viernes, 7 de diciembre de 2018

Inteligencia Artificial en Dermatología: ¿Ordenadores en vez de dermatólogos?


Actualmente estamos viviendo un cambio de paradigma en la Medicina, y es que se está produciendo un cambio desde una medicina basada en síntomas (Medicina Intuitiva), que era la que se imponía hasta hace pocas décadas, a una medicina basada en patrones (Medicina Basada en la Evidencia), que es a la que pretendemos aspirar hoy en día dentro de nuestras posibilidades, y que ya de por sí se está comenzando a convertir en una medicina basada en algoritmos (Medicina de Precisión).



La Medicina Intutitiva se basaba en definitiva en pautar el tratamiento que creemos que puede ser más apropiado para un paciente según los síntomas que presenta.
La Medicina Basada en la Evidencia se basaba en cambio en optimizar la toma de decisiones tras el estudio de pruebas científicas provenientes de investigaciones correctamente llevadas a cabo (basándose en metaanálisis, revisiones sistemáticas y ensayos clínicos controlados aleatorizados).
La Medicina de Precisión, o Medicina Personalizada, por otra parte, busca seleccionar el tratamiento de forma personalizada atendiendo a las características de cada paciente individual.

Así, el futuro ya está aquí, y los llamados “Grandes Datos” (Big Data) son la base de toda esta Medicina de Precisión. Conocemos por Big Data a una cantidad voluminosa de datos que tienen el potencial de ser extraídos para obtener de ellos información. Esta información -a nivel de la salud- puede venir de múltiples fuentes diferentes, incluyendo historias clínicas, fotografías, pruebas analíticas, radiológicas, o incluso desde sensores incluidos en nuestros móviles, portátiles, relojes, etc.  Actualmente se estima que la información acerca de datos de la salud crece exponencialmente, a aproximadamente un 50% al año.

Una vez tenemos todos estos grandes volúmenes de datos, es cuando entra en juego el aprendizaje de las máquinas (Machine Learning). Se trata de que -mediante la integración de todos estas ingentes cantidades de datos que se obtienen de los pacientes- se puedan obtener algoritmos que nos permitan conseguir (por ejemplo) llegar a un diagnóstico o seleccionar un tratamiento, y esta aplicación es lo que entendemos por Inteligencia Artificial (IA) aplicada a la medicina.

Y precisamente donde a priori es más sencillo que una máquina supere al ser humano -a nivel de la medicina- es cuando la información se base en imágenes a ser analizadas, y esto es algo fundamental en dermatología.

Ya en el año 2017 la prestigiosa revista Nature publicó un estudio en que se comparaba la precisión diagnóstica de un ordenador “entrenado” (Inteligencia Artificial) gracias al uso de algoritmos de “Deep Learning” frente a 21 médicos especialistas en Dermatología a la hora de diferenciar mediante imágenes entre lesiones cutáneas benignas y malignas (concretamente entre queratosis seborreicas –lesiones benignas- y carcinomas basocelulares o escamocelulares –lesiones malignas-, y entre lunares –lesiones benignas- y melanomas –lesiones malignas-): los resultados en precisión diagnóstica obtenidos fueron comparables entre ambos grupos (médicos y IA).
Desde entonces, se han publicado varios estudios, como otro estudio en que se comparó una IA con 95 médicos (la mayoría dermatólogos) con mayor o menor experiencia en dermatoscopia en el diagnóstico de cánceres de piel no pigmentados (que por lo general son de más difícil diagnóstico) mediante el análisis de más de 2.000 imágenes clínicas y dermatoscópicas. Como resultado, la IA obtuvo una capacidad de clasificar las lesiones comparable a la de los médicos humanos, aunque fue algo menor a la del subgrupo de médicos de mayor experiencia.

Pero igualmente, a día de hoy la FDA (Agencia Reguladora del Medicamento para Estados Unidos) ya ha aprobado (tras comprobarse su efectividad) diferentes softwares de Inteligencia artificial aplicados a la salud, la mayoría de ellos basados en imágenes. Aquí algunos ejemplos:
-La aplicación Arterys ayuda a los clínicos en el rastreo, medición y seguimento de posibles tumores malignos mediante el análisis de imágenes radiológicas.
-La aplicación Viz.AI es un software que usa algoritmos de IA para analizar imágenes de tomografía computerizada (TAC) para indicar sobre un posible ictus.
-La aplicación Aidoc es muy similar, y busca signos de hemorragia intracraneal…
-La aplicación AliveCor se basa en un software que usa los algoritmos de DA para detectar posible hiperkaliemia (elevación del potasio en sangre) a partir de la valoración de un electrocardiograma, en pacientes con insuficiencia renal u otros factores de riesgo. 
IDx-DR es una aplicación de IA para el diagnóstico precoz de retinopatía diabética mediante el análisis de imágenes de fondo de ojo en pacientes con diabetes.
-La aplicación OsteoDetect es un software de IA cuyos algoritmos permiten analizar las radiografías simples en dos planos de muñeca para poder valorar posibles signos de fractura de radio distal. 

Pero la IA no es solamente aplicable a las imágenes, sino que también se están desarrollando diversos proyectos basados en la extracción de datos de las propias historias clínicas, como ocurre con el proyecto español savana liderado por el Dr. Ignacio Hernández Medrano.

En cualquier caso, la IA NO es perfecta; es especialmente útil ante patrones que se repiten, pero no tanto ante lo “raro”, lo “nuevo”… las “enfermedades raras”.  Tampoco las máquinas tienen empatía, ni pueden confortar o consolar.

Y aunque es evidente que aún queda un largo camino por recorrer para la Inteligencia Artificial en la medicina en general, y la dermatología en particular, no podemos negar la evidencia de su utilidad, ni volverle la espalda, sino que los profesionales sanitarios debemos considerarla un complemento, una herramienta más que puede ayudarnos en nuestro trabajo para poder desarrollar a esta “medicina de precisión” que iremos viendo en un futuro próximo.

Por otro lado, se estima que para el año 2021 existan 6.3 billones de personas con acceso a un Smartphone, por lo que el acceso desde el móvil a este tipo de tecnologías podría facilitar un acceso más universal y con un coste más bajo a determinados diagnósticos y seguimientos.

Más información:
- Esteva A, Kuprel B, Novoa RA, Ko J, Swetter SM, Blau HM, Thrun S. Dermatologist-level classification of skin cancer with deep neural networks. Nature. 2017;542:115-118.
- Mar VJ, Scolyer RA, Long GV. Computer-assisted diagnosis for skin cancer: have we been outsmarted? Lancet. 2017;389:1962-1964.
- Tschandl P, Rosendahl C, Akay BN, Argenziano G, Blum A, Braun RP, et al. Expert-Level Diagnosis of Nonpigmented Skin Cancer by Combined Convolutional Neural Networks. JAMA Dermatol. 2018 Nov 28. [Epub ahead of print]
- Haenssle HA, Fink C, Schneiderbauer R, Toberer F, Buhl T, Blum A,et al. Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists. Ann Oncol. 2018;29:1836-1842.
- Marchetti MA, Codella NCF, Dusza SW, Gutman DA, Helba B, Kalloo A. Results of the 2016 International Skin Imaging Collaboration International Symposium on Biomedical Imaging challenge: Comparison of the accuracy of computer algorithms to dermatologists for the diagnosis of melanoma from dermoscopic images. J Am Acad Dermatol. 2018;78:270-277.
- Brinker TJ, Hekler A, Utikal JS, Grabe N, Schadendorf D, Klode J Skin Cancer Classification Using Convolutional Neural Networks: Systematic Review. J Med Internet Res. 2018;20:e11936.