Riesgo de mortalidad puede ser predicho con una sola radiografía de tórax

Se genera un puntaje de riesgo de CXR de aprendizaje profundo (muy bajo, bajo, moderado, alto y muy alto) en base al análisis de CNN de una radiografía enviada.

Para desarrollar la CNN, los investigadores utilizaron 41.856 radiografías del brazo de radiografía de detección del ensayo de detección de cáncer de próstata, pulmón, colorrectal y ovario (PLCO), una cohorte comunitaria de no fumadores y fumadores asintomáticos inscritos en 10 sitios de los Estados Unidos desde el 8 de noviembre de 1993 hasta el 2 de julio de 2001. Los resultados de la CNN se probaron en otros 10.464 casos del brazo de radiografía de detección del Ensayo de Cribado Nacional del Pulmón (NLST, por sus siglas en inglés), una cohorte comunitaria de fumadores intensos inscritos en 21 sitios de los Estados Unidos desde agosto de 2002 hasta abril de 2004.

Los resultados revelaron una asociación gradual entre la puntuación de riesgo de CXR y la mortalidad. El grupo de muy alto riesgo tuvo una mortalidad por todas las causas del 53% (PLCO) y 33,9% (NLST), en comparación con el grupo de muy bajo riesgo. La asociación fue sólida para el ajuste de los hallazgos de los radiólogos y los factores de riesgo. Se observaron resultados comparables para muerte por cáncer de pulmón, muerte cardiovascular no cancerosa y muerte respiratoria. El estudio fue publicado el 19 de julio de 2019 en la revista JAMA Network Open.

“Recibimos radiografías de tórax para hacer un diagnóstico como neumonía, pero nuestro estudio muestra que también hay información de pronóstico gratuita sobre la salud y la longevidad en las imágenes. Según la imagen de la radiografía de tórax sola, la IA identificó a las personas con un riesgo de muerte de hasta el 53% durante 12 años”, dijo el autor principal, Michael Lu, MD, MPH, del MGH y HMS. “Los puntajes calculados que usan la IA pueden incentivar a las personas de alto riesgo a reducir sus posibilidades de morir con prevención, detección regular y modificación del estilo de vida”.

El aprendizaje profundo es parte de una familia más amplia de métodos de aprendizaje automático de IA, basados en representaciones de datos de aprendizaje, en oposición a los algoritmos específicos de tareas. Involucra algoritmos CNN que usan una cascada de muchas capas de unidades de procesamiento no lineales para la extracción, conversión y transformación de características y cada capa sucesiva usa la salida de la capa anterior como entrada para formar una representación jerárquica.

Enlace relacionado:
Hospital General de Massachusetts
Facultad de Medicina de Harvard