Puntaje de riesgo multimodal, basado en IA, para la COVID-19 mejora la predicción de la severidad de los pacientes hospitalizados con COVID-19

Owkin (Nueva York, NY, EUA), desarrolló la puntuación de gravedad de IA para ayudar a identificar a los pacientes hospitalizados con COVID-19 con riesgo de deterioro severo. Las puntuaciones de riesgo para identificar predictores de la gravedad de la enfermedad combinan varios factores, incluidos la edad, el sexo y las comorbilidades. Algunas puntuaciones de riesgo también incluyen marcadores adicionales de gravedad, como el síntoma de disnea, variables del examen clínico como baja saturación de oxígeno y frecuencia respiratoria elevada, así como factores biológicos que reflejan fallas multiorgánicas. Más allá de las variables clínicas y biológicas, las tomografías computarizadas también contienen información de pronóstico, ya que el grado de inflamación pulmonar se asocia con síntomas clínicos y la cantidad de anomalía pulmonar se asocia con una evolución grave. Sin embargo, no se ha resuelto hasta qué punto las tomografías computarizadas en el momento del ingreso del paciente agregan información de pronóstico más allá de lo que se puede inferir de los datos clínicos y biológicos.

Los científicos de Owkin realizaron un estudio para integrar datos clínicos, biológicos y radiológicos para predecir el resultado de los pacientes hospitalizados. Al procesar imágenes de tomografía computarizada con un modelo de aprendizaje profundo y al utilizar un informe de radiólogo que contiene una descripción semicuantitativa de las tomografías computarizadas, el equipo evaluó la cantidad adicional de información aportada por las tomografías computarizadas. Los científicos de Owkin recopilaron 58 variables clínicas y biológicas, y datos de tomografía computarizada de tórax, de 1003 pacientes infectados con coronavirus. El equipo entrenó un modelo de aprendizaje profundo basado en tomografías computarizadas para predecir la gravedad y luego construyó la puntuación de gravedad de IA multimodal, que incluye cinco variables clínicas y biológicas (edad, sexo, oxigenación, urea, plaquetas) además del modelo de aprendizaje profundo. Su estudio mostró que el análisis de la red neuronal de las tomografías computarizadas aporta información de pronóstico única, aunque se correlaciona con otros marcadores de gravedad (oxigenación, LDH y PCR) que explican el aumento medible pero limitado de 0,03 del AUC obtenido al agregar la información de la tomografía computarizada a las variables clínicas. Los científicos descubrieron que, al comparar la gravedad de la IA con 11 puntuaciones de gravedad existentes, el desempeño del pronóstico mejoró significativamente, lo que sugiere que la gravedad mediante la IA puede convertirse rápidamente en un enfoque de puntuación de referencia.

Enlace relacionado:
Owkin