no se les ha diagnosticado cáncer.
Algoritmos de aprendizaje automático se usan para aprender patrones en ambos conjuntos de datos y luego predecir si un paciente nuevo tiene cáncer o no, en función de los patrones aprendidos.
El CDM de OMOP se utiliza en diferentes proyectos de investigación, incluidos aquellos que intentan determinar qué tipos de tratamientos contra el cáncer son más efectivos para pacientes individuales.
El CDM de OMOP también se puede utilizar para averiguar si un tratamiento en particular funcionará antes de que se haya probado en humanos.
OMOP CDM fue desarrollado por investigadores de la Universidad de Oxford, el Imperial College de Londres, y Otras Universidades de Europa y Australia
A continuación presento el resumen de una publicación científica reciente, en que se buscó determinar las formas en que el repositorio de datos clínicos y genómicos OMOP-CDM ha sido aprovechado para desarrollar modelos de predicción del Cáncer con herramientas de inteligencia artificial
Título Original
“OMOP CDM Can Facilitate Data-Driven Studies for Cancer Prediction: A Systematic Review”
Título en Español
” El Repositorio de Datos Clínicos OMOP CDM puede facilitar estudios basados en datos para la predicción de cáncer: una revisión sistemática”
DOI:
https://doi.org/10.3390/ijms231911834
Fecha de Publicación:
2022/10/05
Revista – Pagina Web
International Journal of Molecular Science. 2022, 23, 11834
Importancia
La estandarización, homogeneización e interoperabilidad de datos clínicos y de investigación científica puede resolver y aclarar la forma en que la inteligencia artificial, el Big Data y la ciencia de datos puede beneficiar a pacientes y comunidades.
Los repositorios de Datos Clínicos estandarizados facilitan el acceso a datos relevantes, que permiten la realización de estudios multicéntricos, basados en múltiples bases de datos, para mejorar el poder estadístico mediante el análisis de grandes y diversos tamaños muestrales y poblacionales, y transferir resultados entre poblaciones.
Con los avances recientes en el campo de la informática médica, se conocen y utilizan muchos modelos computacionales con algoritmos predictivos en el campo de la oncología, que se beneficia en gran medida del uso de estos repositorios de datos, donde la recopilación y estandarización de datos permite descubrir información desconocida sobre la causa y el curso de ciertos tipos de cáncer.
Objetivo
El objetivo de este estudio fue evaluar la aplicabilidad y potencialidad del uso de repositorios masivos de datos para la predicción del cáncer, mediante una revisión sistemática de investigaciones que hayan utilizado modelos predictivos de inteligencia artificial, aplicados a un repositorio internacional de datos clínicos estandarizados como el OMOP-CDM, y evaluar en qué medida la estandarización del vocabulario genómico del repositorio OMOP puede satisfacer las necesidades actuales de las predicciones de cáncer basadas en modelos de Machine Learning.
Fuente del Dato
Búsqueda bibliográfica sistemática de artículos publicados entre 2016 y 2021 en las bases de datos más relevantes del dominio, a saber, PubMed, BMC, JAMA, Journal of Bioinformatics, PLOS ONE, Hindawi, BMC Medical Informatics and Decision Making, Elsevier, Sage, Springer, Science Direct, Nature e IEEE
Selección de Estudios
Se realizó la búsqueda en abril de 2022, se seleccionaron artículos de investigación revisados por pares, en inglés, con acceso abierto, relacionados a análisis de datos sobre el cáncer, que mencionaran términos como OMOP u OHDSI, y cuyo enfoque predictivo utilizaba el CDM de OMOP como modelo de datos.
Extracción y Análisis de Datos
Dos autores realizaron de forma independiente una selección de títulos y resúmenes, y discutieron los conflictos. Ambos autores realizaron una revisión de texto completo de los artículos y resolvieron los conflictos después de la discusión.
Principales medidas y Desenlaces
En el análisis realizado, se tabularon datos relacionados con el uso del repositorio CDM-OMOP como repositorio de datos de investigaciones, los métodos predictivos utilizados y la terminología utilizada.
Resultados:
La búsqueda resultó en 248 artículos. Luego de la Selección y descarte se escogieron 29 artículos para lectura de texto completo, de los cuales 15 se centraron en la IA y el cáncer pero sin usar el repositorio de datos OMOP, sólo cínco coincidieron con el objetivo de la investigación (predicción de cáncer con el uso de IA). Los nueve artículos restantes contenían estudios de cáncer en datos basados en el repositorio de OMOP pero no utilizaban modelos predictivos de IA
Los cínco estudios seleccionados son:
1. Felmeister et al. 2017
1000 pacientes en el dataset con Diagnósticos de Tumores cerebrales pediátricos raros – enfoque exploratorio de datos para descubrir el fenotipo de pacientes con el diagnóstico, para estimaciones de supervivencia basadas en la población.
- El estudio concluye que los repositorios de datos observacionales basados en la captura de datos clínicos en la historia clínica electrónica (HCE) han producido importantes oportunidades de aprendizaje en muchas áreas de la medicina. Estos grandes recursos de datos pueden abarcar múltiples sistemas hospitalarios y emplear semánticas, ontologías y modelos de datos comunes para encontrar problemas críticos de seguridad para los pacientes y han estimulado la investigación observacional y el apoyo a la toma de decisiones clínicas. En la era de la medicina de precisión también existe una mayor necesidad de obtener datos genómicos y clínicos para descubrir nuevos tratamientos para las enfermedades más mortales
- Referencia del Artículo:
A. S. Felmeister et al., “Preliminary exploratory data analysis of simulated national clinical data research network for future use in annotation of a rare tumor biobanking initiative,” 2017 IEEE International Conference on Bioinformatics and Biomedicine (BIBM), 2017, pp. 2098-2104, doi: 10.1109/BIBM.2017.8217983.
2. Meystre et al. 2019
229 pacientes en el dataset: Mediante procesamiento de lenguaje natural el modelo de IA analiza la historia clínica electrónica de 229 pacientes y selecciona los pacientes aptos para participar en un estudio de cancer de mama con una precisión del 89,7 %.
- Concluye que El procesamiento del lenguaje natural, se puede utilizar para extraer criterios de elegibilidad desde las notas clínicas de la Historia Clínica Electrónica y facilita el descubrimiento automático de pacientes posiblemente elegibles para un ensayo clínico con buena precisión, lo que podría aprovecharse para reducir la carga de trabajo de los colaboradores que examinan a los pacientes para los ensayos.
- Referencia del Artículo:
Meystre SM, Heider PM, Kim Y, Aruch DB, Britten CD. Automatic trial eligibility surveillance based on unstructured clinical data. Int J Med Inform. 2019 Sep;129:13-19. doi: 10.1016/j.ijmedinf.2019.05.018. Epub 2019 May 23. PMID: 31445247; PMCID: PMC6717538.
3. Seneviratne et al. 2018
5861 pacientes en el dataset: Modelo de clasificación en una cohorte con cáncer de próstata. Los algoritmos clasifican el cáncer metastásico de los casos no metastásicos según la etapa del cáncer, a partir de las notas medicas. El estudio demuestra la identificación de pacientes con cáncer de próstata metastásico en una cohorte de 5861 pacientes utilizando un clasificador “Random Forest” con una precisión del 90%.
- Concluye que Modelos de IA como el “Rambon forest” logran una precisión de 90% para identificar pacientes con enfermedad metastásica utilizando datos clínicos dentro de los 12 meses posteriores al diagnóstico.
- Referencia del Artículo:
Seneviratne MG, Banda JM, Brooks JD, Shah NH, Hernandez-Boussard TM. Identifying Cases of Metastatic Prostate Cancer Using Machine Learning on Electronic Health Records. AMIA Annu Symp Proc. 2018 Dec 5;2018:1498-1504. PMID: 30815195; PMCID: PMC6371284.
4. Tsopra et al. 2021
sin registro de cantidad de pacientes: validación de algoritmos de IA con datos ómicos y clínicos para la predicción de la respuesta al tratamiento en el cáncer de mama triple negativo (TNBC)
- Concluye que para la implementación segura de IA en entornos clínicos, en el contexto de la oncología de precisión y la atención personalizada, debe realizarse una evaluación robusta, imparcial y transparente de los objetivos y alcance de la implementación.
- Referencia del Artículo:
Tsopra R, Fernandez X, Luchinat C, Alberghina L, Lehrach H, Vanoni M, Dreher F, Sezerman OU, Cuggia M, de Tayrac M, Miklasevics E, Itu LM, Geanta M, Ogilvie L, Godey F, Boldisor CN, Campillo-Gimenez B, Cioroboiu C, Ciusdel CF, Coman S, Hijano Cubelos O, Itu A, Lange B, Le Gallo M, Lespagnol A, Mauri G, Soykam HO, Rance B, Turano P, Tenori L, Vignoli A, Wierling C, Benhabiles N, Burgun A. A framework for validating AI in precision medicine: considerations from the European ITFoC consortium. BMC Med Inform Decis Mak. 2021 Oct 2;21(1):274. doi: 10.1186/s12911-021-01634-3. PMID: 34600518; PMCID: PMC8487519.
5. Lee et al. 2021
207.794 pacientes en el dataset: estudio retrospectivo de datos obtenidos de siete hospitales en Corea que adoptaron el CDM de OMOP como depósito principal de datos de investigación. El estudio tiene como objetivo encontrar la asociación de los inhibidores de la enzima convertidora de angiotensina (iECA) y los Bloqueadores del receptor de angiotensina (BRA) con el desarrollo de cáncer de pulmón.
- El estudio concluye: Los pacientes a los que se les prescribió ACEi (inhibidores de enzima convertidora de Angiotensina) no mostraron diferencias en la incidencia de desarrollo de cáncer de pulmón en comparación con los que usaron ARB. Este hallazgo proporciona evidencia sobre la asociación entre ACEi y la aparición de cáncer de pulmón.
- Referencia del Artículo:
Lee SH, Chun KJ, Park J, Kim J, Sung JD, Park RW, Choi J, Yang K. Angiotensin converting enzyme inhibitors and incidence of lung cancer in a population based cohort of common data model in Korea. Sci Rep. 2021 Sep 17;11(1):18576. doi: 10.1038/s41598-021-97989-8. PMID: 34535723; PMCID: PMC8448874.
Conclusiones
La implementación de estándares y marcos de referencia para el intercambio de datos clínicos es un paso fundamental para el avance de la medicina genómica y en la medicina predictiva.
En particular, el repositorio CDM de OMOP como repositorio de datos clínicos y genómicos, tiene el potencial de permitir análisis colaborativos internacionales, y es un componente relevante para el desarrollo de la medicina de precisión en cáncer.
Un uso amplio y un desarrollo continuo de estándares, especialmente en el campo de la investigación oncológica, es esencial para aprovechar al máximo los beneficios de la armonización de datos entre diferentes entidades que atienden pacientes con cáncer.
El uso de enfoques basados en Inteligencia Artificial para predecir el Cáncer, ha demostrado ser eficiente en la identificación/clasificación de pacientes con ciertas características y ha llevado a una mejora en el proceso de identificación de cohortes para ensayos clínicos y otras investigaciones observacionales.
Diagnósticos en que Aplica el estudio:
Cáncer Tumores [neoplasias] (C00-D48)
Área de conocimiento:
Medicina – Cáncer
Palabras Clave
Inteligencia Artificial para Predecir el Cáncer – predicción, Inteligencia Artificial – Medicina de Precisión – Datamining – Data Science – Analítica – datacenter – CDM – OMOP
Te interesó este contenido? Inteligencia Artificial para predecir el Cáncer.
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.
