LONDRES y POTSDAM, Alemania, 15 de septiembre de 2021 /PRNewswire/ — Un equipo de investigadores está desarrollando el uso de un algoritmo de inteligencia artificial (IA) con el objetivo de diagnosticar la trombosis venosa profunda (TVP) con mayor rapidez y eficacia que las exploraciones diagnósticas tradicionales interpretadas por los radiólogos, lo que podría reducir las largas listas de espera de los pacientes y evitar que reciban innecesariamente medicamentos para tratar la TVP cuando no la tienen.
TVP es un tipo de coágulo sanguíneo que suele formarse en la pierna y que provoca hinchazón, dolor y molestias; si no se trata, puede provocar coágulos mortales en los pulmones. Entre el 30 y el 50% de las personas que desarrollan una TVP pueden presentar síntomas y discapacidades a largo plazo.
Investigadores de la Universidad de Oxford, el Imperial College y la Universidad de Sheffield colaboraron con la empresa tecnológica ThinkSono (dirigida por Fouad Al-Noor y Sven Mischkewitz) para entrenar un algoritmo de inteligencia artificial de aprendizaje automático (AutoDVT) para distinguir a los pacientes con TVP de los que no la padecen. El algoritmo de IA diagnosticó con precisión la TVP en comparación con la ecografía de referencia, y el equipo calculó que el uso del algoritmo podría ahorrar a los servicios sanitarios 150 dólares por examen.
“ Tradicionalmente, el diagnóstico de la trombosis venosa profunda requiere una ecografía de ultrasonido especializada realizada por un radiógrafo capacitado, y hemos comprobado que los datos preliminares que utilizan el algoritmo de IA acoplado a un ecógrafo manual arrojan resultados prometedores”, afirmó la Dra. Nicola Curry, directora del estudio, investigadora del Departamento de Medicina Radcliffe de la Universidad de Oxford y médica del Oxford University Hospitals NHS Foundation Trust.
Este es el primer estudio que demuestra que los algoritmos de IA de aprendizaje automático pueden diagnosticar potencialmente la TVP, y los investigadores van a iniciar un estudio clínico ciego de precisión, en el que se comparará la precisión de AutoDVT con la atención estándar para determinar la sensibilidad de la detección de casos de TVP. La esperanza es que AutoDVT permita diagnosticar con mayor rapidez a los casi 8 millones de personas de todo el mundo que pueden sufrir un coágulo venoso cada año.
“El algoritmo de IA no sólo puede ser entrenado para analizar las imágenes de ultrasonido para discriminar la presencia frente a la ausencia de un coágulo de sangre – también puede dirigir al usuario usando la varita de ultrasonido a los lugares correctos a lo largo de la vena femoral, de modo que incluso un usuario no especializado puede adquirir las imágenes correctas,” dijo el miembro del equipo del estudio Christopher Deane del Oxford Haemophilia and Thrombosis Centre.
El equipo de investigación espera que la combinación de la herramienta AutoDVT, con la inclusión del algoritmo de IA, permita a los profesionales sanitarios no especializados, como médicos de cabecera y enfermeras, diagnosticar y tratar rápidamente la TVP. Además, podría permitir la recogida de imágenes por parte de personas no especializadas que podrían enviarse a un experto, facilitando el diagnóstico de quienes no pueden acudir a un especialista.
“En la actualidad, muchos pacientes no reciben un diagnóstico definitivo en las 24 horas siguientes a la sospecha de una TVP, por lo que acaban recibiendo dolorosas inyecciones de lo que a menudo puede ser un anticoagulante innecesario, con posibles efectos secundarios“, dijo el Dr. Curry, que también forma parte del Oxford Centre for Haematology.
Fouad Al Noor, consejero delegado de ThinkSono declaró: “Estamos encantados con los resultados de este estudio y nos entusiasma seguir trabajando con el Hospital Universitario de Oxford y otros hospitales asociados para probar el software y llevarlo a pacientes de todo el mundo”.
Los resultados del estudio se publican en la revista npj Digital Medicine.
Sitio web de ThinkSono: www.thinksono.com
Contacto de ThinkSono para más informació: Fouad Al Noor, hello@thinksono.com
Nota: el documento de la investigación se encuentra aquí: https://www.nature.com/articles/s41746-021-00503-7 con DOI: https://doi.org/10.1038/s41746-021-00503-7