La Inteligencia Artificial (AI, por sus siglas en inglés) es otra de las herramientas TIC que comenzó a cobrar mayor relevancia a partir de la pandemia del Coronavirus. Uno de los principales estudios diagnósticos para detectar la presencia del Covid-19 en las personas es la radiografía de tórax. Se trata del primer método recomendado –aunque no el único (ver Recomendaciones y Contexto más abajo en esta nota)– ante la sospecha de infección; y su correcta y rápida interpretación es determinante en el manejo de pacientes infectados.
Los algoritmos de IA aprenden a través del estudio y el análisis de muchos casos, pueden abstraer patrones, inferir los hallazgos clave entre una y otra enfermedad y de esa manera, predecir o clasificar problemas médicos. Así, dada una cantidad de imágenes de radiografías de tórax normales, y un conjunto de radiografías de pacientes con neumonía, es posible distinguir ciertas características que ayudan al diagnóstico.
Recientemente, la compañía argentina Entelai lanzó de manera gratuita el sistema Entelai Pic de IA que ayuda a diagnosticar neumonías que podrían estar provocadas por el Coronavirus. Según Mercedes Serra, directora Médica de Entelai, “hasta el momento, el 77% de los pacientes con afección severa por Covid-19, y el 54% de aquellos con afección más leve, muestran alguna alteración visible en radiografía de tórax”. Este dato revela que incluso en el caso de un sistema que analice radiografías de tórax que detecte el 100% de los casos con Covid-19, sólo lo haría en el 77% de los pacientes severos.
También sobre la base de radiografías de tórax y con la IA, un grupo de estudiantes e investigadores del ITBA, la UADE y la Universidad de San Juan desarrolló una aplicación que identifica casos positivos de Covid-19 en 3 minutos y con una precisión de entre un 95% y 98%. Se trata de un software que trabaja a través de un diagnóstico por imagen de una radiografía de tórax en conjunto con una IA específica. El proyecto por ahora se presentó ante el Conicet y está siendo analizado por profesionales médicos, debe pasar a la etapa de ejecución para la que estiman que necesitarían efectuar, al menos, 1.500 pruebas; y luego ser aprobado por el Ministerio de Salud de la Nación.
Recomendaciones y Contexto. Otro método utilizado para la detección de neumonía por Covid-19 es la tomografía computada (TC). En Entelai explican que la TC suele ser más sensible para la detección en general de neumonía, pero expone al paciente a mayor radiación, es más costosa, y no necesariamente contribuye a la diferenciación con Covid-19. Además, al deber trasladarse los pacientes a un centro de salud con este equipamiento, se lo expone si el equipo no es limpiado adecuadamente. Por eso, el Colegio Americano de Radiología no recomienda el uso de TC como primera línea en estos pacientes, y sugiere en cambio el uso de equipos portátiles de radiología que son más fáciles de limpiar y se evita la contaminación de salas de radiología.
Sin embargo, más allá de los resultados de la radiografía de tórax y de los síntomas de tos y fiebre –a los que ahora se suman pérdida de gusto y/o de olfato-, la Organización Mundial de la Salud (OMS) recomienda diagnosticar por una técnica de laboratorio llamada PCR. Esto quiere decir que no es posible diagnosticar Covid-19 únicamente con la interpretación (con o sin ayuda de IA) de la radiografía de tórax.
El escenario global, no obstante, muestra una altísima demanda de test diagnósticos PCR que muchas veces impiden a los distintos países contar con ellos, con la consecuente demora en la obtención de los resultados. “Por tal motivo, detectar clínica y radiológicamente a los pacientes con mayor sospecha de la enfermedad, puede ser de gran utilidad al momento de decidir el manejo y el abordaje diagnóstico-terapéutico de un paciente en la emergencia. Y ahí es donde creemos que un sistema de IA entrenado para detectar casos sospechosos de Covid-19 en radiografía de tórax, puede ser de ayuda para los profesionales de la salud”.
Particularidades del Covid-19. Según información publicada por Entelai, “los hallazgos más característicos en neumonía por Covid-19 son opacidades parcheadas en vidrio esmerilado que afectan en general varios lóbulos, o incluso ambos campos pulmonares, a predominio periférico”. Son particularidades que permiten diferenciar la neumonía por Covid-19, de otras bacterianas, donde la afección segmentaria o lobar, con patrón alveolar y tendencia a la consolidación, es más frecuente. “Diferenciar la neumonía por Covid-19 de otras neumonías virales o por otros gérmenes atípicos puede resultar más difícil. Sin embargo, se han descrito otras características, como la afección a predominio perihiliar (central) o la presencia de derrame pleural, que pueden ayudar a diferenciar estos casos”, detallan en la compañía.
“Es por eso, que trabajamos muy duro para poder darle a los médicos en la primera línea, una herramienta adicional, que esperamos le sea de utilidad durante el transcurso de la pandemia”, señalaron desde Entelai.
¿Cómo lo hicieron? Obtuvieron alrededor de 100 imágenes de pacientes confirmados con Covid-19 y otros pacientes con neumonías similares, así como un grupo control sin neumonía respetando la distribución de edad y género. Serra explicó que “la distribución de edad o género es importante (que en cada grupo haya cantidades similares de mujeres y hombres y de un rango etario equivalente), dado que si no el sistema puede aprender a diferenciarlo por otras características ajenas a la presencia o no de Covid-19, como por ejemplo la osificación en menores que no está presente en adultos”. Y armó un dataset completo basado en imágenes obtenidas principalmente de sitios como los siguientes:
https://www.sirm.org/category/senza-categoria/covid-19/
https://www.eurorad.org/
https://github.com/ieee8023/covid-chestxray-dataset
https://www.kaggle.com/kmader/pulmonary-chest-xray-abnormalities
https://www.kaggle.com/nih-chest-xrays/data
https://www.kaggle.com/c/rsna-pneumonia-detection-challenge
https://github.com/BIMCV-CSUSP/BIMCV-COVID-19
Repositorio Entelai
https://radiopaedia.org/cases
Una vez configurada la base de datos de imágenes que el sistema va a usar para aprender, se le presentan las imágenes para que empiece a reconocer sus diferencias y eventualmente pueda hacer predicciones cada vez que se le presenta una imagen nueva. En este caso, la IA de Entelai ya estaba entrenada para reconocer radiografías normales de anormales. Por lo que sólo debieron realizar un ajuste fino.
