Percival detecta enfermedades ocultas en TC, aún en fase preclínica

Una tomografía computarizada hecha para descartar una neumonía puede aportar mucho más que esa respuesta. En alguno de sus cortes, el ojo de un radiólogo podría pasar por alto los primeros signos de un problema del ritmo cardíaco o de un riñón que falla, porque nadie se había hecho esa pregunta. Investigadores de Penn Medicine han desarrollado un modelo de inteligencia artificial que intenta encontrar precisamente esas cosas, y un nuevo estudio en npj Digital Medicine informa de lo que es capaz de detectar.

El modelo, llamado Percival, se entrenó con unas 400.000 tomografías de unos 50.000 pacientes, extraídas del Penn Medicine BioBank, que recoge datos de más de 350.000 personas del Sistema de Salud de la Universidad de Pensilvania a lo largo de dos décadas. La mayoría de las herramientas de IA deben orientarse hacia una enfermedad concreta. Percival está diseñada para funcionar en segundo plano y sacar a la luz patrones que nadie pensó en buscar. El equipo afirma que encontró indicios de fibrilación auricular, un latido irregular, y de enfermedad renal crónica en las imágenes. Frente a otro modelo de IA, TotalSegmentator, Percival detectó cáncer de páncreas, cirrosis y neumonía bacteriana con mucha más fiabilidad, según los autores del estudio.

Los investigadores llaman a este enfoque «cribado oportunista»: detectar una enfermedad en una prueba pedida por otro motivo. El coautor Charles Kahn, profesor de radiología, sostiene que muchos pacientes ya presentan una enfermedad cardíaca o metabólica importante cuando llegan a la atención especializada, así que una imagen tomada por otra razón podría adelantar ese diagnóstico. Los resultados siguen siendo preclínicos. Proceden de las pruebas del propio equipo, y el modelo todavía no se ha utilizado en pacientes de la práctica asistencial habitual.

Para los pacientes, la ganancia práctica sería un reconocimiento más temprano de la enfermedad; para los hospitales, una forma de sacar más partido a las imágenes que ya realizan. Los desarrolladores esperan ensayar Percival a principios del próximo año, con el objetivo de llevarla a la clínica para un uso habitual. Hasta entonces, las ventajas son una promesa que debe comprobarse: el equipo estudia cómo los conjuntos de datos más grandes y los datos de varias instituciones podrían hacer el modelo más robusto y predictivo. Su código y sus especificaciones de entrenamiento son de código abierto, de modo que otros grupos también puedan probarlo.

Penn Medicine desarrolla además otras herramientas. Un modelo separado para resonancias magnéticas cardíacas, diseñado para ayudar a diagnosticar enfermedades nuevas, alcanzó una precisión casi perfecta en una prueba, y se espera que la herramienta AInSights, desarrollada antes por el equipo, ayude a orientar el camino de Percival hacia la clínica.