Herramienta de aprendizaje automático mejora resultados clínicos en pacientes con obstrucciones de grandes vasos sanguíneos

Un accidente cerebrovascular isquémico ocurre cuando un coágulo de sangre u otra partícula bloquea un vaso sanguíneo en el cerebro. En aproximadamente un tercio de los casos, los medicamentos que disuelven los coágulos pueden romper la obstrucción con éxito. Sin embargo, cuando el coágulo es grande, la medicación por sí sola suele resultar insuficiente, lo que lleva a los médicos a considerar la terapia endovascular. Este procedimiento implica guiar un catéter a través de una arteria en la ingle o la muñeca hasta el cerebro para eliminar el coágulo. Estudios recientes sugieren que incluso un día o más después de un accidente cerebrovascular, e incluso en casos de daño extenso, los pacientes aún pueden experimentar resultados positivos de la terapia endovascular. Por el contrario, algunos pacientes que, según métricas específicas, se predice que se beneficiarán de este procedimiento no muestran mejoría. Si bien los médicos pueden restablecer con éxito el flujo sanguíneo desbloqueando la arteria en más del 90 % de los casos, más del 50% de estos pacientes aún sufren una discapacidad moderada a grave. Un nuevo estudio tiene como objetivo cerrar la brecha entre la reapertura exitosa de un vaso mediante cirugía endovascular y la reducción de la discapacidad posterior al accidente cerebrovascular.

El estudio, que durará cinco años y que llevarán a cabo investigadores del Centro de Ciencias de la Salud de la Universidad de Texas en Houston (Houston, Texas, EUA), se centrará en el desarrollo de una herramienta de aprendizaje automático para predecir qué pacientes con ictus y bloqueos en grandes vasos sanguíneos tienen más probabilidades de beneficiarse de la terapia endovascular. El equipo creará una base de datos de imágenes yresultados clínicos de pacientes en tres hospitales de EE. UU. que se han sometido a una reperfusión exitosa, el proceso de reapertura del vaso bloqueado. Esta base de datos ayudará a los investigadores a identificar predictores clínicos y de imagen del daño cerebral posterior a la reperfusión.

El equipo de investigación desarrollará un modelo de aprendizaje automático capaz de predecir la viabilidad del tejido cerebral y los resultados clínicos utilizando datos recopilados tanto antes de la terapia endovascular como después de la reperfusión. Este modelo de aprendizaje profundo incorporará datos de imágenes, historial clínico del paciente y medidas de gravedad del accidente cerebrovascular para ayudar a identificar a los pacientes para quienes la terapia endovascular por sí sola puede no ser suficiente para producir resultados favorables. Al analizar los cambios entre las imágenes y las variables clínicas previas y posteriores al tratamiento, el modelo también apuntará a predecir los resultados en pacientes tratados con medicamentos trombolíticos y/o terapia endovascular.

“Estamos permitiendo que un algoritmo aprenda las características visuales que predicen el éxito o el fracaso”, dijo el investigador principal Luca Giancardo, PhD, profesor asociado en UTHealth Houston. “No es que el aprendizaje automático o la IA vean cosas que son invisibles. Ven cosas que están ahí. Pero encontrar correlaciones entre múltiples modalidades, con datos longitudinales, es difícil porque pueden ser muy sutiles. Esperamos que el modelo vea cosas que nosotros no vemos, que no pensamos ver, que ni siquiera pensaríamos en analizar de ciertas maneras. Por lo tanto, esperamos que este modelo pueda superar lo que podemos hacer con nuestros ojos”.

Enlaces relacionados:
UTHealth Houston

Visitar la expo >

Miembro Oro

VISOR EN PANTALLA DE DIAGNÓSTICO EN TIEMPO REAL

GEMweb Live

New

Miembro Oro

X-Ray QA Meter

T3 AD Pro

New

Mobile Power Procedure Chair

LeMans P360

New

Electric Cast Saw

CC4 System