Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico <\/p>\n
La inteligencia artificial est\u00e1 a punto de revolucionar el campo de la radiolog\u00eda como una herramienta para mejorar la detecci\u00f3n, el diagn\u00f3stico y la atenci\u00f3n cl\u00ednica de enfermedades. La tecnolog\u00eda tiene el potencial de ayudar a los m\u00e9dicos al descubrir informaci\u00f3n oculta dentro de los escaneos de im\u00e1genes invisibles incluso para el ojo bien entrenado. <\/p>\n
En un art\u00edculo publicado en JAMA Oncology, los investigadores de la Universidad de Columbia demuestran que la aplicaci\u00f3n de la inteligencia artificial a las im\u00e1genes est\u00e1ndar de atenci\u00f3n puede ayudar a predecir qu\u00e9 tan bien funcionar\u00e1 la inmunoterapia para los pacientes con melanoma. En particular, desarrollaron un algoritmo de aprendizaje autom\u00e1tico que analiza las tomograf\u00edas computarizadas (TC) de un paciente y crea un biomarcador conocido como firma radi\u00f3mica que se correlaciona con el resultado del paciente. <\/p>\n
La firma us\u00f3 caracter\u00edsticas espec\u00edficas del tumor para determinar con alta precisi\u00f3n si la enfermedad de un individuo determinado responder\u00eda bien a la inmunoterapia, permanecer\u00eda estable o continuar\u00eda progresando. El objetivo de la inmunoterapia, que se ha convertido en un tratamiento primario para el melanoma, es estimular el propio sistema inmunitario del paciente para combatir el c\u00e1ncer.<\/p>\n
\u00abEsperamos atender a un paciente desde el principio que parece no estar bien\u00bb. en una terapia determinada debido a su firma y mejorar, cambiar o agregar otro f\u00e1rmaco a la terapia\u00bb, dice Lawrence H. Schwartz, MD, profesor James Picker y presidente del Departamento de Radiolog\u00eda de la Facultad de M\u00e9dicos y Cirujanos Vagelos de la Universidad de Columbia (VP&S). \u00ab[El objetivo es] realmente optimizar una atenci\u00f3n oncol\u00f3gica individualizada para cada paciente en tiempo real\u00bb.<\/p>\n
Dr. Schwartz, miembro del Herbert Irving Comprehensive Cancer Center (HICCC), tiene como objetivo expandir el proyecto con sus colegas a una variedad de diferentes tipos de tumores, como c\u00e1ncer de pulm\u00f3n, c\u00e1ncer de colon, c\u00e1ncer renal y c\u00e1ncer de pr\u00f3stata, as\u00ed como otros tratamientos m\u00e1s all\u00e1 de la inmunoterapia. Los investigadores quer\u00edan comenzar con una terapia novedosa y eligieron el melanoma debido a la reciente y r\u00e1pida adopci\u00f3n de la inmunoterapia para la enfermedad.<\/p>\n
Actualmente, los m\u00e9dicos conf\u00edan casi por completo en el tama\u00f1o del tumor para estimar el beneficio de una terapia. Los pacientes reciben una tomograf\u00eda computarizada de referencia y luego exploraciones de seguimiento posteriores despu\u00e9s de que ha comenzado el tratamiento. Si el tumor se encoge, el tratamiento parece estar funcionando, mientras que el crecimiento implica que la enfermedad del paciente est\u00e1 empeorando. <\/p>\n
Pero este no es necesariamente el caso con la inmunoterapia, y los estudios han demostrado que el tama\u00f1o y el crecimiento del tumor no siempre se correlacionan con la supervivencia general. <\/p>\n
\u00abLa mayor\u00eda de los criterios de respuesta actuales se desarrollaron hace varias d\u00e9cadas para evaluar la respuesta a tratamientos sist\u00e9micos como la quimioterapia\u00bb, dice el primer autor del estudio, Laurent Dercle, MD, Ph.D., cient\u00edfico investigador asociado en el Departamento de Radiolog\u00eda de VP&S. \u00abLa inmunoterapia tiene nuevos patrones de respuesta y progresi\u00f3n, con algunos pacientes que tienen un aumento transitorio en el tama\u00f1o del tumor y luego una respuesta. Por eso, necesit\u00e1bamos crear nuevas herramientas para predecir el \u00e9xito del tratamiento\u00bb.<\/p>\n
Biol\u00f3gicamente, los tumores pueden evolucionar a lo largo del curso de la enfermedad de un paciente de maneras que son m\u00e1s complejas de lo que puede reflejar una medida de tama\u00f1o por s\u00ed sola. Como ejemplo de esto, los investigadores descubrieron que su algoritmo de aprendizaje autom\u00e1tico funcionaba mejor cuando ten\u00eda en cuenta no solo el volumen y el crecimiento del tumor, sino tambi\u00e9n la heterogeneidad espacial del tumor, o la distribuci\u00f3n no uniforme de las c\u00e9lulas cancerosas en los sitios de la enfermedad y la textura. que analiza la variaci\u00f3n de las intensidades de p\u00edxeles en la imagen de TC del tumor.<\/p>\n
Los investigadores validaron el algoritmo con datos de 287 pacientes con melanoma avanzado que participaron en los ensayos cl\u00ednicos multic\u00e9ntricos KEYNOTE-002 y KEYNOTE-006, que administr\u00f3 el f\u00e1rmaco de inmunoterapia pembrolizumab. La firma radi\u00f3mica, que utiliz\u00f3 im\u00e1genes de TC obtenidas al inicio y a los 3 meses de seguimiento, pudo estimar la supervivencia global a los 6 meses con un alto grado de precisi\u00f3n. De hecho, super\u00f3 al m\u00e9todo est\u00e1ndar basado en el di\u00e1metro del tumor, conocido como Criterios de Evaluaci\u00f3n de Respuesta en Tumores S\u00f3lidos 1.1 (RECIST 1.1), que se usa com\u00fanmente en ensayos cl\u00ednicos para evaluar la eficacia del tratamiento. <\/p>\n
\u00abEl campo de la radiolog\u00eda y la imaginolog\u00eda en general nunca ha sido m\u00e1s emocionante con esta revoluci\u00f3n de la inteligencia artificial\u00bb, dice el Dr. Schwartz. \u00abSiempre hemos buscado avances en t\u00e9rminos de nuevas m\u00e1quinas, nuevos trazadores y cosas por el estilo. Pero esto nos brinda la oportunidad de optimizar la informaci\u00f3n que tenemos de todas nuestras modalidades de im\u00e1genes para acelerar el diagn\u00f3stico, volvernos m\u00e1s precisos y precisos y brindar a los pacientes tratamientos m\u00e1s efectivos\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
Los investigadores desarrollan un modelo para predecir la respuesta al tratamiento en el c\u00e1ncer g\u00e1strico M\u00e1s informaci\u00f3n:<\/strong> Laurent Dercle et al, Lectura temprana sobre la supervivencia general de pacientes con melanoma tratados con inmunoterapia usando una nueva imagenolog\u00eda An\u00e1lisis, JAMA Oncolog\u00eda (2022). DOI: 10.1001\/jamaoncol.2021.6818 Informaci\u00f3n de la revista:<\/strong> JAMA Oncology <\/p>\n Proporcionado por la Universidad de Columbia Cita<\/strong>: Inteligencia artificial para predecir el \u00e9xito del tratamiento a partir de tomograf\u00edas computarizadas tempranas (2022, febrero 22) recuperado el 29 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2022-02-artificial-intelligence-treatment-success-early.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: Pixabay\/CC0 Dominio p\u00fablico La inteligencia artificial est\u00e1 a punto de revolucionar el campo de la radiolog\u00eda como una herramienta para mejorar la detecci\u00f3n, el diagn\u00f3stico y la atenci\u00f3n cl\u00ednica de enfermedades. La tecnolog\u00eda tiene el potencial de ayudar a los m\u00e9dicos al descubrir informaci\u00f3n oculta dentro de los escaneos de im\u00e1genes invisibles incluso para … Continuar leyendo \u00abInteligencia artificial para predecir el \u00e9xito del tratamiento a partir de tomograf\u00edas computarizadas tempranas\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-7977","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/7977","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=7977"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/7977\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=7977"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=7977"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=7977"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}