La medicina es una de las prácticas que se han visto beneficiadas por la revolución de la inteligencia artificial. A diferencia de lo que sucede en otros campos, muchos médicos ven a esta tecnología como una herramienta que puede ayudar a potenciar la efectividad de sus tareas diarias. Por ejemplo, en la precisión de diagnósticos.
En esta línea, la semana pasada la revista Nature publicó un artículo en el que se describe una nueva práctica que se está realizando en Holanda: los médicos usan la inteligencia artificial en las cirugías de tumores cerebrales para elaborar un diagnóstico de ultra precisión sobre el tipo (y subtipo) de tumor y así saber cómo operar con más exactitud.
Según afirman los autores del estudio, los cirujanos tienen un conocimiento limitado del tipo exacto de tumor antes de la cirugía. La práctica estándar actual se basa en imágenes preoperatorias y análisis histológicos intraoperatorios, pero estos no siempre son concluyentes y, en ocasiones, hasta son erróneos.
Para ello, desarrollaron Sturgeon, una red neuronal aprendida por transferencia para el diagnóstico que permite la subclasificación molecular de tumores del sistema nervioso central a partir de diversos perfiles en tiempo real. El método consiste en que un ordenador escanea segmentos del ADN de un tumor y se fija en determinadas modificaciones químicas que pueden arrojar un diagnóstico detallado del tipo y subtipo de tumor cerebral.
Este resultado, generado en tan solo unos minutos durante las primeras fases de una intervención quirúrgica que suele durar horas, puede ayudar a los cirujanos a decidir la agresividad de la operación. Así, pueden disminuir las malas praxis y aumentar los casos de éxito.
"Es imprescindible conocer el subtipo de tumor en el momento de la cirugía", afirmó a The New York Times Jeroen de Ridder, profesor asociado del Centro de Medicina Molecular del UMC de Utrecht, un hospital holandés que colaboró en el estudio. "Lo que ahora hemos conseguido de forma única es permitir que este diagnóstico tan fino, sólido y detallado se realice ya durante la cirugía".
Sturgeon se probó por primera vez en muestras tumorales congeladas procedentes de operaciones previas de cáncer cerebral. En esta etapa, proporcionó un diagnóstico preciso de 45 sobre las 50 muestras insertadas en tan solo 40 minutos. En relación a las cinco restantes, el sistema se abstuvo de diagnosticarlas debido a que la información era poco clara.
Según los investigadores, el nuevo sistema demostró su capacidad cuando lo aplicaron en 25 cirugías en tiempo real. De ellos, 18 diagnósticos fueron correctos y siete no alcanzaron el umbral de confianza requerido. Todas las respuestas fueron elaboradas en un tiempo menor a 90 minutos, tiempo suficiente para tomar una decisión durante una operación.
“Concluimos que el diagnóstico aprendido por máquina basado en secuenciación intraoperatoria de bajo coste puede ayudar a la toma de decisiones neuroquirúrgicas, previniendo potencialmente la comorbilidad neurológica y evitando cirugías adicionales”, reflexionaron los investigadores en su estudio.
Sin embargo, de acuerdo con The New York Times este sistema presenta ciertas desventajas ya que todavía hay algunos tumores que siguen siendo difíciles de diagnosticar. Las muestras tomadas durante la cirugía tienen el tamaño aproximado de un grano de maíz y, si incluyen tejido cerebral sano, el sistema de aprendizaje profundo puede tener dificultades para detectar suficientes marcadores específicos del tumor.
Además, puede haber otro tipo de limitaciones. Por ejemplo, el hecho de que puede haber diferencias dentro de las células tumorales de un mismo paciente, lo que indica que la pequeña muestra tomada puede no ser representativa de todo el tumor que tiene la persona.
Por último, es clave tener en cuenta que es un método que solo se puede aplicar en las clínicas que tienen ese nivel de desarrollo y tecnología, generalmente ubicadas en países centrales. Si bien es un claro avance medicinal, todavía resta refinir su uso y su efectividad a escala global.
