El papel de la Inteligencia Artificial en el diagnóstico de Esclerosis Múltiple
La Organización Mundial de la Salud (OMS) informa que más de 2 millones de personas en todo el mundo se ven afectadas por la esclerosis múltiple (EM), y su prevalencia está en constante aumento.
La Organización Mundial de la Salud (OMS) informa que más de 2 millones de personas en todo el mundo se ven afectadas por la esclerosis múltiple (EM), y su prevalencia está en constante aumento 1. Aproximadamente el 80% de las personas con EM experimentan algún grado de discapacidad, lo que la convierte en la principal causa no traumática de discapacidad neurológica en personas jóvenes 2.
La inteligencia artificial (IA) está adquiriendo una creciente importancia recientemente, entre otros en el campo de la medicina. Entre sus numerosas ventajas, los algoritmos desarrollados por la IA pueden automatizar tareas repetitivas, analizar grandes cantidades de datos en menos tiempo y lograr una precisión y reproducibilidad superiores a las de los médicos 3. Esta capacidad de análisis y la acumulación de conocimientos tienen un gran potencial en mejorar el diagnóstico y la expansión del conocimiento de enfermedades.
Específicamente en el campo de la esclerosis múltiple, se plantea que la IA pueda generar algoritmos que mejoren el manejo de la enfermedad de las siguientes maneras:
- Mejorar el diagnóstico: La resonancia magnética (RM) es la prueba de imagen de elección para diagnosticar la EM 4. La IA tiene un enorme potencial para mejorar el análisis de imágenes médicas, lo que incluye la identificación temprana de lesiones, el análisis de patrones lesionales y la segmentación automatizada de lesiones y tejidos. Esto permite un análisis más profundo y detallado de las lesiones e incluso permitiría identificar nuevos patrones de lesiones relacionados con la enfermedad y su pronóstico 3.
- Pronóstico: La terapia de la EM depende del pronóstico basado en evidencia, lo cual es esencial para tomar decisiones personalizadas en una enfermedad tan heterogénea 5. La IA se ha utilizado para predecir la conversión de la esclerosis múltiple remitente-recurrente a secundaria progresiva y para identificar factores asociados con una peor evolución 6. También se ha empleado para predecir el curso a medio y largo plazo de la enfermedad 7, 8. Todo lo anterior puede ser útil para guiar las decisiones terapéuticas y mejorar la elección del tratamiento de la enfermedad.
- Diferenciación de tipos de esclerosis múltiple: La IA ha demostrado ser útil para diferenciar pacientes con EM remitente-recurrente y EM progresiva 9. También se ha utilizado para clasificar pacientes según la gravedad previsible de la enfermedad 10.
- Monitorización de la respuesta al tratamiento: Tradicionalmente, la respuesta al tratamiento se ha evaluado mediante seguimiento clínico y resonancia. La IA permite analizar simultáneamente parámetros de resonancia magnética y clínicos, mejorando la medición de la respuesta al tratamiento y ayudando en la elección del fármaco idóneo 11.
- Descarte de otras enfermedades: Uno de los desafíos en el diagnóstico de la EM es excluir otras enfermedades similares, como el espectro de la neuromielitis óptica (NMOSD), y la enfermedad asociada a anticuerpos anti-MOG (MOGAD), entre otras 12. La IA ha demostrado superar la precisión diagnóstica incluso de neurorradiólogos expertos y puede ayudar a descartar otras patologías con mayor seguridad.
En un entorno donde la informática es esencial para procesar información de manera rápida y precisa, el ámbito médico no debería ser una excepción. Aunque siempre se debe requerir la revisión de un clínico experto, es esencial que todos los especialistas en EM se familiaricen con las aplicaciones clave de la IA, que están a punto de incorporarse a la práctica clínica. Como se ha expuesto anteriormente, las técnicas de IA son altamente prometedoras en diversas áreas de la EM.
Estas aplicaciones, en última instancia, tienen el potencial de mejorar significativamente el diagnóstico de la enfermedad, la elección del tratamiento, su pronóstico y, en última instancia, la calidad de vida de los pacientes.
Fuentes
- Atlas – Multiple sclerosis resources in the world 2008, https://www.who.int/mental_health/neurology/ Atlas_MS_WEB.pdf
- Comi G, Radaelli M, Soelberg Sørensen P. Evolving concepts in the treatment of relapsing multiple sclerosis. Lancet. 2017 Apr 1;389(10076):1347-1356.
- Raffaello Bonacchi,a,b,e Massimo Filippi,a,b,c,d,e and Maria A. Rocca. Role of artificial intelligence in MS clinical practice. Neuroimage Clin. 2022; 35: 103065.
- Sastre-Garriga J., Pareto D., Battaglini M., Rocca M.A., Ciccarelli O., Enzinger C., Wuerfel J., Sormani M.P., Barkhof F., Yousry T.A., De Stefano N., Tintore M., Filippi M., Gasperini C., Kappos L., Rio J., Frederiksen J., Palace J., Vrenken H., Montal
- Rotstein D., Montalban X. Reaching an evidence-based prognosis for personalized treatment of multiple sclerosis. Nat. Rev. Neurol. 2019;15(5):287–300
- Pinto M.F., Oliveira H., Batista S., Cruz L., Pinto M., Correia I., Martins P., Teixeira C. Prediction of disease progression and outcomes in multiple sclerosis with machine learning. Sci. Rep. 2020;10:21038.
- Roca P., Attye A., Colas L., et al. Artificial intelligence to predict clinical disability in patients with multiple sclerosis using FLAIR MRI.
- Diagn. Interv. Imaging. 2020;101(12):795–802 (8) H M Rehan Afzal, Suhuai Luo, Saadallah Ramadan, Jeannette Lechner-Scott. The emerging role of artificial intelligence in multiple sclerosis imaging. Review. Mult Scler 2022 May;28(6):849-858. doi: 10.1177
- Ek S.Z., CakiroGlu M., Oz C., AralaSmak A., Karadel I.H., Ozcan M.E. Differentiation of relapsing-remitting and secondary progressive multiple sclerosis: a magnetic resonance spectroscopy study based on machine learning. Arq. Neuropsiquiatr. 2020;78:789
- Eshaghi A., Young A.L., Wijeratne P.A., Prados F., Arnold D.L., Narayanan S., Guttmann C.R.G., Barkhof F., Alexander D.C., Thompson A.J., Chard D., Ciccarelli O. Identifying multiple sclerosis subtypes using unsupervised machine learning and MRI data. N
- Kanber B., Nachev P., Barkhof F., Calvi A., Cardoso J., Cortese R., Prados F., Sudre C.H., Tur C., Ourselin S., Ciccarelli O. High-dimensional detection of imaging response to treatment in multiple sclerosis. NPJ Digit. Med. 2019;2:49.
- Rocca M.A., Anzalone N., Storelli L., Del Poggio A., Cacciaguerra L., Manfredi A.A., Meani A., Filippi M. Deep learning on conventional magnetic resonance imaging improves the diagnosis of multiple sclerosis mimics. Invest Radiol. 2020;56(4):252–260.