La combinación de imágenes de TC de cambios pulmonares con factores demográficos en un modelo de aprendizaje automático mejoró la predicción de la progresión a la enfermedad pulmonar obstructiva crónica (EPOC) para pacientes en riesgo, como se muestra a partir de datos de 294 personas.
Fumar tabaco sigue siendo un factor de riesgo principal para la EPOC, y los fumadores que desarrollan EPOC tienen un mayor riesgo de cáncer de pulmón, según Kalysta Makimoto, BSc, de la Universidad Metropolitana de Toronto, Ontario, Canadá, y sus colegas.
«La capacidad de identificar a las personas que fuman que corren el riesgo de progresar a la EPOC y a una disminución acelerada de la función pulmonar podría permitir el desarrollo de modelos de predicción para las estimaciones de riesgo en los ensayos de detección del cáncer de pulmón, permitir el inicio temprano del tratamiento para retrasar potencialmente la progresión de la enfermedad , o selección de subgrupos para el descubrimiento de intervenciones novedosas», escriben los investigadores.
La TC se puede utilizar para identificar cambios estructurales en los pulmones, pero no se ha investigado como un complemento para predecir la progresión a la EPOC en personas en riesgo, señalan.
En un estudio publicado en la revista Pecho, los investigadores examinaron si agregar imágenes de TC a la información demográfica mejoraría los modelos para predecir la progresión de la EPOC. Utilizaron datos del estudio basado en la población Canadian Cohort Obstructive Lung Disease (CanCOLD), que incluyó a personas con EPOC principalmente leve.
La población de estudio consistió en 294 adultos (124 eran mujeres) que eran fumadores actuales o anteriores (edad media, 65 años). La mayoría (83%) eran ex fumadores con una media de antecedentes de tabaquismo de 17,9 paquetes-año.
Los investigadores crearon una tubería de predicción de aprendizaje automático utilizando una combinación de características de imágenes de TC, radiómica basada en texturas y características de qCT junto con información demográfica y de espirometría. La información de los pacientes se dividió en un conjunto de datos de entrenamiento (75 % del conjunto de datos) y un conjunto de datos de prueba (25 %). El resultado principal fueron los valores del área bajo la curva (AUC) para los modelos de aprendizaje automático con y sin TC, entre otros factores de riesgo.
Durante un seguimiento medio de 2,45 años, el 23 % de los pacientes experimentaron progresión de la enfermedad a EPOC. La adición de funciones de TC a los datos demográficos mejoró significativamente el rendimiento del modelo de aprendizaje automático para predecir la progresión a la EPOC en comparación con los modelos que solo usaban datos demográficos (AUC, 0,730 frente a 0,649; PAG < .05). Agregar características de TC más espirometría a los datos demográficos mejoró de manera similar el valor predictivo sobre los datos demográficos solos (AUC, 0,877; PAG < .05).
«Nuestros resultados también mostraron que pudimos predecir el VEF rápido1 declinar usando las características de la tomografía computarizada, con o sin datos demográficos y mediciones de espirometría», señalan los investigadores en su discusión.
Los hallazgos se vieron limitados por varios factores, incluido el uso de imágenes de TC de diferentes tipos de escáneres, la cantidad limitada de visitas de seguimiento y el período de seguimiento corto, señalaron los investigadores. Otras limitaciones incluyeron la falta de un conjunto de datos externo para evaluar la generalización del modelo de aprendizaje automático y la incapacidad de comparar el modelo con los modelos existentes.
Los resultados se vieron reforzados por el uso de una cohorte poblacional de pacientes con enfermedad principalmente leve, lo que respalda la capacidad del modelo para detectar la progresión en las primeras etapas, dicen los investigadores.
Se necesita más investigación para definir un umbral «normal» para las características de la TC a fin de desarrollar un sistema de puntuación, pero el estudio actual demuestra el valor agregado de la TC, con o sin espirometría, como predictor de EPOC en individuos en riesgo, concluyen.
El estudio no recibió financiación externa. Makimoto ha recibido apoyo a través del Premio de Maestría en Investigación de las Instituciones Canadienses de Salud.
Pecho. Publicado en línea el 17 de junio de 2023. Resumen
Para obtener más noticias, siga a Medscape en Facebook, GorjeoInstagram y YouTube.
