Jennifer M. Kwan y col
Frontiers in Cardiovascular Medicine. 15 marzo 2022. doi: 10.3389/fcvm.2022.829553
Los recientes avances en imágenes, particularmente en las imágenes dirigidas molecularmente, pueden ayudar a detectar cardiotoxicidad desde las primeras etapas con mayor especificidad, así como arrojar luz sobre el mecanismo y la respuesta a medicamentos cardioprotectores. Al aplicar la inteligencia artificial (IA) y los macrodatos (big data) sobre los parámetros de imagen y las imágenes moleculares, además de la demografía del paciente, se pueden predecir o detectar toxicidades cardiovasculares en sus primeras etapas.
Para aclarar algunos de estos conceptos novedosos el excelente artículo de Jennifer Kwan y colque merece ser leído en su totalidad-, define que la IA se refiere a la capacidad de un sistema automatizado para realizar tareas que son típicamente características del ser humano, como el reconocimiento de imágenes y patrones, así como la predicción y clasificación de la información adquirida.. El aprendizaje automático (machine learning) describe el proceso por el cual un sistema adquiere la capacidad de realizar tal tarea. Los algoritmos aplicados para este proceso, pueden ir desde los modelos de regresión tradicionales a redes neuronales profundas, que consisten en múltiples capas de neuronas y nodos que funcionan de manera similar al cerebro humano. Sin embargo, independientemente del algoritmo utilizado, los sistemas de aprendizaje automático se basan en entradas de alta calidad para ofrece información de salida de alta calidad. Aquí es donde los macrodatos se vuelven relevantes, ya que son necesarios conjuntos de datos que sean lo suficientemente grandes para garantizar una varianza adecuada, pero al mismo tiempo sigan siendo representativos de su población objetivo. Solo así se logran análisis eficientes en el tiempo capaces de abordar eficazmente un tema específico.
Algunas de las particularidades de la Cardio Oncología generan dificultades a la hora de aplicar estos conceptos sobre el aprendizaje automático. En primer lugar, la enfermedad cardiovascular a menudo constituye un criterio de exclusión en los principales ensayos de cáncer, lo que resulta en una representación limitada del monto de datos. Sin embargo, si en un futuro se adquieren suficientes datos de referencia y de seguimiento (biomarcadores moleculares, imágenes basales antes del inicio de la terapia oncológica y seguimiento, que se puedan utilizar como datos de entrada) esta dificultad podrá ser subsanada.
En segundo lugar, mientras que los sistemas de IA pueden aprender patrones de los datos, no resulta sencillo muchas veces establecer la razón que impulsa esas predicciones o establece la inferencia causal. Además, el cáncer es una enfermedad heterogénea con múltiples características moleculares, histológicas y subtipos clínicos que a menudo responden de manera diferente a las mismas terapias. Por lo tanto, asegurar la generalización de modelos a través de diferentes subtipos de cáncer, tratamientos y poblaciones puede ser una tarea insuperable sin acceso a grandes cantidades de datos etiquetados con precisión.
Tercero, existe a menudo un retraso significativo en el tiempo entre la recopilación de datos, entrenamiento del modelo y el despliegue del modelo final. Como resultado, los modelos de IA a menudo van quedando desactualizados cuando se implementan para uso clínico. Por lo tanto, se requiere de vías más eficientes que permitan actualizaciones en tiempo real.
Finalmente, los modelos de IA son propensos a sesgos que están inherentemente presentes en los conjuntos de datos utilizados para el entrenamiento. Por ello, garantizar la representación de diversas poblaciones de pacientes es de suma importancia para promover una equidad de la IA en la prestación de servicios de salud y sus resultados.
Asociar las tecnologías emergentes con la IA y macrodatos es el futuro. Las nuevas imágenes nucleares utilizando radiotrazadores dirigidos, algunos de los cuales ya están siendo clínicamente utilizados, puede tener más especificidad y ayudar a proporcionar información sobre los mecanismos de cardiotoxicidad, incluso en la miocardiopatía mediada por antraciclinas o inhibidores de los puntos de control (check points). La resonancia magnética hiperpolarizada se puede usar para evaluar los efectos de la terapia oncológica sobre el metabolismo cardiaco.
Por último, la IA y los macrodatos aplicados a las imágenes pueden ayudar a predecir y detectar signos tempranos de cardiotoxicidad, pero también la respuesta a los medicamentos cardioprotectores, así como proporcionar información sobre el valor agregado de las imágenes moleculares y las correlaciones con los resultados cardiovasculares.
