INTELIGENCIA ARTIFICIAL EN NEUMOLOGÍA
..................
Leslie Vargas-Ramírez ¹, Rafael Brango Ayazo ²
Resumen
Cada día encontramos con mayor frecuencia el término inteligencia
artificial en todos los escenarios
de la medicina incluyendo la neumología, siendo una necesidad el
conocimiento en el tema y el acercamiento del profesional de salud al
uso de estas herramientas. La aplicabilidad de la inteligencia
artificial en neumología tuvo sus inicios en la interpretación de
pruebas de función pulmonar y en ámbitos
de diagnóstico. Sin embargo, rápidamente vemos la importancia del uso
en soporte de decisiones,
monitoreo y vigilancia de desenlaces en la práctica diaria y en el
campo de investigación, modelos de
predicción clínicos, solo para mencionar algunos. Este artículo es una
revisión narrativa del papel de la
inteligencia artificial en algunas de las patologías más frecuentemente
vistas en nuestra práctica diaria.
Describimos el uso de inteligencia artificial en el diagnóstico
clínico, funcional e imagenológico de la
EPOC y el asma así como en el monitoreo remoto de los pacientes, los
avances en la interpretación de
imágenes y de patología de las enfermedades intersticiales con el uso
de Aprendizaje Automatizado
(AA) y Aprendizaje Profundo (AP), la aplicación en tamización de
hipertensión pulmonar a partir de
pruebas diferentes al cateterismo cardiaco derecho, y finalmente la
amplia gama de aplicaciones en
medicina del sueño, en la que el avance es asombroso.
Palabras clave: Inteligencia artificial; Deep Learning; Machine Learning; Neumología; Enfermedad
Pulmonar obstructiva crónica; Asma; Hipertensión pulmonar; Enfermedad pulmonar intersticial; Apnea
del sueño.
..............
¹ MD. Departamento Neumología, Instituto Neumológico del Oriente, Bucaramanga, Colombia.
² MD. Gerencia y Auditoría de la Calidad en Salud, Asmetsalud, Bogotá, Colombia.
ARTIFICIAL INTELLIGENCE IN PULMONOLOGY
Abstract
Every day we find more often the term artificial
intelligence in all scenarios of medicine including pulmonology, being
a necessity the knowledge in the subject and the approach of the health
professional to the use of these tools. The applicability of artificial
intelligence in pulmonology
had its beginnings in the interpretation of pulmonary function tests
and in diagnostic settings,
however, we quickly see the importance of its use in decision support,
checking and surveillance of outcomes in daily practice and in the
field of research, clinical prediction models, just
to name a few. In this article we make a narrative review of the role
of artificial intelligence in
some of the pathologies most often seen in our daily practice. The use
of artificial intelligence
is described in the clinical, functional, and imaging diagnosis of COPD
and asthma as well as
in the remote monitoring of patients, advances in the interpretation of
images and pathology
of interstitial diseases with the use of machine learning and deep
learning, the application in
pulmonary hypertension screening from tests other than right heart
catheterization and finally
the wide range of applications in sleep medicine where progress is
amazing.
Keywords: Artificial Intelligence; Deep Learning; Machine Learning; Pulmonary Medicine;
Pulmonary Disease Chronic Obstructive; Asthma; Hypertension Pulmonary; Lung Diseases
Interstitial; Sleep Apnea Syndromes.
Introducción
Para citar a Herman Kesten, los progresos de la medicina son gigantescos. La inteligencia artificial (IA)
es entendida en términos generales como cualquier
tipo de sistema computacional artificial que muestra
un comportamiento inteligente, es decir, un comportamiento complejo que conduce a alcanzar objetivos.
Se ha venido presentando en los últimos años como el
verdadero impulsor de un cambio o transformación,
que aunque se mostraba como inaudito, ha mejorado
nuestro presente y futuro (1).
El sector de la salud está respondiendo a un consumismo creciente,
influido por las diferentes experiencias que la sociedad tiene frente a
bienes y servicios en
otros sectores que de la mano de las nuevas tecnologías se reinventan
poniendo en el centro al consumidor, usuario, ciudadano que en nuestro
caso sería el
paciente, haciéndole más participativo y promoviendo
los mejores resultados en salud. Aunque la IA ya se
está utilizando en el entorno de los sistemas sanitarios,
su uso será cada vez más imprescindible en la atención
médica, ya que permite mejorar la productividad, la
calidad de la atención, la participación del paciente en
su manejo y seguimiento, el acceso a los servicios, ganando en
proximidad y humanización de los procesos
al permitir dedicar más tiempo y de mayor calidad a la
relación médico-paciente.
La IA es en este momento una prioridad de la sociedad y así lo están
entendiendo los responsables de la toma de decisiones en materia de
salud, gobiernos de
todo el mundo, empresas, inversores, innovadores y
emprendedores entre otros.
Las enfermedades respiratorias son responsables de
una alta carga de morbilidad y mortalidad a nivel
mundial. Su prevención, diagnóstico temprano y tratamiento adecuado permitirán aliviar esta carga en gran
medida.
La IA presagia oportunidades emocionantes en la optimización de la atención médica y significa un sinfín
de posibilidades para personalizar la atención en salud, brindando una herramienta a los neumólogos que
les permita interpretar los síntomas respiratorios con
precisión y hacer un diagnóstico correcto. A continuación, hacemos una revisión narrativa del papel de la
IA en algunas de las patologías respiratorias, siendo
imposible abarcar en este espacio todo el espectro en
el que se está utilizando actualmente.
IA en fisiología pulmonar
Las pruebas de función pulmonar (PFP) son la principal herramienta para
la valoración del sistema respiratorio. Su interpretación requiere de
un neumólogo
que, basado en guías internacionales, puede clasificarlas como
normales, obstructivas, restrictivas o mixtas.
Aunque es un proceso estandarizado, la precisión
diagnóstica dependerá de la experticia de quien las interpreta, lo cual
dificulta la generalización, siendo la
IA una herramienta que podría ayudar en este fin (2).
En un trabajo realizado con 120 neumólogos de 16
hospitales europeos que evaluaron 50 casos con PFP,
se encontró que el reconocimiento de los patrones
coincidió con las guías internacionales en el 74,4% (±
5,9) de los casos (kappa 0,67), mientras el diagnóstico
correcto fue realizado por 44,6% de los neumólogos
(
kappa 0,35). En comparación, un software que utilizó
datos de las PFP combinados con características del
paciente (edad, sexo, Índice de Masa Corporal (IMC)
y el índice paquete año de consumo de tabaco) logró
hacer una interpretación correcta de los patrones en
el 100% de los casos y un diagnóstico correcto en el
82% (3). El uso de un marco de aprendizaje automático, integrando la función pulmonar con las variables
clínicas, puede proporcionar árboles de decisión alternativos que permiten un diagnóstico más preciso (4).
IA en enfermedad pulmonar
obstructiva crónica (EPOC)
La enfermedad pulmonar obstructiva crónica (EPOC)
tiene una prevalencia alta y se considera que en el 2030
será la tercera causa de muerte en el mundo. El diagnóstico se realiza por espirometría, pero sigue siendo
una enfermedad infradiagnosticada por lo que se ha
propuesto la IA como herramienta para el diagnóstico
a través de múltiples aplicaciones (5).
El uso de DL para evaluación de imágenes se ha usado
con un buen rendimiento diagnóstico (6). Basados en
un marco de diagnóstico asistido por computadora es
posible hacer el abordaje y clasificación de los subtipos
de enfisema en la TAC, así como la evaluación de la
gravedad y extensión del mismo (7) permitiendo una
aproximación más precisa a la enfermedad.
Se pueden identificar regiones portadoras de patología
en una imagen a través de características del contenido
de la imagen como color, forma, textura y longitud de
ejecución. La selección de características es la base de
la precisión de estos marcos de diagnóstico asistidos
por computadora. Este proceso consiste en encontrar
el subconjunto óptimo de características extraídas para
que pueda hacerse una correcta y precisa clasificación.
Existen cuatro enfoques del proceso: el de filtro, que
selecciona características clasificándolas con una puntuación de
relevancia y descarta las de baja calificación tomando un umbral de
referencia que puede ser el
índice Gini, chi cuadrado, ganancia de información o el coeficiente de
Pearson; el enfoque de envoltura, que
identifica un subconjunto de características en función
del rendimiento predictivo; el enfoque integrado, semejante al de
envoltura y, finalmente, el enfoque híbrido, que realiza la
clasificación de características similar al filtro y los resultados
filtrados se ajustan usando
el enfoque de envoltura (8).
La segmentación es el proceso de dividir los tejidos
pulmonares de un corte de tomografía axial computarizada (TAC) pulmonar eliminando su fondo,
lo cual requiere de gran precisión para establecer
límites en tejidos o lesiones pulmonares. Para esto
se pueden utilizar clústeres o conglomerados, abordando el problema de la incertidumbre, es decir, la
variabilidad de la intensidad de los pixeles vecinos
en la imagen.
Un análisis basado en AP de TAC no solamente puede
clasificar fumadores con o sin EPOC, sino que puede
predecir desenlaces como exacerbaciones y mortalidad. Esta evaluación por AP puede ser desarrollada en
una cohorte y aplicada a otra sin requerimiento de un
entrenamiento adicional, a partir de la identificación
de clústeres o subgrupos que comparten imágenes y
características clínicas únicas (9).
En los últimos años se ha observado un aumento del
uso de algoritmos de AA para clasificar con mayor
precisión los fenotipos de la enfermedad a través de
clústeres que permiten integrar información de los pacientes y
encontrar estructuras en los datos que sean
similares entre sí (10). En este ámbito de investigación
también se han establecido puntos de buenas prácticas
como son el uso de datos longitudinales prospectivos,
cohortes que incluyan diferentes poblaciones y escenarios, inclusión de
información genética como la disponible en las bases de datos de
COPDgene y la garantía
de claridad en la selección de las variables que se usen
para identificar los fenotipos (10).
Figura 1. (a) Corte de TC de pulmón de entrada, (b) Tejidos pulmonares segmentados, (c) Pulmón derecho que
representa cuatro grupos, (d) Regiones de interés extraídas del pulmón derecho (enfisema), (e) Pulmón izquierdo
que representa cuatro grupos, (f) Regiones de interés extraídas del pulmón izquierdo (bulas subpleurales). Figura
modificada con autorización de Isaac A, Nehemiah H, Isaac A, Kannan A. Computer- Aided Diagnosis system for
diagnosis of pulmonary emphysema using bio-inspired algorithms. Comput Biol Med. 2020;124:103940.
La IA también permite evaluar progresión de la EPOC
(11). Un buen ejemplo es SuStain (Subtype and Stage
Inference), una herramienta de AA capaz de definir
subtipos de la enfermedad, estadios y progresión en
tiempo a partir de datos transversales de TAC y función respiratoria. Los hallazgos fueron validados en
un corte transversal en la cohorte ECLIPSE (12) y de
forma longitudinal en la cohorte COPDGene con datos de cinco años de seguimiento (13).
Así mismo, se han podido crear modelos a través de
AA para establecer predictores de exacerbación a través de datos
obtenidos de forma automática de historias clínicas electrónicas (14).
En nuevos modelos de
predicción de mortalidad usando AA se han incluido
de forma novedosa mediciones de imágenes, incluyendo datos de la pared
cardiaca, pared de la vía aérea y
del parénquima; siendo interesante que se continúa encontrando la
distancia de la caminata de seis minutos,
el Volumen Espiratorio Forzado en 1 segundo (VEF1),
la disnea y el IMC como predictores de mortalidad en
EPOC, acompañados de la relación arteria pulmonar/
aorta (15,16). El monitoreo remoto del paciente con
EPOC ha permitido que el equipo tratante tenga la
certeza de que está haciendo el seguimiento adecuado,
y que el paciente gane confianza en el personal que le
hace el seguimiento y en sí mismo.
Un claro ejemplo es el uso de acelerómetros que permiten el monitoreo
de la actividad física, con el que se
procesan y clasifican los tipos de actividades que hace
el paciente e incluso permiten darle indicaciones de lo
que debe hacer, a través de algoritmos de AA que ajustan las
recomendaciones a las necesidades del paciente. También están
disponibles sistemas de monitoreo
remoto para detección de tos y control de frecuencia
de esta, los cuales usan un micrófono y análisis del audio basados en
IA, evaluando también las sibilancias
a través de algoritmos de AA con muy buena sensibilidad y precisión
(17).
IA en asma
El diagnóstico de asma requiere un abordaje inicial
que se basa en la historia clínica y se soporta en gran
medida con la detección de sibilancias en la auscultación; sin embargo,
la detección de estos ruidos respiratorios necesita entrenamiento, por
lo que pueden ser
pasadas por alto por personal inexperto. Existen dispositivos
portátiles que registran las señales de los ruidos
respiratorios y permiten identificar sibilancias con una
sensibilidad del 89,3% y una especificidad de 96,2%;
las señales son posteriormente transferidas a teléfonos
inteligentes, que a través de un algoritmo que usa un
modelo de Markov profundo, identifican las frecuencia correctas (18).
Un algoritmo de procesamiento de lenguaje natural
(NPL) se desarrolló a partir de un proceso automático
de extracción de datos de registros médicos electrónicos (historia
clínica, laboratorio y antecedentes especialmente) logrando el
diagnóstico de asma en una
cohorte de niños con una sensibilidad del 86%, especificidad 98%, valor
predictivo positivo del 98% y valor
predictivo negativo del 98% (19).
Algoritmos de AA también han sido utilizados en el
ámbito de la interpretación de pruebas de función pulmonar en asma. En
un estudio se utilizaron diferentes
técnicas (K-Nearest Neighbors, Random forest (RF),
AdaBoost con árboles de decisión y clasificación basada en disimilitud)
para aumentar la precisión del diagnóstico de asma a través de
oscilometría forzada. Los
autores demostraron que estas herramientas lograban
el objetivo propuesto, siendo la mejor área bajo la curva 0,91 (20).
Integrar un mayor número de variables
que representen el componente multidimensional de
la enfermedad: clínica, genotipo, RNA de células mononucleares en
sangre periférica, citometría de flujo,
citoquinas, RT-qPCR, podría establecer fenotipos más
precisos en términos de clasificación a través de ML
(
Figura 2) (21).
En el contexto del tratamiento, determinar las variables que predicen
la respuesta a esteroides nos permitiría mayor precisión en el manejo
de los pacientes. Para
este fin, en un trabajo con 346 adultos con asma se
utilizó un modelo de aprendizaje no supervisado de
múltiples vistas, con lo cual se identificaron 4 clústeres
(22). Los grupos 1 y 2 estuvieron compuestos por pacientes jóvenes con
asma alérgica, función pulmonar
normal, que respondían a esteroide y que se diferenciaban por las
características del esputo; un tercer grupo
de mayor edad con asma de inicio tardío, eosinofilia y
compromiso de la función pulmonar que respondían
a esteroide, y un cuarto grupo de pacientes de sexo
femenino, con obesidad, alteración obstructiva severa, poca eosinofilia
y pobre respuesta a los esteroides.
A partir de este análisis se reconocieron 12 variables
predictivas de esta respuesta, lo que permitiría hacer
realmente una medicina de precisión.
El tratamiento de los pacientes con asma tiene por
objetivo lograr el adecuado control de los síntomas,
seguimiento que habitualmente se realiza a través de
cuestionarios. La introducción de otras características
como la fracción de óxido nítrico exhalado (FeNO),
compuestos orgánicos volátiles exhalados (VOCs) y
citocinas para determinar control, ha sido evaluada
usando RF, demostrando que adicionar VOCs podría
discriminar niños con asma persistente controlada y
no controlada con un área bajo la curva de 86%, y que
añadir el FeNO y los otros marcadores no mejora la
precisión en esta clasificación (23).
Figura 2. El aprendizaje estadístico sobre datos inmunológicos, genéticos y ambientales clasifica bien el asma. La
estimación del riesgo es más precisa cuando se incorporan todos los datos con una estrategia multimodal. Los mejores
predictores son tres genes diana. ALPP: fosfatasa alcalina placentaria, PKN2: proteína quinasa N2, PTK2: proteína
tirosina quinasa 2. AUC: área bajo la curva de características operativas del receptor (adaptado con autorización
de Krautenbacher N, Flach N, Böck A, Laubhahn K, Laimighofer M, Theis FJ, et al. A strategy for high-dimensional
multivariable analysis classifies childhood asthma phenotypes from genetic, immunological, and environmental factors.
Allergy. 2019 Jul;74(7):1364-1373. doi: 10.1111/all.13745. Epub 2019 Mar 31.).
Se han propuesto también algoritmos de aprendizaje
conjuntos, es decir una combinación del conocimiento médico con algoritmos de aprendizaje supervisado
para mejorar los resultados en la detección del nivel de
control del asma. Este tipo de modelos pueden aplicarse en sistemas electrónicos de autocuidado para
apoyar la toma de decisiones en tiempo real, así como
para proveer al paciente alarmas personalizadas sobre
deterioro en su condición o pérdida del control de la
enfermedad (24).
La predicción de crisis se ha abordado a través de modelos avanzados de AP, que toman variables clínicas de
registros médicos electrónicos. Xiant Y. y colaboradores (25) propusieron una red neuronal sensible al tiempo
para predecir exacerbaciones en una población de más
de 30.000 pacientes, usando el mecanismo de atención,
específicamente diseñado para redes neuronales profundas, actuando como filtro de información y asignando
un peso a cada concepto clínico. Con todos estos datos
se logró definir factores de riesgo personalizados y, a nivel de cohorte se logró una muy buena precisión.
En pacientes con asma también se han usado dispositivos para monitoreo remoto. Un sensor basado en
acelerómetro se usó para recopilar datos durante el
sueño de pacientes pediátricos asmáticos, registrando
frecuencia cardiaca, frecuencia respiratoria, aceleración de pulso y movimientos, logrando correlacionar
estos cambios fisiológicos con los síntomas y predecir
exacerbaciones (26).
IA en enfermedad pulmonar
intersticial
El abordaje de las enfermedades pulmonares intersticiales requiere una
historia clínica detallada, examen
físico completo con énfasis en la auscultación pulmonar y una correcta
evaluación tomográfica. Con las
guías actuales y la discusión en grupos multidisciplinares se tiene una
mejor probabilidad de hacer un diagnóstico preciso. Sin embargo, el
acceso a estos grupos
es limitado y las habilidades en detectar estertores finos en la
auscultación pulmonar, así como la interpretación de las imágenes,
requieren experticia.
La cuantificación de los sonidos respiratorios -incluyendo
los estertores finos a través de algoritmos basados en AApuede predecir los hallazgos de fibrosis pulmonar en la
tomografía, dando apoyo al diagnóstico temprano de
esta patología. Los ruidos respiratorios son registrados
a través de fonendoscopios electrónicos y transferidos a
computadores que identifican el tipo de sonido según el
algoritmo (27).
Desde hace varios años se ha utilizado el análisis asistido por
computadora y la identificación y clasificación automatizada basados en
TAC a través de características de textura como matrices de
coocurrencia de
nivel de gris, matrices de longitud de ejecución, análisis fractal y
medidas basadas en histograma, proponiéndose más recientemente el uso
de características
aprendidas directamente de los datos (28).
Algunos de estos métodos se basan en algoritmos
de aprendizaje no supervisado como la máquina de
Boltzmann (29), una red neuronal capaz de capturar
y reproducir la estructura estadística de un conjunto
de datos dado o K-SVD (30) para construir conjuntos
de características aprendidas. La cuantificación de las
anormalidades tomográficas permite caracterizar subgrupos de esta enfermedad. Para este fin han usado
redes neuronales convolucionales (CNN) a partir de
patrones tomográficos específicos extraídos de regiones de interés como se observan en la figura 3, a los
cuales se les incorporan redes 2D, 2.5D y 3D.
Cada red individual es entrenada en la base de datos
y luego los resultados de las redes se resumen y combinan a la salida
del conjunto, lo cual mostró un rendimiento superior comparado con los
modelos individuales (31).
La evaluación de TAC mediante un algoritmo de DL
puede proporcionar una clasificación casi inmediata
de las enfermedades pulmonares intersticiales con un
alto nivel de precisión, convirtiéndose en una herramienta útil en centros donde no se tiene experiencia
en la interpretación de imágenes torácicas (32). En
ocasiones, es necesario el análisis de tejido pulmonar
obtenido por biopsia transbronquial, biopsia abierta o
crio biopsia para establecer el diagnóstico definitivo,
requiriendo de la participación de un patólogo entrenado en pulmón.
Pankratz y colaboradores (33), desarrollaron un clasificador genómico
de tejido obtenido por biopsia transbronquial que diferencia la
neumonía intersticial usual
(NIU) de la no NIU, tomando como referencia al patólogo experto. Se
utilizó AA para entrenar un algoritmo altamente específico, demostrando
que se mejora
la utilidad de este tipo de muestras, siendo necesario
a futuro la realización de validaciones y análisis con
especímenes obtenidos a través de otros procedimientos (34).
IA en hipertensión arterial pulmonar
El diagnóstico de la hipertensión arterial pulmonar
(HAP) a menudo se retrasa por la falta de sospecha
clínica y por la necesidad de realización de cateterismo cardíaco
derecho, procedimiento que no es de fácil acceso, pero que es
indispensable para confirmar,
cuantificar, clasificar y determinar el tratamiento. El
uso de pruebas más sencillas podría permitir una aproximación temprana
a la enfermedad. La radiografía de
tórax es de fácil acceso, bajo costo y se puede convertir
-a través de la aplicación de AP- en una herramienta
para el diagnóstico de HAP (35), con la posibilidad
incluso de estratificar el riesgo de hospitalización por
insuficiencia cardiaca (36).
El electrocardiograma (ECG) también puede ayudar
en la tamización y detección temprana de HAP. Un algoritmo de IA fue
desarrollado usando una red neural
profunda, una red neural convolucional y un método
de ensamble para integrar las dos redes a partir de la
señal del ECG de 12 derivaciones y datos demográficos de una cohorte
histórica multicéntrica de más de
20.000 pacientes para diagnosticar HAP, alcanzando
un área bajo la curva de 0,85 en la validación interna y
0,90 en la validación externa (37).
Figura 3. Resultados de la clasificación automática en dos tomografías con diferentes subtipos de anormalidad
intersticial. NP (parénquima normal), RETIC (reticular), Nod (Nodular), SUBPL (Línea Subpleural), LINSC (Cicatriz
Lineal), GC (Vidrio Esmerilado), PS (Enfisema Paraseptal), CL (Enfisema Centrilobulillar) (modificada con
autorización de Bermejo-Peláez D, Ash SY, Washko GR, San José Estépar R, Ledesma-Carbayo MJ. Classification
of Interstitial Lung Abnormality Patterns with an Ensemble of Deep Convolutional Neural Networks. Sci Rep. 2020
Jan 15;10(1):338. doi: 10.1038/s41598-019-56989-5).
El uso de algoritmos de AA permitió predecir HAP a
través de la integración de varios parámetros ecocardiográficos con características como edad, sexo, IMC
y área de superficie corporal en una serie de casos retrospectivos, sugiriendo que podrían integrarse a las
máquinas ecocardiográficas con el objetivo de aumentar la sensibilidad y la precisión diagnostica (38,39).
Es posible realizar interpretación automatizada de los
ecocardiogramas entrenando redes neurales convolucionales para la detección de HAP (40).
También se ha utilizado AA en la identificación de
fenotipos basados en el análisis no supervisado de perfiles
proteómicos. En un estudio observacional prospectivo con pacientes con
HAP del grupo 1 evaluados
en las universidades de Stanford y Sheffield, se midió
un panel de 48 citoquinas, quimioquinas y factores de
crecimiento, con lo cual se descubrieron y validaron
cuatro clústeres con distintos perfiles inmunológicos
que podrían predecir riesgos clínicos, pronóstico a
largo plazo y constituir blancos terapéuticos para terapias emergentes
(41). Los métodos de AA de última
generación superan los enfoques basados en reglas de
decisión simple, usadas comúnmente para identificación de personas con
hipertensión pulmonar en bases
de registros médicos electrónicos, lo cual es aplicable
en metodología a la selección de cohortes para investigación con mayor
sensibilidad y especificidad (42).
Figura 4. Fuentes de Big Data: datos recopilados a diario provenientes de diferentes fuentes pueden ser
complementados con geolocalización que permita evaluar el entorno del paciente. Se generan nuevas
oportunidades, pero también desafíos (figura modificada con autorización
de Pépin JL, Bailly S, Tamisier R. Big Data in sleep apnoea: Opportunities and challenges.
Respirology. 2020 May;25(5):486-494. doi: 10.1111/resp.13669. Epub 2019 Aug 14).
IA en medicina del sueño
En 2020 la Academia Americana de Medicina del
Sueño (AASM) publicó una breve revisión acerca de
las actuales aplicaciones de la IA en medicina del sueño, ventajas,
desventajas y su potencial uso. Este documento permitió poner en la
mesa la necesidad de
generalizar su conocimiento (43). Una de las primeras
aplicaciones ha sido en la estadificación de las etapas
de sueño en la polisomnografía. Esta actividad requiere la marcación de
la etapa de sueño en épocas de 30
segundos de registro electroencefalográfico, actividad
que demanda gran cantidad de tiempo. La aplicación
de AA en este proceso ha demostrado buena precisión
en la estadificación con kappas de 0,8 similares a las
reportadas en comparaciones interevaluador (0,68-
0,76) (44).
A través de AP basado en redes neuronales convolucionales es posible detectar los eventos respiratorios
(apneas e hipopneas) en la polisomnografía, siendo
capaz de lidiar con diferentes características de las señales como las formas de la onda y las demás señales
fisiológicas para una correcta identificación (45,46).
Con respecto a las aplicaciones descritas, la AASM
adopta como posición la aceptación del análisis mediante IA de los
datos electrofisiológicos adquiridos a
partir de polisomnografía. Se espera que las aplicaciones de la IA en
la estadificación de las etapas del sueño y marcación de los eventos
respiratorios mejoren la
eficiencia de los laboratorios de sueño sin reemplazar
la evaluación por el experto (47). En la parte clínica ha
sido muy importante el uso de BigData en la caracterización de los
diferentes fenotipos de la enfermedad,
así como en la construcción de modelos predictivos y
de subgrupos según la respuesta al manejo con CPAP,
permitiendo realizar una verdadera medicina personalizada y de
precisión (48). Las fuentes de datos son
múltiples y es de resaltar que la recolección de estos
requiere el consentimiento electrónico del paciente
(
Figura 4).
Referencias
1.
Sánchez-Caro J, Sánchez FA. Inteligencia artificial en el campo de la
salud. Un nuevo paradigma: aspectos clínicos, éticos y legales. 1ª ed.
Fundación Merck Salud; 2021.
2. Delclaux C. No need for pulmonologists to interpret pulmonary function tests. Eur Respir J. 2019;54(1):1900829.
3. Topalovic M, Das N, Burgel PR, Daenen M, Derom E, Haenebalcke C, et
al. Artificial intelligence outperforms pulmonologists in the
interpretation of pulmonary function tests. Eur Respir J.
2019;53(4):1801660.
4. Topalovic M, Laval S, Aerts JM, Troosters T, Decramer M, Janssens W.
Automated Interpretation of Pulmonary Function Tests in Adults with
Respiratory Complaints. Respiration. 2017;93(3):170–8.
5. Das N, Topalovic M, Janssens W. Artificial intelligence in diagnosis
of obstructive lung disease: Current status and future potential. Curr
Opin Pulm Med. 2018;24(2):117–23.
6. Bibault JE, Xing L. Screening for chronic obstructive pulmonary
disease with artificial intelligence. Lancet Digit Heal.
2020;2(5):e216–7.
7. Tang LYW, Coxson HO, Lam S, Leipsic J, Tam RC, Sin DD. Towards
large-scale case-finding: training and validation of residual networks
for detection of chronic obstructive pulmonary disease using low-dose
CT. Lancet Digit Heal. 2020;2(5):e259–67.
8. Isaac A, Nehemiah H, Isaac A, Kannan A. ComputerAided Diagnosis
system for diagnosis of pulmonary emphysema using bio-inspired
algorithms. Comput Biol Med. 2020;124:103940.
9. González G, Ash SY, Vegas-Sánchez-Ferrero G, Onieva Onieva J,
Rahaghi FN, Ross JC, et al. Disease Staging and Prognosis in Smokers
Using Deep Learning in Chest Computed Tomography. Am J Respir Crit Care
Med. 2018;197(2):193-203
10. Nikolaou V, Massaro S, Fakhimi M, Stergioulas L, Price D. COPD phenotypes and machine learning cluster analysis: A systematic review and future research agenda. Respir Med. 2020;171:106093.
11. Agusti A, Faner R. When Harry Met Sally, or when machine learning
met chronic obstructive pulmonary disease. Am J Respir Crit Care Med.
2020;201(3):263–75.
12. Agusti A, Calverley PM, Celli B, Coxson HO, Edwards LD, Lomas DA,
et al. Characterisation of COPD heterogeneity in the ECLIPSE cohort.
Respir Res. 2010;11(1):122. 13. Young AL, Bragman FJS, Rangelov B, Han
MK, Galbán CJ, Galbán G, Lynch D, et al. Disease Progression Modeling
in Chronic Obstructive Pulmonary Disease. Am J Respir Crit Care Med.
2020;201:294–302.
13. Ställberg B, Lisspers K, Larsson K, Janson C, Müller M, Łuczko M,
et al. Predicting hospitalization due to copd exacerbations in swedish
primary care patients using machine learning – based on the arctic
study. Int J Chron Obstruct Pulmon Dis. 2021;16:677–88.
14. Moll M, Qiao D, Regan EA, Hunninghake GM, Make BJ, Tal-Singer R, et
al. Machine Learning and Prediction of All-Cause Mortality in COPD.
Chest. 2020;158(3):952– 64.
15. Matheson AM, Parraga G. Machine Learning Predictions of COPD
Mortality: Computational Hide and Seek. Chest. 2020;158(3):846–7.
16. Li X, Zhou HP, Zhou ZJ, Du N, Zhong EH, Zhai K, et al. Artificial
intelligence-powered remote monitoring of patients with chronic
obstructive pulmonary disease. Chin Med J (Engl). 2021;134(13):1546–8.
17. Oletic D, Bilas V. Asthmatic Wheeze Detection from Compressively
Sensed Respiratory Sound Spectra. IEEE J Biomed Health Inform.
2018;22(5):1406-1414.
18. Kaur H, Sohn S, Wi C-Il, Ryu E, Park MA, Bachman K, et al.
Automated chart review utilizing natural language processing algorithm
for asthma predictive index. BMC Pulm Med. 2018;18(1):1–9.
19. Amaral JLM, Lopes AJ, Veiga J, Faria ACD, Melo PL. High-accuracy
detection of airway obstruction in asthma using machine learning
algorithms and forced oscillation measurements. Comput Methods Programs
Biomed. 2017;144:113–25.
20. Krautenbacher N, Flach N, Böck A, Laubhahn K, Laimighofer M, Theis
FJ, Ankerst DP, Fuchs C, Schaub B. A strategy for high-dimensional
multivariable analysis classifies childhood asthma phenotypes from
genetic, immunological, and environmental factors. Allergy. 2019
Jul;74(7):1364-1373.
21. Wu W, Bang S, Bleecker ER, Castro M, Denlinger L, Erzurum SC, et
al. Multiview cluster analysis identifies variable corticosteroid
response phenotypes in severe asthma. Am J Respir Crit Care Med.
2019;199(11):1358–67.
22. Van Vliet D, Smolinska A, Jöbsis Q, Rosias PPR, Muris JWM, Dallinga
JW, et al. Association between exhaled inflammatory markers and asthma
control in children. J Breath Res. 2016;10(1):016014.
23. Khasha R, Sepehri MM, Mahdaviani SA. An ensemble learning method
for asthma control level detection with leveraging medical
knowledge-based classifier and supervised learning. J Med Syst.
2019;43(6):158.
24. Xiang Y, Ji H, Zhou Y, Li F, Du J, Rasmy L, et al. Asthma
Exacerbation Prediction and Risk Factor Analysis Based on a
Time-Sensitive, Attentive Neural Network: Retrospective Cohort Study. J
Med Internet Res. 2020;22(7):e16981.
25. Huffaker MF, Carchia M, Harris BU, Kethman WC, Murphy TE,
Sakarovitch CCD, et al. Passive nocturnal physiologic monitoring
enables early detection of exacerbations in children with asthma a
proof-of-concept study. Am J Respir Crit Care Med. 2018;198(3):320–8.
26. Horimasu Y, Ohshimo S, Yamaguchi K, Sakamoto S, Masuda T, Nakashima
T, et al. A machine-learning based approach to quantify fine crackles
in the diagnosis of interstitial pneumonia: A proof-of-concept study.
Medicine. 2021;100(7):e24738.
27. Ohno Y, Aoyagi K, Takenaka D, Yoshikawa T, Ikezaki A, Fujisawa Y,
Murayama K, Hattori H, Toyama H. Machine learning for lung CT texture
analysis: Improvement of inter-observer agreement for radiological
finding classification in patients with pulmonary diseases. Eur J
Radiol. 2021;134:109410.
28. Li Q, Cai W, Feng DD. Lung image patch classification with
automatic feature learning. Proc Annu Int Conf IEEE Eng Med Biol Soc.
2013;6079–82.
29. Zhao W, Xu R, Hirano Y, Tachibana R, Kido S. A sparse
representation based method to classify pulmonary patterns of diffuse
lung diseases. Comput Math Methods Med. 2015;2015:567932.
30. Bermejo-Peláez D, Ash SY, Washko GR, San José Estépar R,
Ledesma-Carbayo MJ. Classification of Interstitial Lung Abnormality
Patterns with an Ensemble of Deep Convolutional Neural Networks. Sci
Rep. 2020;10(1):1–15.
31. Walsh SLF, Calandriello L, Silva M, Sverzellati N. Deep learning
for classifying fibrotic lung disease on highresolution computed
tomography: a case-cohort study. Lancet Respir Med. 2018;6(11):837–45.
32. Pankratz DG, Choi Y, Imtiaz U, Fedorowicz GM, Anderson JD, Colby T
V., et al. Usual interstitial pneumonia can be detected in
transbronchial biopsies using machine learning. Ann Am Thorac Soc.
2017;14(11):1646–54.
33. Wells AU, Antoniou KM. The genomic detection of usual interstitial
pneumonia from transbronchial biopsy tissue: A dress rehearsal for the
future? Ann Am Thorac Soc. 2017;14(11):1632–3.
34. Zou XL, Ren Y, Feng DY, He XQ, Guo YF, Yang HL, Li X, Fang J, Li Q,
Ye JJ, Han LQ, Zhang TT. A promising approach for screening pulmonary
hypertension based on frontal chest radiographs using deep learning: A retrospective study. PLoS One. 2020;15(7):e0236378.
35. Kusunose K, Hirata Y, Tsuji T, Kotoku J, Sata M. Deep learning to
predict elevated pulmonary artery pressure in patients with suspected
pulmonary hypertension using standard chest X ray. Sci Rep.
2020;10(1):1–8.
36. Kwon J myoung, Kim KH, Medina-Inojosa J, Jeon KH, Park J, Oh BH.
Artificial intelligence for early prediction of pulmonary hypertension
using electrocardiography. J Hear Lung Transplant. 2020;39(8):805–14.
37. Leha A, Hellenkamp K, Unsöld B, Mushemi-Blake S, Shah AM, Hasenfuß
G, et al. A machine learning approach for the prediction of pulmonary
hypertension. PLoS One. 2019;14(10):1–16.
38. Leopold JA, Maron BA. Precision Medicine in Pulmonary Arterial Hypertension. Circ Res. 2019;124(6):832-833.
39. Zhang J, Gajjala S, Agrawal P, Tison GH, Hallock LA,
Beussink-Nelson L, et al. Fully automated echocardiogram interpretation
in clinical practice: Feasibility and diagnostic accuracy. Circulation.
2018;138(16):1623– 35.
40. Sweatt AJ, Hedlin HK, Balasubramanian V, Hsis A, Blum LK, Robinson
WH, et al. Discovery of Distinct Immune Phenotypes Using Machine
Learning in Pulmonary Arterial Hypertension HHS Public Access. Circ
Res. 2019;124(6):904–19.
41. Ong MS, Klann JG, Lin KJ, Maron BA, Murphy SN, Natter MD, et al.
Claims-based algorithms for identifying patients with pulmonary
hypertension: A comparison of decision rules and machine-learning
approaches. J Am Heart Assoc. 2020;9(19):e016648.
42. Goldstein CA, Berry RB, Kent DT, Kristo DA, Seixas AA, Redline S,
et al. Artificial intelligence in sleep medicine: Background and
implications for clinicians. J Clin Sleep Med. 2020;16(4):609–18.
43. Biswal S, Sun H, Goparaju B, Brandon-Westover M, Sun J, Bianchi MT.
Expert-level sleep scoring with deep neural networks. J Am Med
Informatics Assoc. 2018;25(12):1643–50.
44. Bernardini A, Brunello A, Gigli GL, Montanari A, Saccomanno N.
AIOSA: An approach to the automatic identification of obstructive sleep
apnea events based on deep learning. Artif Intell Med. 2021;118:102133.
45. Mostafa SS, Mendonça F, Ravelo-García AG, MorgadoDias F. A
systematic review of detecting sleep apnea using deep learning.
Sensors. 2019;19(22):1–26.
46. Goldstein CA, Berry RB, Kent DT, Kristo DA, Seixas AA, Redline S,
et al. Artificial intelligence in sleep medicine: An American Academy
of Sleep Medicine position statement. J Clin Sleep Med.
2020;16(4):605–7.
47. Pépin JL, Bailly S, Tamisier R. Big Data in sleep apnoea: Opportunities and challenges. Respirology. 2020;25(5):486–94.