\n
![](\"https:\/\/news.mit.edu\/sites\/default\/files\/styles\/news_article__cover_image__original\/public\/images\/202401\/MIT-Prism.png?itok=JubO-Xin\")
<\/p>\n [ad_1]
\n<\/p>\n
El primer caso documentado de c\u00e1ncer de p\u00e1ncreas se remonta al siglo XVIII. Desde entonces, los investigadores han emprendido una odisea prolongada y desafiante para comprender esta enfermedad elusiva y mortal. Hasta la fecha, no existe mejor tratamiento contra el c\u00e1ncer que la intervenci\u00f3n temprana. Desafortunadamente, el p\u00e1ncreas, ubicado en lo profundo del abdomen, es particularmente dif\u00edcil de alcanzar para una detecci\u00f3n temprana. <\/p>\n
Los cient\u00edficos del Laboratorio de Ciencias de la Computaci\u00f3n e Inteligencia Artificial (CSAIL) del MIT, junto con Limor Appelbaum, cient\u00edfico del Departamento de Oncolog\u00eda Radioter\u00e1pica del Centro M\u00e9dico Beth Israel Deaconess (BIDMC), estaban ansiosos por identificar mejor a los pacientes potenciales de alto riesgo. Se propusieron desarrollar dos modelos de aprendizaje autom\u00e1tico para la detecci\u00f3n temprana del adenocarcinoma ductal de p\u00e1ncreas (PDAC), la forma m\u00e1s com\u00fan de c\u00e1ncer. Para acceder a una base de datos amplia y diversa, el equipo se sincroniz\u00f3 con una empresa de red federada, utilizando datos de registros m\u00e9dicos electr\u00f3nicos de varias instituciones en todo Estados Unidos. Este vasto conjunto de datos ayud\u00f3 a garantizar la confiabilidad y generalizaci\u00f3n de los modelos, haci\u00e9ndolos aplicables en una amplia gama de poblaciones, ubicaciones geogr\u00e1ficas y grupos demogr\u00e1ficos.<\/p>\n
los dos modelos \u2014<\/a> la red neuronal \"PRISM\" y el modelo de regresi\u00f3n log\u00edstica (una t\u00e9cnica estad\u00edstica para la probabilidad) superaron a los m\u00e9todos actuales. La comparaci\u00f3n del equipo mostr\u00f3 que, si bien los criterios de detecci\u00f3n est\u00e1ndar identifican alrededor del 10 por ciento de los casos de PDAC utilizando un umbral de riesgo relativo cinco veces mayor, Prism puede detectar el 35 por ciento de los casos de PDAC en este mismo umbral. <\/p>\n El uso de IA para detectar el riesgo de c\u00e1ncer no es un fen\u00f3meno nuevo \u2014<\/a> Los algoritmos analizan mamograf\u00edas, tomograf\u00edas computarizadas para detectar c\u00e1ncer de pulm\u00f3n y ayudan en el an\u00e1lisis de pruebas de Papanicolaou y pruebas de VPH, por nombrar algunas aplicaciones. \"Los modelos PRISM destacan por su desarrollo y validaci\u00f3n en una extensa base de datos de m\u00e1s de 5 millones de pacientes, superando la escala de la mayor\u00eda de las investigaciones anteriores en este campo\", afirma Kai Jia, estudiante de doctorado en ingenier\u00eda el\u00e9ctrica e inform\u00e1tica (EECS) del MIT. , afiliado de MIT CSAIL y primer autor de un libro de acceso abierto papel en eBioMedicina <\/em>delineando el nuevo trabajo<\/a>. \u201cEl modelo utiliza datos cl\u00ednicos y de laboratorio de rutina para hacer sus predicciones, y la diversidad de la poblaci\u00f3n de EE. UU. es un avance significativo con respecto a otros modelos PDAC, que generalmente se limitan a regiones geogr\u00e1ficas espec\u00edficas, como algunos centros de atenci\u00f3n m\u00e9dica en los EE. UU. , el uso de una t\u00e9cnica de regularizaci\u00f3n \u00fanica en el proceso de capacitaci\u00f3n mejor\u00f3 la generalizaci\u00f3n e interpretabilidad de los modelos\u201d. <\/p>\n \"Este informe describe un enfoque poderoso para utilizar big data y algoritmos de inteligencia artificial para perfeccionar nuestro enfoque para identificar perfiles de riesgo de c\u00e1ncer\", dice David Avigan, profesor de la Facultad de Medicina de Harvard y director del centro oncol\u00f3gico y jefe de hematolog\u00eda y neoplasias hematol\u00f3gicas del BIDMC. , que no particip\u00f3 en el estudio. \"Este enfoque puede conducir a estrategias novedosas para identificar pacientes con alto riesgo de malignidad que pueden beneficiarse de una detecci\u00f3n enfocada con potencial para una intervenci\u00f3n temprana\". <\/p>\n Perspectivas prism\u00e1ticas<\/strong><\/p>\n El viaje hacia el desarrollo de PRISM comenz\u00f3 hace m\u00e1s de seis a\u00f1os, impulsado por experiencias de primera mano con las limitaciones de las pr\u00e1cticas de diagn\u00f3stico actuales. \"Aproximadamente entre el 80 y el 85 por ciento de los pacientes con c\u00e1ncer de p\u00e1ncreas son diagnosticados en etapas avanzadas, donde la cura ya no es una opci\u00f3n\", dice el autor principal Appelbaum, quien tambi\u00e9n es instructor de la Escuela de Medicina de Harvard y onc\u00f3logo radioterapeuta. \"Esta frustraci\u00f3n cl\u00ednica gener\u00f3 la idea de profundizar en la gran cantidad de datos disponibles en los registros m\u00e9dicos electr\u00f3nicos (EHR)\".<\/p>\n La estrecha colaboraci\u00f3n del grupo CSAIL con Appelbaum hizo posible comprender mejor los aspectos m\u00e9dicos y de aprendizaje autom\u00e1tico combinados del problema, lo que finalmente condujo a un modelo mucho m\u00e1s preciso y transparente. \"La hip\u00f3tesis era que estos registros conten\u00edan pistas ocultas: signos y s\u00edntomas sutiles que podr\u00edan actuar como se\u00f1ales de alerta temprana del c\u00e1ncer de p\u00e1ncreas\", a\u00f1ade. \"Esto gui\u00f3 nuestro uso de redes EHR federadas en el desarrollo de estos modelos, para un enfoque escalable para implementar herramientas de predicci\u00f3n de riesgos en la atenci\u00f3n m\u00e9dica\".<\/p>\n Tanto el modelo PrismNN como el PrismLR analizan datos de EHR, incluidos datos demogr\u00e1ficos, diagn\u00f3sticos, medicamentos y resultados de laboratorio de los pacientes, para evaluar el riesgo de PDAC. PrismNN utiliza redes neuronales artificiales para detectar patrones complejos en caracter\u00edsticas de datos como la edad, el historial m\u00e9dico y los resultados de laboratorio, lo que genera una puntuaci\u00f3n de riesgo para la probabilidad de PDAC. PrismLR utiliza la regresi\u00f3n log\u00edstica para un an\u00e1lisis m\u00e1s simple, generando una puntuaci\u00f3n de probabilidad de PDAC basada en estas caracter\u00edsticas. Juntos, los modelos ofrecen una evaluaci\u00f3n exhaustiva de diferentes enfoques para predecir el riesgo de PDAC a partir de los mismos datos de la HCE.<\/p>\n Un punto fundamental para ganarse la confianza de los m\u00e9dicos, se\u00f1ala el equipo, es comprender mejor c\u00f3mo funcionan los modelos, lo que en el campo se conoce como interpretabilidad. Los cient\u00edficos se\u00f1alaron que, si bien los modelos de regresi\u00f3n log\u00edstica son inherentemente m\u00e1s f\u00e1ciles de interpretar, los avances recientes han hecho que las redes neuronales profundas sean algo m\u00e1s transparentes. Esto ayud\u00f3 al equipo a refinar las miles de caracter\u00edsticas potencialmente predictivas derivadas de la HCE de un solo paciente a aproximadamente 85 indicadores cr\u00edticos. Estos indicadores, que incluyen la edad del paciente, el diagn\u00f3stico de diabetes y una mayor frecuencia de visitas al m\u00e9dico, son descubiertos autom\u00e1ticamente por el modelo, pero coinciden con la comprensi\u00f3n de los m\u00e9dicos sobre los factores de riesgo asociados con el c\u00e1ncer de p\u00e1ncreas. <\/p>\n El camino a seguir<\/strong><\/p>\n A pesar de la promesa de los modelos PRISM, como ocurre con todas las investigaciones, algunas partes a\u00fan son un trabajo en progreso. Los datos estadounidenses por s\u00ed solos son la dieta actual de los modelos, lo que requiere pruebas y adaptaci\u00f3n para su uso global. El camino a seguir, se\u00f1ala el equipo, incluye ampliar la aplicabilidad del modelo a conjuntos de datos internacionales e integrar biomarcadores adicionales para una evaluaci\u00f3n de riesgos m\u00e1s refinada.<\/p>\n \u201cUn objetivo posterior para nosotros es facilitar la implementaci\u00f3n de los modelos en entornos de atenci\u00f3n sanitaria habitual. La visi\u00f3n es que estos modelos funcionen sin problemas en el fondo de los sistemas de atenci\u00f3n m\u00e9dica, analizando autom\u00e1ticamente los datos de los pacientes y alertando a los m\u00e9dicos sobre casos de alto riesgo sin aumentar su carga de trabajo\u201d, dice Jia. \u201cUn modelo de aprendizaje autom\u00e1tico integrado con el sistema EHR podr\u00eda brindar a los m\u00e9dicos alertas tempranas para pacientes de alto riesgo, lo que podr\u00eda permitir intervenciones mucho antes de que se manifiesten los s\u00edntomas. Estamos ansiosos por implementar nuestras t\u00e9cnicas en el mundo real para ayudar a todas las personas a disfrutar de una vida m\u00e1s larga y saludable\u201d. <\/p>\n Jia escribi\u00f3 el art\u00edculo junto con Applebaum y el profesor MIT EECS e investigador principal de CSAIL, Martin Rinard, ambos autores principales del art\u00edculo. Los investigadores del art\u00edculo contaron con el apoyo durante su estancia en MIT CSAIL, en parte, de la Agencia de Proyectos de Investigaci\u00f3n Avanzada de Defensa, Boeing, la Fundaci\u00f3n Nacional de Ciencias y Aarno Labs. TriNetX proporcion\u00f3 recursos para el proyecto y la Prevent Cancer Foundation tambi\u00e9n apoy\u00f3 al equipo.<\/p>\n<\/p><\/div>\n