Una herramienta basada en el aprendizaje autom\u00e1tico pudo predecir el riesgo de malignidad entre los pacientes que presentaban m\u00faltiples n\u00f3dulos pulmonares y super\u00f3 a los expertos humanos, modelos matem\u00e1ticos previamente validados y una herramienta de inteligencia artificial previamente establecida, seg\u00fan los resultados publicados en Clinical Cancer Research, una revista de la Asociaci\u00f3n Estadounidense para la Investigaci\u00f3n del C\u00e1ncer. <\/p>\n
Las herramientas actualmente disponibles pueden predecir la malignidad en pacientes con n\u00f3dulos \u00fanicos; las herramientas predictivas para los pacientes que presentan m\u00faltiples n\u00f3dulos son limitadas. \u00abCon la adopci\u00f3n del uso generalizado de la tomograf\u00eda computarizada (TC) tor\u00e1cica para la detecci\u00f3n del c\u00e1ncer de pulm\u00f3n, la detecci\u00f3n de m\u00faltiples n\u00f3dulos pulmonares se ha vuelto cada vez m\u00e1s com\u00fan\u00bb, dijo el autor del estudio, Kezhong Chen, MD, viceprofesor del Departamento de Cirug\u00eda Tor\u00e1cica del Hospital Popular de la Universidad de Pek\u00edn en China. Entre los pacientes que presentaron un n\u00f3dulo pulmonar en una tomograf\u00eda computarizada en un ensayo previo de detecci\u00f3n de c\u00e1ncer de pulm\u00f3n, aproximadamente el 50 por ciento present\u00f3 m\u00faltiples n\u00f3dulos, dijo Chen. \u00abLas pautas actuales recomiendan el uso de modelos cl\u00ednicos que incorporan caracter\u00edsticas sociodemogr\u00e1ficas y de n\u00f3dulos para estimar la probabilidad de c\u00e1ncer antes del tratamiento quir\u00fargico, y aunque existen varias herramientas para pacientes que presentan un solo n\u00f3dulo, actualmente no existe tal herramienta para pacientes con m\u00faltiples n\u00f3dulos, lo que representa una necesidad m\u00e9dica urgente\u00bb, agreg\u00f3 Chen.<\/p>\n
Para abordar esta necesidad insatisfecha, los investigadores se propusieron desarrollar un modelo basado en el aprendizaje autom\u00e1tico para predecir la probabilidad de malignidad pulmonar entre los pacientes que presentan m\u00faltiples enfermedades pulmonares. n\u00f3dulos. En primer lugar, los autores del estudio utilizaron datos de una cohorte de entrenamiento de 520 pacientes (con 1739 n\u00f3dulos) que fueron tratados en el Hospital Popular de la Universidad de Pek\u00edn entre enero de 2007 y diciembre de 2018. Utilizando tanto las caracter\u00edsticas radiogr\u00e1ficas de los n\u00f3dulos como las variables sociodemogr\u00e1ficas, los autores desarrollaron un modelo denominado PKU-M, para predecir la probabilidad de c\u00e1ncer. El desempe\u00f1o del modelo se evalu\u00f3 calculando el \u00e1rea bajo la curva (AUC), donde una puntuaci\u00f3n de 1 corresponde a una predicci\u00f3n perfecta. En la cohorte de entrenamiento, el modelo alcanz\u00f3 un AUC de 0,91. Algunas de las principales caracter\u00edsticas predictivas del modelo incluyeron el tama\u00f1o de los n\u00f3dulos, el recuento de n\u00f3dulos, la distribuci\u00f3n de los n\u00f3dulos y la edad del paciente.<\/p>\n
El modelo luego se valid\u00f3 utilizando datos de una cohorte de 220 pacientes (que comprende 583 n\u00f3dulos) que se sometieron a tratamiento quir\u00fargico en seis hospitales independientes en China y Corea entre enero de 2016 y diciembre de 2018. El rendimiento del modelo PKU-M en esta cohorte fue similar a su rendimiento en la cohorte de entrenamiento, con un AUC de 0,89. Los investigadores tambi\u00e9n compararon el rendimiento de su modelo con cuatro modelos anteriores basados en regresi\u00f3n log\u00edstica que se desarrollaron para la predicci\u00f3n del c\u00e1ncer de pulm\u00f3n. El modelo PKU-M super\u00f3 a los cuatro modelos anteriores, cuyos valores de AUC oscilaron entre 0,68 y 0,81.<\/p>\n
Finalmente, los investigadores realizaron una comparaci\u00f3n prospectiva entre el modelo PKU-M, tres cirujanos tor\u00e1cicos, un radi\u00f3logo , y una herramienta de inteligencia artificial previamente establecida para el diagn\u00f3stico de c\u00e1ncer de pulm\u00f3n llamada RX. Esta comparaci\u00f3n se realiz\u00f3 en una cohorte separada de 78 pacientes (con 200 n\u00f3dulos) que se sometieron a tratamiento quir\u00fargico en cuatro hospitales independientes en China entre enero de 2019 y marzo de 2019. De manera similar a las cohortes de capacitaci\u00f3n y validaci\u00f3n, el rendimiento del modelo PKU-M logr\u00f3 un AUC de 0,87, que fue m\u00e1s alto que el de los cirujanos (con AUC que van de 0,73 a 0,79), el radi\u00f3logo (AUC de 0,75) y el modelo RX (AUC de 0,76).<\/p>\n
\u00abEl el aumento de la tasa de detecci\u00f3n de m\u00faltiples n\u00f3dulos pulmonares ha dado lugar a un problema emergente para el diagn\u00f3stico del c\u00e1ncer de pulm\u00f3n\u00bb, dijo el autor del estudio, Young Tae Kim, MD, Ph.D., profesor del Departamento de Cirug\u00eda Tor\u00e1cica y Cardiovascular del Hospital de la Universidad Nacional de Se\u00fal y el Se\u00fal Facultad de Medicina de la Universidad Nacional de la Rep\u00fablica de Corea. \u00abDebido a que se descubre que muchos n\u00f3dulos son benignos despu\u00e9s de un seguimiento a largo plazo o de una cirug\u00eda, es importante evaluar cuidadosamente estos n\u00f3dulos antes de los procedimientos invasivos. Nuestro modelo de predicci\u00f3n, que se estableci\u00f3 exclusivamente para pacientes con m\u00faltiples n\u00f3dulos, puede ayudar a no solo mitigar la cirug\u00eda innecesaria, pero tambi\u00e9n facilitar el diagn\u00f3stico y el tratamiento del c\u00e1ncer de pulm\u00f3n\u00bb.<\/p>\n
\u00abLos modelos se desarrollan para ayudar en el diagn\u00f3stico cl\u00ednico, lo que significa que deben ser pr\u00e1cticos\u00bb, dijo el autor del estudio Jun Wang, MD, profesor en el Departamento de Cirug\u00eda Tor\u00e1cica del Hospital Popular de la Universidad de Pek\u00edn. \u00abPor lo tanto, dise\u00f1amos una versi\u00f3n basada en la web del modelo PKU-M, donde los m\u00e9dicos pueden ingresar varias caracter\u00edsticas cl\u00ednicas y radiol\u00f3gicas y el software calcular\u00e1 autom\u00e1ticamente el riesgo de malignidad en un paciente espec\u00edfico. Esta herramienta puede generar r\u00e1pidamente un diagn\u00f3stico objetivo y puede ayuda en la toma de decisiones cl\u00ednicas\u00bb.<\/p>\n
Debido a que este estudio solo utiliz\u00f3 datos de pacientes asi\u00e1ticos, es posible que no se pueda generalizar a una poblaci\u00f3n occidental u otras poblaciones, lo que representa una limitaci\u00f3n de este estudio. <\/p>\n
Explore m\u00e1s<\/p>\n
El clasificador integrado identifica n\u00f3dulos pulmonares benignos M\u00e1s informaci\u00f3n:<\/strong> Clinical Cancer Research (2021). DOI: 10.1158\/1078-0432.CCR-20-4007 Informaci\u00f3n de la revista:<\/strong> Clinical Cancer Research <\/p>\n Proporcionado por la Asociaci\u00f3n Estadounidense para la Investigaci\u00f3n del C\u00e1ncer Cita<\/strong>: La herramienta de aprendizaje autom\u00e1tico puede predecir malignidad en pacientes con n\u00f3dulos pulmonares m\u00faltiples (2021, 24 de febrero) recuperado el 30 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2021-02-machine-tool-malignancy-patients-multiple.html Este documento est\u00e1 sujeto a derechos de autor . Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Una herramienta basada en el aprendizaje autom\u00e1tico pudo predecir el riesgo de malignidad entre los pacientes que presentaban m\u00faltiples n\u00f3dulos pulmonares y super\u00f3 a los expertos humanos, modelos matem\u00e1ticos previamente validados y una herramienta de inteligencia artificial previamente establecida, seg\u00fan los resultados publicados en Clinical Cancer Research, una revista de la Asociaci\u00f3n Estadounidense para la … Continuar leyendo \u00abLa herramienta de aprendizaje autom\u00e1tico puede predecir la malignidad en pacientes con m\u00faltiples n\u00f3dulos pulmonares\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-14665","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/14665","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=14665"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/14665\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=14665"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=14665"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=14665"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}