Nueva herramienta para predecir los resultados de la cirrosis hepática
Una nueva herramienta tiene como objetivo determinar el riesgo de malos resultados a largo plazo en pacientes con cirrosis del hígado con más facilidad y precisión que los métodos actuales.
Investigadores del Baylor College of Medicine, el Centro Médico de Asuntos de Veteranos Michael E. DeBakey y el Centro de Innovaciones en Calidad, Efectividad y Seguridad (IQuESt) desarrollaron un modelo que utiliza una combinación de inteligencia artificial y métodos estadísticos tradicionales para producir una puntuación que prediga mejor la mortalidad en cirrosis. Los resultados de su estudio se publican en JAMA Network Open.
La cirrosis del hígado es una afección en la que el tejido hepático se reemplaza con tejido cicatricial y puede ser causada por una variedad de razones, que incluyen hepatitis C, alcoholismo crónico y enfermedad del hígado graso. Actualmente, los médicos carecen de las herramientas necesarias para predecir los resultados a largo plazo con precisión.
“Cuando vemos pacientes en la clínica, queremos orientarlos sobre sus resultados a largo plazo. Queríamos crear una herramienta que utilizara el aprendizaje automático y la inteligencia artificial para mejorar la precisión del pronóstico y, al mismo tiempo, mantener la facilidad de uso en la clínica”, afirmó la Dra. Fasiha Kanwal, autora correspondiente del estudio y profesora de medicina y jefa de sección de gastroenterología en Baylor.
Los investigadores recopilaron información de pacientes en 130 hospitales y clínicas del sistema nacional de salud de la Administración de Veteranos. Utilizaron datos demográficos, comorbilidades, factores de riesgo subyacentes y gravedad de la enfermedad hepática, combinados con pruebas de laboratorio integrales y datos de medicación para crear tres modelos estadísticos diferentes para predecir el riesgo de mortalidad. Los modelos utilizaron algoritmos de aprendizaje automático con diversos grados de complejidad para crear una puntuación predictiva.
Kanwal y su equipo descubrieron que un modelo basado en variables clínicas identificadas a partir de un modelo de aprendizaje automático simple llamado Modelo de Mortalidad por Cirrosis (CiMM) funcionaba con el mejor equilibrio entre precisión del pronóstico y factibilidad clínica. El equipo de investigación utilizó el CiMM para crear una puntuación predictiva del riesgo de mortalidad por cirrosis. En una comparativa, la puntuación CiMM fue más predictivo que el modelo de pronóstico más utilizado actualmente, el Modelo para la Enfermedad Hepática en Etapa Terminal con Sodio (MELD-Na).
“El aprendizaje automático y la inteligencia artificial son importantes. Nos ayudó a encontrar los factores de riesgo adecuados para usar, pero no necesitábamos usar modelos muy complejos para llegar allí. Pudimos crear la puntuación CiMM que funcionará más fácilmente en la clínica y es más predictiva de la mortalidad que el método existente”, explicó Kanwal.
Actualmente, los investigadores de Baylor están trabajando para desarrollar un sitio web para que los médicos de todo el país puedan usar la herramienta en línea en un entorno clínico. Kanwal también cree que el enfoque CiMM podría usarse para evaluar el riesgo en otras áreas como insuficiencia cardíaca y enfermedad pulmonar.
“Esta herramienta podría marcar una gran diferencia al brindar atención centrada en el paciente. La puntuación CiMM podría reevaluarse cada vez que un paciente ingresa a la clínica”, añadió Kanwal. “Anteriormente, no podíamos predecir nada a largo plazo. Pero la puntuación CiMM podría darnos una idea de cómo manejar la enfermedad durante uno, dos y tres años”.
Kanwal es investigador del Centro de Innovaciones en Calidad, Efectividad y Seguridad (IQuESt) en VA y miembro del Centro Oncológico Integral Dan L Duncan en Baylor.
Fuente: bcm.edu
Noticia traducida por ASSCAT
