Desarrollan un modelo de IA para el diagnóstico precoz del mieloma en base a datos de analíticas de rutina

×
×
¿Estás seguro que deseas eliminar este contenido de tus favoritos?

image
23 ABR 2021

Desarrollan un modelo de IA para el diagnóstico precoz del mieloma en base a datos de analíticas de rutina

Se ha notificado que el tiempo que transcurre entre la aparición de síntomas relacionados con el mieloma múltiple (MM) y la búsqueda de atención médica oscila entre uno y siete meses. Además, el tiempo entre la consulta médica y el diagnóstico de la enfermedad puede tardar entre dos semanas y 17 meses.
Por otro lado, las técnicas de inteligencia artificial (IA) están revolucionando la medicina, con un especial interés en el ámbito del diagnóstico del cáncer. En este sentido, en términos de resolución de problemas de clasificación y de regresión, el modelo de aprendizaje automático Gradient Boosting Decision Tree (GBDT) se considera una técnica potente que ya ha demostrado su utilidad en diferentes ámbitos.
Recientemente, un equipo de investigadores chinos ha entrenado y puesto a prueba el citado modelo, y lo ha comparado con otros, para construir un sistema de IA capaz de diagnosticar el MM de forma temprana en base a una gran cantidad de datos de análisis clínicos convencionales. Los resultados se publican en la revista Frontiers in Oncology.
 
 
El algoritmo GBDT fue el que ofreció mayor precisión y sensibilidad para el cribado del MM
 
 
Concretamente, el estudio recopiló datos de un total de 4.187 analíticas rutinarias realizadas entre enero de 2010 y enero de 2020. 1.741 de dichos registros correspondían a pacientes con MM y el resto a pacientes con enfermedades infecciosas, reumáticas sistémicas inmunomediadas, hepáticas o renales.
Los autores entrenaron y testaron tanto el GBDT como otros algoritmos (Support Vector Machine: SVV, Deep Neural Networks: DNN, y Random Forest: RF) con el mismo conjunto de datos y usando nueve variables de las analíticas: hemoglobina, creatinina y calcio séricos, inmunoglobulinas A, G y M, albúmina, proteína total y proporción albúmina/globulina.
En general, todos los algoritmos obtuvieron buenos resultados, pero GBDT fue el que ofreció mayor precisión (92,9%) y sensibilidad (90,0%) para el cribado del MM con los datos disponibles. Los autores concluyen que a partir de información de analíticas de rutina, un modelo de IA es capaz de diagnosticar con precisión el MM, lo que podría contribuir a mejorar las tasas de diagnóstico precoz de la enfermedad.
Referencia
Yan W, Shi H, He T, et al. Employment of Artificial Intelligence Based on Routine Laboratory Results for the Early Diagnosis of Multiple Myeloma. Front Oncol. 2021;11:608191. Published 2021 Mar 29. doi:10.3389/fonc.2021.608191
SC-ES-CP-00099
 
 

×
Proceso de indentificación vía OWA
Estamos validando tus datos, en las próximas 48h el equipo de OWA (One Key authentication) se pondrá en conctacto contigo para finalizar el proceso de registro.