Por Daniela Orlandi

En lugares de difícil acceso, como la alta montaña, dónde muchas veces no hay expertos en imagen para evaluar los resultados de radiografías, de resonancias o de análisis, la inteligencia artificial puede convertirse en una alternativa para hacer una preclasificación. Los softwares que se basan en técnicas de aprendizaje automático (Machine Learning) se utilizan desde hace tiempo con éxito en países desarrollados, tanto para preclasificar estudios como para realizar estadísticas en salud.

María Cristina Werenitzky Curia, del Laboratorio de Computación Científica de la Facultad de Ciencias Exactas y Tecnología (FACET), de la Universidad Nacional de Tucumán, dirige el grupo de investigación “Inteligencia Artificial (IA) Aplicada a la Salud” que busca generar conocimiento útil a partir de los datos que proporcione el sistema de salud de Tucumán. Tiene como meta mejorar los procesos y predicciones en el ámbito de la salud, y también contribuir a la toma de decisiones con la mayor cantidad de información posible.

La investigadora señaló que actualmente trabajan con imágenes radiológicas para identificar enfermedades pulmonares en niños. “Trabajamos con la clasificación automática de imágenes médicas, en particular radiografías de tórax. El objetivo es realizar un pre-diagnóstico del paciente de manera automática. Esto se puede utilizar, por ejemplo, para identificar de forma inmediata pacientes que presentan alguna patología, en lugares donde el sistema de salud no cuenta de forma permanente con un especialista”, precisó.

El sistema consiste en entrenar una computadora para que realice tareas como las hacemos los seres humanos, en este caso la identificación de imágenes para hacer predicciones (diagnósticos). Werenitzky Curia comentó que la red recibe una gran cantidad de imágenes radiológicas etiquetadas en alguna de las dos categorías (normal o con neumonía). Y que durante la etapa de entrenamiento/aprendizaje la red detecta patrones en esas imágenes que le permitirán diferenciar las radiografías normales de las que presentan esa patología. Luego, a esa red entrenada, se le ingresan imágenes nuevas (que no se usaron para preparar la red) y se mide la capacidad de generalización que tiene.

La especialista comentó que el grupo de trabajo preclasificó estudios con datos públicos disponibles en el sistema de la Universidad de California, en San Diego, que corresponden a radiografías de tórax pediátricas clasificadas en dos categorías: normales o con neumonía. Indicó que el modelo desarrollado por ellos clasifica con una precisión del 93% los casos positivos (en los que el paciente presenta neumonía) y con 88% los negativos”. Comentó que inicialmente, el modelo solo detecta la presencia o ausencia de neumonía en la imagen, pero que buscan ampliar el prediagnóstico para abarcar otras patologías, usando un nuevo set de datos.
María Cristina Werenitzky Curia del Laboratorio de Computación Científica de la FACET

Gabriela Odstrcil, integrante del equipo y del Departamento de Ciencias de la Computación de la FACET, señaló que la utilidad de estos modelos de "IA" es la rapidez que tienen para realizar un prediagnóstico del paciente, de forma automática, cuando se realiza una radiografía u otro estudio. "Esto puede llegar a ser determinante en lugares donde no se cuenta con radiólogos que puedan interpretar los resultados", indicó. 

La profesional sostuvo que el modelo construido puede servir para pre-clasificar los datos del SIPROSA realizando pequeños ajustes. Opinó que el sistema podría emplearse, por ejemplo, para preevaluar los datos recabados por los tráileres sanitarios que recorren la Provincia y que incluyen una amplia variedad de estudios (tomografías, mamografías, ecografías). “Cuando al paciente se le realiza algún control, en función de los resultados obtenidos con esta preclasificación, se lo puede derivar de forma inmediata al especialista correspondiente”, comentó 

Matías Cattáneo, integrante del equipo y de la Dirección de Comunicaciones, Informática y Logística del SIPROSA, dijo que para trabajar con el sistema de salud provincial tendrían que adaptar la salida de los equipos radiológicos de Tucumán al formato de imagen que requiere el sistema. "La principal ventaja es que nos permitirá anticipar alguna enfermedad potencial antes de que lo pueda ver algún especialista y posibilitará detectar rápido una patología grave y actuar con urgencia", afirmó.

Inteligencia artificial para ecografías y análisis

Werenitzky Curia comentó que aplicarán el modelo de "IA" al sistema de salud de la Provincia para realizar pre-diagnósticos automáticos. Aclaró que esas evaluaciones deben ser luego validadas por especialistas. “Seguimos trabajando con el modelo anterior para mejorar la precisión de los resultados aplicando distintas técnicas. Y esperamos ampliar el modelo construido para trabajar con radiografías que presentan distintas patologías (enfisema, hernia, infiltración y fibrosis).

La profesional enfatizó que se pueden aplicar otras técnicas de "IA" sobre datos obtenidos de análisis de sangre, orina u otro tipo de estudio que no involucre imágenes. Además de Werenitzky Curia, Odstrcil y Cattaneo, integran el equipo Luis Ortiz (Ciencias de la Computación) y Luis Cáceres (tesista de la Licenciatura en Ciencias de la Computación).