Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

Presenta Sitios para socios Información LinkXpress hp
Ingresar
Publique su anuncio con nosotros
GLOBETECH PUBLISHING LLC

Deascargar La Aplicación Móvil




Inteligencia artificial predice con exactitud los efectos colaterales de la radioterapia

Por el equipo editorial de MedImaging en español
Actualizado el 07 Oct 2019
Print article
Imagen: Una investigación nueva demostró que un modelo de computadora puede predecir los efectos secundarios asociados con la radioterapia (Fotografía cortesía de Technology Networks).
Imagen: Una investigación nueva demostró que un modelo de computadora puede predecir los efectos secundarios asociados con la radioterapia (Fotografía cortesía de Technology Networks).
Investigadores del Centro de Cáncer MD Anderson de la Universidad de Texas (Houston, Texas, EUA), demostraron que un modelo de computadora sofisticado puede predecir con exactitud dos de los efectos secundarios más desafiantes asociados con la radioterapia para el cáncer de cabeza y cuello. Este enfoque de oncología de precisión tiene el potencial de identificar mejor a los pacientes que se podrían beneficiar de las intervenciones tempranas que podrían ayudar a prevenir una pérdida de peso significativa después del tratamiento o reducir la necesidad de colocar un tubo de alimentación.

El equipo de investigadores desarrolló modelos para analizar grandes conjuntos de datos combinados de tres fuentes: historias clínicas electrónicas (Epic), una herramienta de gráficos interna basada en la web (Brocade) y el sistema de registro/verificación (Mosaiq). Los datos incluyeron más de 700 variables clínicas y de tratamiento para los pacientes con cáncer de cabeza y cuello (75% hombres/25% mujeres, con una edad promedio de 62 años) que recibieron más de 2.000 sesiones de radioterapia (dosis media 60 Gy) en cinco sitios de práctica en el MD Anderson de 2016 a 2018.

Los investigadores utilizaron los modelos para predecir tres puntos finales: pérdida de peso significativa, colocación de sondas de alimentación y hospitalizaciones no planificadas. Los resultados del modelo de mejor desempeño fueron validados, a continuación, contra 225 tratamientos de radioterapia consecutivos posteriores. Los modelos con una tasa de rendimiento que cumplió un umbral de área predeterminado bajo la curva (AUC) de 0,70 o más se consideraron clínicamente válidos (una puntuación de AUC de 1,0 significaría que las predicciones del modelo eran 100% exactas, mientras que una puntuación de 0,0 significa que las predicciones nunca fueron exactas). Los modelos predijeron la probabilidad de una pérdida de peso significativa (AUC = 0,751) y la necesidad de colocar un tubo de alimentación (AUC = 0,755) con un alto grado de exactitud.

“Ser capaz de identificar qué pacientes tienen mayor riesgo, permitiría a los oncólogos radioterapeutas tomar medidas para prevenir o mitigar estos posibles efectos secundarios”, dijo Jay Reddy, MD, PhD, profesor asistente de radiooncología en el Centro de Cáncer MD Anderson de la Universidad de Texas y autor principal del estudio. “Si el paciente tiene un riesgo intermedio, y pudiese someterse a un tratamiento sin necesidad de una sonda de alimentación, podríamos tomar precauciones, como organizarlo con un nutricionista y proporcionarle suplementos nutricionales. Si sabemos que su riesgo de que le coloquen un tubo de alimentación es extremadamente alto, una probabilidad superior al 50% de que lo necesiten, podríamos colocarlo con anticipación para que no tengan que ser ingresados en el hospital después del tratamiento. Sabríamos vigilar más de cerca a ese paciente”.

El enfoque de aprendizaje automático no puede aislar el factor más predictivo o la combinación de factores que conducen a efectos secundarios negativos, pero puede proporcionar a los pacientes y a sus médicos una mejor comprensión de qué esperar durante el curso del tratamiento. Además de predecir la probabilidad de efectos secundarios, los modelos de aprendizaje automático podrían predecir qué planes de tratamiento serían más efectivos para los diferentes tipos de pacientes y permitir enfoques más personalizados para la radiooncología.

“El aprendizaje automático puede hacer que los médicos sean más eficientes y el tratamiento más seguro a través de la reducción del riesgo de error”, agregó el Dr. Reddy. “Tiene el potencial de influir en todos los aspectos de la oncología de radiación hoy en día, cualquier cosa en la que una computadora pueda ver datos y reconocer un patrón”.

Enlace relacionado:
Centro de Cáncer MD Anderson de la Universidad de Texas

New
MRI Infusion Workstation
BeneFusion MRI Station
Ultrasound Table
Women’s Ultrasound EA Table
NMUS & MSK Ultrasound
InVisus Pro
New
Ultrasound Needle Guide
Ultra-Pro 3

Print article

Canales

Radiografía

ver canal
Imagen: un estudio ha vinculado un mayor uso de radiografías de tórax con un diagnóstico más temprano del cáncer de pulmón y una mejor supervivencia (foto cortesía de 123RF)

Mayor uso de radiografías de tórax permite detectar el cáncer de pulmón en etapas tempranas

El cáncer de pulmón sigue siendo la principal causa de muerte por cáncer en todo el mundo. Si bien tecnologías avanzadas como la tomografía computarizada (TC) desempeñan... Más

RM

ver canal
Imagen: Comparación que muestra exploraciones 3T y 7T para el mismo participante (foto cortesía de P Simon Jones/University of Cambridge)

Imágenes por RM ultrapotentes permiten cirugías en pacientes con epilepsia resistente al tratamiento

Aproximadamente 360.000 personas en el Reino Unido padecen epilepsia focal, una afección en la que las convulsiones se propagan desde una parte del cerebro. Alrededor de un tercio de estos pacientes... Más

Medicina Nuclear

ver canal
Imágenes PET/TC con 68Ga-FZ-NR-1 e imágenes PET/TC y PET/RM con 18F-FDG en pacientes representativos con TNBC con nectina-4 positiva (foto cortesía del Journal of Nuclear Medicine)

Nuevo radiotrazador identifica biomarcador para el cáncer de mama triple negativo

El cáncer de mama triple negativo (CMTN), que representa entre el 15 % y el 20 % de todos los casos de cáncer de mama, es uno de los subtipos más agresivos, con una tasa de supervivencia a cinco años de... Más

Imaginología General

ver canal
Imágenes axiales de ventana pulmonar de TC de tórax sin contraste de tres parches de muestra diferentes que se muestran en cada fila (Foto cortesía de Radiology: Cardiothoracic Imaging)

TC de dosis ultra baja ayuda en el diagnóstico de neumonía en pacientes inmunocomprometidos

Las infecciones pulmonares pueden poner en peligro la vida de los pacientes con sistemas inmunitarios debilitados, por lo que el diagnóstico oportuno es crucial. Si bien las tomografías computarizadas... Más

TI en Imaginología

ver canal
Imagen: La nueva Medical Imaging Suite hace que los datos de imágenes de atención médica sean más accesibles, interoperables y útiles (Fotografía cortesía de Google Cloud)

Nueva suite de imágenes médicas de Google Cloud hace los datos de imágenes médicas más accesibles

Las imágenes médicas son una herramienta fundamental que se utiliza para diagnosticar a los pacientes, y cada año se escanean miles de millones de imágenes médicas en... Más
Copyright © 2000-2025 Globetech Media. All rights reserved.