Radiografía de tórax con IA y datos clínicos predice el ingreso en UCI (AUC 0,92) en pacientes hospitalizados con COVID-19

Leer el artículo →

La radiografía de tórax basada en IA y la integración de datos clínicos predicen la COVID-19 grave y la mortalidad con alta precisión

Un estudio de 2552 pacientes hospitalizados con COVID-19 demuestra que la combinación del análisis automatizado de radiografías de tórax con variables clínicas clave puede predecir con fiabilidad el riesgo de ingreso en la UCI (AUC 0,92) y la mortalidad hospitalaria (AUC 0,81).

Introducción

Desde la aparición de la COVID-19, los sistemas sanitarios de todo el mundo se han enfrentado a un reto urgente: identificar rápidamente qué pacientes tienen mayor riesgo de progresión a una enfermedad grave o fallecer. Una estratificación del riesgo oportuna y precisa es fundamental para asignar recursos de cuidados intensivos y optimizar el manejo del paciente. Sin embargo, los enfoques actuales a menudo se basan únicamente en datos clínicos o en imágenes torácicas interpretadas por radiólogos, ambos con limitaciones notables. Los sistemas de puntuación clínica a veces carecen de la precisión deseada, mientras que la evaluación radiológica es susceptible a la variabilidad subjetiva, especialmente en entornos sin radiólogos especializados.

Este estudio presenta un innovador modelo de inteligencia artificial (IA) que automatiza la interpretación de radiografías de tórax, integradas con variables clínicas fácilmente disponibles, para predecir resultados críticos en pacientes con COVID-19. Al aprovechar el aprendizaje profundo para el análisis de imágenes y métodos estadísticos avanzados para datos clínicos, el modelo ofrece una predicción robusta del ingreso a la UCI y la mortalidad. Los hallazgos clave incluyen un área bajo la curva (AUC) impresionante de 0,92 para la predicción del ingreso a la UCI y de 0,81 para la mortalidad, superando a los modelos que utilizan únicamente datos clínicos o de imagen.

Colaboración y contexto del estudio

La investigación fue realizada por un equipo multidisciplinario liderado por Nicolás Munera y Luis F. Reyes, que incluye instituciones como Arkangel AI (Bogotá), la Universidad de la Sabana y la Clínica Universidad de La Sabana (Chía, Colombia), y colaboradores de España y el Reino Unido. El estudio utilizó datos del registro LIVEN COVID-19 de la Red Latinoamericana de Cuidados Intensivos, que refleja una población diversa de pacientes hospitalizados en 22 hospitales de ocho países latinoamericanos durante el primer año de la pandemia (marzo de 2020 a enero de 2021). Este contexto latinoamericano es significativo debido a la variabilidad de los recursos sanitarios y las disparidades en la experiencia radiológica, lo que subraya el valor de una herramienta de IA que facilite la interpretación objetiva de radiografías de tórax sin necesidad de radiólogos expertos.

Diseño y metodología del estudio

El estudio consistió en una evaluación prospectiva de pruebas diagnósticas que incluyó a 3007 pacientes con infección confirmada por SARS-CoV-2 mediante RT-PCR. Tras las exclusiones por falta de datos clínicos o de imagen, se analizaron 2552 pacientes para determinar su ingreso en la UCI y mortalidad según variables clínicas, mientras que 582 pacientes con radiografías de tórax frontales de alta calidad constituyeron la cohorte de imágenes para el desarrollo y la validación del modelo.

Los datos abarcaron datos sociodemográficos, comorbilidades, síntomas, signos vitales, resultados de laboratorio e imágenes de radiografías de tórax obtenidas al ingreso hospitalario. La obesidad se registró según el diagnóstico médico (IMC > 30). Los datos clínicos se recopilaron utilizando REDCap de forma estandarizada.

La arquitectura del modelo de IA combinó dos componentes principales:

• Modelo de imagen: Se afinó una red neuronal convolucional (CNN) mediante aprendizaje por transferencia con estructuras preentrenadas con ImageNet (p. ej., DenseNet121, InceptionV3) para extraer características radiográficas de las radiografías de tórax. Las imágenes se preprocesaron para normalizar el contraste y excluir exploraciones de baja calidad.
• Modelo clínico: Se identificaron variables clínicas clave mediante análisis de bosque aleatorio y regresión logística, incluyendo edad, fracción de oxígeno inspirado (FiO₂), disnea, obesidad, presión arterial, saturación de oxígeno y Escala de Coma de Glasgow. Estas variables formaron las entradas de un modelo perceptrón simple.

Un modelo combinado integró las salidas de las imágenes de CNN y los modelos clínicos vinculando sus capas de salida sigmoideas para generar una predicción de riesgo final. El entrenamiento empleó una división 70/12/18% para el entrenamiento, la validación y las pruebas (imágenes), con validación cruzada para mitigar el sobreajuste. Los resultados de interés fueron el ingreso en UCI y la mortalidad hospitalaria.

Resultados Clave

• Predicción del Ingreso en UCI:
  • AUC del modelo de solo imagen: 0,88 ± 0,05
  • AUC del modelo de solo clínica: 0,90 ± 0,04
  • AUC del modelo combinado: 0,92 ± 0,04 (estadísticamente superior, p < 0,0001 en comparación con los modelos individuales)
  • Sensibilidad del modelo combinado: 91 %; Especificidad: 78 %
• Predicción de mortalidad hospitalaria:
  • AUC del modelo solo de imagen: 0,75 ± 0,07
  • AUC del modelo solo clínico: 0,81 ± 0,06
  • AUC del modelo combinado: 0,81 ± 0,06 (sin mejora significativa respecto al modelo solo clínico; p = 0,13)
  • Sensibilidad del modelo combinado: 74 %; Especificidad: 75%
• Los predictores clínicos importantes incluyeron la edad, la FiO2 al ingreso (la asociación más fuerte), la disnea, la obesidad, la presión arterial, la saturación de oxígeno, la Escala de Coma de Glasgow, el sexo masculino y la hipertensión.

Interpretación e implicaciones

Este estudio establece que la interpretación automatizada de radiografías de tórax basada en IA, al combinarse con variables clínicas clave, mejora sustancialmente la predicción de COVID-19 grave que requiere ingreso en UCI, en comparación con el uso de cualquiera de las fuentes de datos por separado. Si bien las características de imagen por sí solas tuvieron valor predictivo, las variables clínicas contribuyeron al contexto crítico, mejorando la precisión general del modelo. En cuanto a la mortalidad hospitalaria, los datos clínicos siguieron siendo el factor determinante principal, y la imagen agregó un poder predictivo adicional limitado.

Para los médicos y los sistemas de salud, esto significa que las herramientas automatizadas de apoyo de IA podrían ayudar a identificar rápidamente a los pacientes de alto riesgo al ingreso, orientando la asignación de recursos y la intervención oportuna. El modelo de IA reduce la dependencia de la experiencia del radiólogo al proporcionar un análisis objetivo y reproducible de radiografías de tórax, una ventaja en entornos con recursos limitados o sobrecargados, común en Latinoamérica y otros lugares.

Las limitaciones incluyen el subconjunto relativamente pequeño de pacientes con datos de imagen adecuados y cierta variabilidad en la calidad de la imagen. Además, los modelos de aprendizaje profundo siguen siendo "cajas negras", lo que podría limitar la confianza del médico sin una mejor interpretabilidad. El trabajo futuro debe centrarse en la validación externa, la integración en los flujos de trabajo clínicos y la mejora de la transparencia del modelo.

Implementación y Escalabilidad

El modelo tiene potencial para implementarse en los sistemas de información hospitalaria para proporcionar puntuaciones de riesgo en tiempo real al ingreso. La implementación requiere la integración con las imágenes radiológicas existentes y los registros médicos electrónicos para ingresar automáticamente los datos del paciente y las radiografías de tórax para su análisis. Las barreras incluyen la variabilidad en los protocolos de adquisición de imágenes, la disponibilidad de hardware, las aprobaciones regulatorias y la aceptación del médico.

Sin embargo, una vez integrado, el enfoque podría adaptarse a otras enfermedades respiratorias donde las radiografías de tórax y los indicadores clínicos predicen la gravedad, como la neumonía o el SDRA. Además, el uso de bases de datos de IA de código abierto y el procesamiento en la nube pueden facilitar la implementación en entornos con recursos limitados.

Conclusión y próximos pasos

Este estudio impulsa el uso de la IA en la COVID-19 al demostrar que la combinación de la interpretación automatizada de radiografías de tórax con datos clínicos permite predecir con gran precisión la gravedad de la enfermedad y la mortalidad. Los resultados respaldan la integración de modelos de IA de imagen en la toma de decisiones clínicas para ayudar a los profesionales sanitarios de primera línea en todo el mundo, especialmente en entornos con poca experiencia en radiología.

Las futuras prioridades de investigación incluyen la validación externa en diversas poblaciones, ensayos clínicos prospectivos que evalúen el impacto en los resultados de los pacientes y la mejora de la explicabilidad de los modelos para fomentar la confianza de los profesionales sanitarios. Los esfuerzos sostenidos hacia herramientas de IA escalables ayudarán a los sistemas de salud a responder de forma más eficaz a las pandemias respiratorias actuales y futuras.

Referencias

Munera N, Garcia-Gallo E, Gonzalez Á, et al. Un nuevo modelo para predecir la COVID-19 grave y la mortalidad mediante un algoritmo de inteligencia artificial para interpretar radiografías de tórax y variables clínicas. ERJ Open Res. 2022; 8(2): 00010-2022. https://doi.org/10.1183/23120541.00010-2022