Cr\u00e9dito: Instituto de Tecnolog\u00eda de Massachusetts <\/p>\n
Si bien las mamograf\u00edas son actualmente el est\u00e1ndar de oro en la detecci\u00f3n del c\u00e1ncer de mama, existen remolinos de controversia: los defensores defienden la capacidad de salvar vidas (las mujeres de 60 a 69 a\u00f1os ten\u00edan un 33 % menos de riesgo de morir en comparaci\u00f3n con quienes no se hicieron mamograf\u00edas), y otro campo discute sobre los falsos positivos costosos y potencialmente traum\u00e1ticos (un metan\u00e1lisis de tres ensayos aleatorios encontr\u00f3 una tasa de sobrediagn\u00f3stico del 19 % de la mamograf\u00eda). <\/p>\n
Incluso con algunas vidas salvadas y algunos tratamientos y ex\u00e1menes excesivos, las pautas actuales siguen siendo generales: las mujeres de 45 a 54 a\u00f1os deben hacerse mamograf\u00edas todos los a\u00f1os. Si bien durante mucho tiempo se pens\u00f3 que la detecci\u00f3n personalizada era la respuesta, las herramientas que pueden aprovechar la gran cantidad de datos para hacer esto se retrasan.<\/p>\n
Esto llev\u00f3 a los cient\u00edficos del Laboratorio de Ciencias de la Computaci\u00f3n e Inteligencia Artificial (CSAIL) del MIT y la Cl\u00ednica Jameel para Machine Learning and Health para preguntar: \u00bfPodemos usar el aprendizaje autom\u00e1tico para proporcionar una detecci\u00f3n personalizada?<\/p>\n
De esto surgi\u00f3 Tempo, una tecnolog\u00eda para crear pautas de detecci\u00f3n basadas en el riesgo. Usando un modelo de riesgo basado en IA que analiza qui\u00e9n fue evaluado y cu\u00e1ndo fue diagnosticado, Tempo recomendar\u00e1 que un paciente regrese para una mamograf\u00eda en un momento espec\u00edfico en el futuro, como seis meses o tres a\u00f1os. La misma pol\u00edtica de Tempo se puede adaptar f\u00e1cilmente a una amplia gama de posibles preferencias de detecci\u00f3n, lo que permitir\u00eda a los m\u00e9dicos elegir la detecci\u00f3n temprana deseada para compensar los costos de detecci\u00f3n, sin capacitar nuevas pol\u00edticas.<\/p>\n
El modelo se entren\u00f3 en un gran conjunto de datos de mamograf\u00eda de detecci\u00f3n del Hospital General de Massachusetts (MGH), y se prob\u00f3 en pacientes retenidos de MGH, as\u00ed como en conjuntos de datos externos de Emory, Karolinska Suecia y Chang Gung Memorial Hospitals. Usando el algoritmo Mirai de evaluaci\u00f3n de riesgos desarrollado previamente por el equipo, Tempo obtuvo una mejor detecci\u00f3n temprana que la evaluaci\u00f3n anual y requiri\u00f3 un veinticinco por ciento menos de mamograf\u00edas en general en Karolinska. En MGH, recomend\u00f3 aproximadamente una mamograf\u00eda al a\u00f1o y obtuvo un beneficio de detecci\u00f3n temprana simulado de aproximadamente cuatro meses y medio mejor.<\/p>\n
\u00abAl adaptar la prueba de detecci\u00f3n al riesgo individual del paciente, podemos mejorar los resultados del paciente, reducir el tratamiento excesivo y eliminar las disparidades de salud\u00bb, dice Adam Yala, MIT CSAIL Ph.D. estudiante e investigador principal. Dada la escala masiva de las pruebas de detecci\u00f3n del c\u00e1ncer de mama, con decenas de millones de mujeres que se hacen mamograf\u00edas cada a\u00f1o, las mejoras en nuestras pautas son inmensamente importantes\u00bb.<\/p>\n
Medicina profunda<\/p>\n
Primeros usos de la IA en La medicina se remonta a la d\u00e9cada de 1960, cuando muchos se refieren a los experimentos de Dendral como el puntapi\u00e9 inicial del campo. Los investigadores crearon un sistema de software que se consider\u00f3 el primer tipo experto que automatiz\u00f3 la toma de decisiones y el comportamiento de resoluci\u00f3n de problemas de los qu\u00edmicos org\u00e1nicos. Sesenta a\u00f1os despu\u00e9s , la medicina profunda ha evolucionado mucho en el diagn\u00f3stico de medicamentos, la medicina predictiva y la atenci\u00f3n al paciente.<\/p>\n
\u00abLas pautas actuales dividen a la poblaci\u00f3n en unos pocos grupos grandes, como menores o mayores de 55 a\u00f1os, y recomiendan la misma frecuencia de detecci\u00f3n para todos\u00bb. los miembros de una cohorte. El desarrollo de modelos de riesgo basados en IA que operan sobre datos de pacientes sin procesar nos brinda la oportunidad de transformar la detecci\u00f3n, brindando evaluaciones m\u00e1s frecuentes a quienes las necesitan y ahorrando el resto\u00bb, dice Yala. \u00abUn aspecto clave de estos modelos es que sus predicciones puede evolucionar con el tiempo a medida que cambian los datos sin procesar de un paciente, lo que sugiere que las pol\u00edticas de detecci\u00f3n deben adaptarse a los cambios en el riesgo y optimizarse durante largos per\u00edodos de datos del paciente\u00bb.<\/p>\n
Tempo utiliza el aprendizaje por refuerzo, un m\u00e9todo de aprendizaje autom\u00e1tico. ampliamente conocido por su \u00e9xito en juegos como Chess and Go, para desarrollar una \u00abpol\u00edtica\u00bb que prediga una recomendaci\u00f3n de seguimiento para cada paciente.<\/p>\n
Los datos de entrenamiento aqu\u00ed solo ten\u00edan informaci\u00f3n sobre el riesgo de un paciente en los momentos en que su se tom\u00f3 una mamograf\u00eda (cuando ten\u00edan 50 o 55 a\u00f1os, por ejemplo). El equipo necesitaba la evaluaci\u00f3n del riesgo en puntos intermedios, por lo que dise\u00f1aron su algoritmo para conocer el riesgo de un paciente en puntos de tiempo no observados a partir de sus ex\u00e1menes observados, que desarrollaron un Las nuevas mamograf\u00edas de la paciente estuvieron disponibles.<\/p>\n
El equipo primero entren\u00f3 una red neuronal para predecir futuras evaluaciones de riesgo dadas las anteriores. Luego, este modelo estima el riesgo del paciente en puntos de tiempo no observados y permite la simulaci\u00f3n de las pol\u00edticas de detecci\u00f3n basadas en el riesgo. Luego, entrenaron esa pol\u00edtica (tambi\u00e9n una red neuronal) para maximizar la recompensa (por ejemplo, la combinaci\u00f3n de detecci\u00f3n temprana y costo de detecci\u00f3n) para el conjunto de entrenamiento retrospectivo. Eventualmente, obtendr\u00e1 una recomendaci\u00f3n sobre cu\u00e1ndo regresar para la pr\u00f3xima pantalla, que va de seis meses a tres a\u00f1os en el futuro, en m\u00faltiplos de seis meses, el est\u00e1ndar es solo uno o dos a\u00f1os.<\/p>\n
Digamos la paciente A viene para su primera mamograf\u00eda y, finalmente, se le diagnostica en el cuarto a\u00f1o. En el a\u00f1o dos, no hay nada, por lo que no regresan hasta dentro de dos a\u00f1os, pero luego, en el a\u00f1o cuatro, obtienen un diagn\u00f3stico. Ahora ha habido dos a\u00f1os de intervalo entre la \u00faltima prueba, donde podr\u00eda haber crecido un tumor.<\/p>\n
Usando Tempo, en esa primera mamograf\u00eda, a\u00f1o cero, la recomendaci\u00f3n podr\u00eda haber sido volver en dos a\u00f1os. Y luego, en el segundo a\u00f1o, podr\u00eda haber visto que el riesgo es alto y recomendado que el paciente volviera en seis meses y, en el mejor de los casos, ser\u00eda detectable. El modelo cambia din\u00e1micamente la frecuencia de detecci\u00f3n del paciente, en funci\u00f3n de c\u00f3mo cambia el perfil de riesgo.<\/p>\n
Tempo utiliza una m\u00e9trica simple para la detecci\u00f3n temprana, que supone que el c\u00e1ncer se puede detectar hasta con 18 meses de anticipaci\u00f3n. Si bien Tempo super\u00f3 las pautas actuales en diferentes entornos de esta suposici\u00f3n (seis meses, doce meses), ninguna de estas suposiciones es perfecta ya que el potencial de detecci\u00f3n temprana de un tumor depende de las caracter\u00edsticas de ese tumor. El equipo sugiri\u00f3 que el trabajo de seguimiento con modelos de crecimiento tumoral podr\u00eda abordar este problema.<\/p>\n
Adem\u00e1s, la m\u00e9trica de costos de detecci\u00f3n, que cuenta el volumen total de detecci\u00f3n recomendado por Tempo, no proporciona un an\u00e1lisis completo de todo el costo futuro porque no cuantifica expl\u00edcitamente los riesgos de falsos positivos o los da\u00f1os adicionales de detecci\u00f3n.<\/p>\n
Hay muchas direcciones futuras que pueden mejorar a\u00fan m\u00e1s los algoritmos de detecci\u00f3n personalizados. El equipo dice que una v\u00eda ser\u00eda aprovechar las m\u00e9tricas utilizadas para estimar la detecci\u00f3n temprana y los costos de detecci\u00f3n a partir de datos retrospectivos, lo que dar\u00eda como resultado pautas m\u00e1s refinadas. Tempo tambi\u00e9n podr\u00eda adaptarse para incluir diferentes tipos de recomendaciones de detecci\u00f3n, como aprovechar la resonancia magn\u00e9tica o las mamograf\u00edas, y el trabajo futuro podr\u00eda modelar por separado los costos y beneficios de cada uno. Con mejores pol\u00edticas de detecci\u00f3n, podr\u00eda ser factible volver a calcular la edad m\u00e1s temprana y m\u00e1s tard\u00eda en la que la detecci\u00f3n sigue siendo rentable para un paciente.<\/p>\n
\u00abNuestro marco es flexible y se puede utilizar f\u00e1cilmente para otras enfermedades, otras formas de riesgo modelos y otras definiciones de beneficio de detecci\u00f3n temprana o costo de detecci\u00f3n. Esperamos que la utilidad de Tempo contin\u00fae mejorando a medida que se refinan a\u00fan m\u00e1s los modelos de riesgo y las m\u00e9tricas de resultados. Estamos entusiasmados de trabajar con socios hospitalarios para estudiar prospectivamente esta tecnolog\u00eda y ayudarnos mejorar a\u00fan m\u00e1s la detecci\u00f3n personalizada del c\u00e1ncer\u00bb, dice Yala. <\/p>\n
Explore m\u00e1s<\/p>\n
Salud del Consumidor: \u00bfTiene pendiente una mamograf\u00eda? M\u00e1s informaci\u00f3n:<\/strong> Adam Yala et al, Optimizaci\u00f3n de las pol\u00edticas de detecci\u00f3n del c\u00e1ncer de mama basadas en el riesgo con aprendizaje reforzado, Nature Medicine (2022). DOI: 10.1038\/s41591-021-01599-w Informaci\u00f3n de la revista:<\/strong> Nature Medicine <\/p>\n Proporcionado por el Instituto Tecnol\u00f3gico de Massachusetts Cita<\/strong>: Detecci\u00f3n de c\u00e1ncer personalizada con IA (2022, 20 de enero) recuperado el 29 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2022-01-personalized-cancer-screening-ai.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":" Cr\u00e9dito: Instituto de Tecnolog\u00eda de Massachusetts Si bien las mamograf\u00edas son actualmente el est\u00e1ndar de oro en la detecci\u00f3n del c\u00e1ncer de mama, existen remolinos de controversia: los defensores defienden la capacidad de salvar vidas (las mujeres de 60 a 69 a\u00f1os ten\u00edan un 33 % menos de riesgo de morir en comparaci\u00f3n con quienes … Continuar leyendo \u00abDetecci\u00f3n de c\u00e1ncer personalizada con IA\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-6344","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/6344","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=6344"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/6344\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=6344"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=6344"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=6344"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}