Nueva herramienta usa aprendizaje automático para determinar candidatos a trombectomía endovascular

La herramienta puede analizar imágenes, “aprendiendo” automáticamente sutiles patrones

Un algoritmo desarrollado por la el Centro de Ciencias de la Salud de la Universidad de Texas en Houston (UTHealth) puede ayudar a los médicos que se encuentran fuera de los principales centros de tratamiento, a evaluar si un paciente que sufre un accidente cerebrovascular isquémico, se beneficiaría de un procedimiento endovascular para eliminar un coágulo que obstruye una arteria.

Los resultados de su estudio clínico, se publicaron en línea en la revista Stroke en el artículo “Machine Learning–Enabled Automated Determination of Acute Ischemic Core From Computed Tomography Angiography” (Determinación automatizada habilitada por aprendizaje automático del núcleo isquémico agudo de la angiografía por tomografía computarizada).

La trombectomía endovascular es un procedimiento que consiste en enhebrar un catéter a través de la arteria femoral, desde la extremidad inferior hasta el cerebro, donde el coágulo se puede eliminar mecánicamente. Desde 2015, los estudios han demostrado que puede mejorar los resultados para los pacientes con accidente cerebrovascular. Pero solo si la cantidad de tejido cerebral lesionado es mínima en el momento del tratamiento.

Desafortunadamente, la neuroimagen avanzada útil para detectar en cuestión de horas si un paciente es candidato para el tratamiento, se limita a la resonancia magnética emergente o la perfusión de tomografía computarizada (TC). Ese tipo de tecnología y experiencia no están disponibles en la mayoría de los hospitales comunitarios y centros de accidente cerebrovascular primario.

Con la trombectomía endovascular, ahora tenemos un tratamiento para el accidente cerebrovascular isquémico que es realmente revolucionario. Nos permite llevar a los pacientes con accidente cerebrovascular de una discapacidad grave y devolverlos a una vida casi normal“, dijo el médico Sunil A. Sheth, uno de los autores del artículo y profesor de neurología en la Escuela de Medicina McGovern en UTHealth. “Desafortunadamente, las técnicas de imagen avanzadas utilizadas actualmente para identificar qué pacientes se benefician de este procedimiento no están ampliamente disponibles fuera de los grandes hospitales de referencia. Como resultado, la mayoría de los pacientes con accidente cerebrovascular no tienen acceso a pruebas de detección basadas en las guías para estos tratamientos”.

En respuesta, los doctores Sheth y Luca Giancardo, autor principal y profesor asistente de la Facultad de Informática Biomédica de la UTHealth, desarrollaron una herramienta de aprendizaje automático que podría usarse con una técnica de imagen ampliamente disponible, el angiograma TC. La herramienta puede analizar imágenes, “aprendiendo” automáticamente sutiles patrones que se pueden usar como intermediario para otras modalidades de imagen más avanzadas; pero no fácilmente disponibles, como la perfusión TC. La arquitectura de aprendizaje automático, llamada DeepSymNet, se desarrolló en UTHealth.

Para probar la herramienta, el equipo de investigación identificó a los pacientes que habían sufrido un accidente cerebrovascular o tenían condiciones que lo imitaban.

De los 224 pacientes que tuvieron accidente cerebrovascular, 179 tenían vasos sanguíneos cerebrales que estaban bloqueados. El algoritmo DeepSymNet aprendió a identificar estos bloqueos a partir de las imágenes de angiograma TC; y entrenó al software para usar esas mismas imágenes para definir el área del cerebro que había muerto, usando imágenes previas de perfusión CT como la “norma de oro“.

La ventaja es que no tiene que estar en un centro de salud académico o en un hospital de atención terciaria para determinar si este tratamiento beneficiaría al paciente. Y lo mejor de todo, el angiograma TC ya se usa ampliamente para pacientes con accidente cerebrovascular“, dijo Sheth.

Add a Comment

Your email address will not be published. Required fields are marked *