La Inteligencia Artificial en la Radioterapia: Un avance prometedor, pero ¿Es fiable al 100%?
El empleo de Inteligencia Artificial (IA) para diseñar planes de tratamiento de radiación para combatir el cáncer de próstata parece ser efectivo, de acuerdo a un estudio comparativo realizado sin revelar la identidad de quien generó los planes. En términos generales, los médicos oncólogos radioterápicos avalaron que la gran mayoría (89 de 100) de los planes generados por Machine Learning (ML) eran clínicamente viables para su utilización, según informan Thomas Purdie, PhD, y su equipo del Centro Oncológico Princess Margaret en Toronto. Este patrón se mantuvo tanto en la fase de simulación (92%) como en la de implementación (86%) de la investigación.
IA vs Humanos en la generación de planes de tratamiento con radiación
Además, al contrastar directamente los planes de tratamiento con radiación generados a través de un algoritmo de ML y los creados por humanos, un significativo 72% de los planes producidos por la IA fueron elegidos sobre los creados por especialistas. “Esto indica el potencial de que ML supere incluso el desempeño humano por la mayor consistencia con la que la IA consolida la opinión de expertos en lugar del criterio aislado de un solo experto,» mencionan en una carta de investigación publicada en Nature Medicine.
Desafíos en la implementación clínica de la IA
Cuando los médicos deben tomar la decisión de aplicar estos planes de tratamiento en los pacientes reales, la cantidad de planes de ML escogidos para su realización disminuyó notablemente (83% en la fase de simulación frente a 61% en la de implementación). “Una vez que se utilizan los tratamientos generados por ML en atención clínica real y los médicos dependen de ellos para decidir sobre sus pacientes, esa preferencia hacia ML puede disminuir,» dijo Purdie en un comunicado de prensa. «Podría haber una desconexión entre lo que sucede en un ambiente de laboratorio y uno clínico.»
El aprendizaje automático muestra potencial para el servicio de salud, su impacto se ha evaluado principalmente en entornos simulados que no se pueden llevar a la práctica clínica del mundo real, señalan Purdie y sus colegas. Por lo tanto, en este estudio se inclinaron por poner en marcha y probar una manera prospectiva un algoritmo para la planeación del tratamiento con radiación terapéutica para pacientes con cáncer de próstata.
Metodología del studio
El estudio se realizó en dos fases. Primeramente, una fase de simulación retrospectiva en la que siete oncólogos radioterapeutas compararon los tratamientos de radiación previamente administrados con los generados por ML en 50 pacientes bajo una revisión anónima. Posteriormente, en la fase de implementación prospectiva, nueve oncólogos radioterapeutas contrastaron los tratamientos de radiación generados por ML y humanos para 50 pacientes bajo revisión anónima. El plan seleccionado (ML o humano) se utilizó para el tratamiento del paciente siguiendo todos los controles de calidad clínicos.
Resultados del estudio
La planificación del tratamiento de radiación utilizando ML redujo en un 60% el tiempo promedio necesario para realizar todo el proceso de planificación, destaca Purdie y su equipo. En general, los médicos oncólogos radioterapeutas seleccionaban el tratamiento de radiación que cumplía de manera más efectiva con las directrices clínicas en el 85% de los casos en la fase de simulación y 72% en la fase de implementación.
“La elección de tratamientos de radiación generados por ML o humanos se atribuyó a nivel individual basándose en el origen percibido (ML o humano) del tratamiento seleccionado, incluso cuando este era cuantitativamente inferior según la revisión de consenso,» escribieron los autores. Como ejemplo, observaron que la mayor parte de la preferencia mostrada por los tratamientos generados por humanos correspondía a dos de los nueve médicos oncólogos radioterapeutas participantes.
El estudio demuestra “que las terapias generadas por ML de forma completamente automatizada son posibles en un ambiente clínico,» escribieron Purdie y sus colegas. “Se necesitan estudios de implementación prospectivos que validen el impacto del ML en entornos clínicos del mundo real para cuantificar el valor de este tipo de métodos y promover la adopción generalizada en la atención al paciente.»
Opinión de expertos
“Con respecto a nuevas tecnologías y dispositivos, creo que existe una distribución de adopción y aceptación general, con algunos innovadores que son los primeros en adoptar, otros más escépticos pero persuadibles, y luego los rezagados en adoptar,» dijo Neha Vapiwala, MD de la Facultad de Medicina Perelman de la Universidad de Pennsylvania, quien no participó en el estudio.
“También hay que tener en cuenta que existen algunos matices que simplemente no se pueden capturar con el aprendizaje automático. Como la experiencia de un profesional individual y su historia con un tipo específico de tumor o de caso clínico,» dijo. «Es posible que sigas las pautas estándar y un tratamiento parezca ‘perfecto’, pero tal vez hayas observado resultados con pacientes en ese escenario particular que tomas en cuenta para tu toma de decisiones y que podrían favorecer un enfoque no automatizado.»
Vapiwala también señaló que, aunque el aprendizaje automático aun no se encuentra ampliamente disponible, hay algunos elementos que están presentes en la práctica clínica actual y parecen ser adoptados con mayor facilidad. Como el autocontorno de las estructuras en las imágenes de simulación de TC que se utilizan para modelar las dosis.
Fuente del estudio en Nature Medicine
LEE MÁS ARTÍCULOS SOBRE: Salud con IA.
LEE LA ENTRADA ANTERIOR: Cómo las organizaciones sin fines de lucro pueden aumentar su eficacia mediante IA.