Inteligencia Artificial en la Enfermedad Inflamatoria Intestinal: Estado Actual y Oportunidades
En la última década, la inteligencia artificial (IA) ha logrado avances significativos en el campo de la gastroenterología, particularmente en el manejo de la enfermedad inflamatoria intestinal (EII). La EII, que incluye la enfermedad de Crohn (EC) y la colitis ulcerosa (CU), es una condición crónica y compleja que representa una carga sustancial para los sistemas de salud, especialmente en países occidentales. La aplicación de la IA, en particular el aprendizaje automático (AA), ha mostrado potencial para mejorar el diagnóstico, la evaluación y el tratamiento de la EII. Este artículo ofrece una revisión integral del estado actual y las oportunidades futuras de la IA en la atención médica de pacientes con EII.
Aprendizaje automático en la EII: una visión general
El aprendizaje automático, un subcampo de la IA, implica el uso de algoritmos que mejoran su rendimiento mediante el aprendizaje iterativo a partir de datos. Métodos comunes de AA incluyen bosques aleatorios (BA), máquinas de vectores de soporte (SVM), regresión longitudinal (RL) y modelos lineales generalizados regularizados con red elástica. Estos métodos se han empleado en diversos estudios clínicos para abordar desafíos en el manejo de la EII, como el diagnóstico diferencial, la evaluación de la enfermedad y la predicción de resultados terapéuticos.
Diagnóstico diferencial de la EII
La diferenciación precisa entre EC y CU es crucial para un tratamiento efectivo. Aunque la mayoría de los casos pueden distinguirse mediante características clínicas, endoscópicas e histopatológicas, aproximadamente del 10% al 30% de los pacientes se clasifican como EII no especificada. Varios biomarcadores, como anticuerpos anti-Saccharomyces cerevisiae, anticuerpos anticitoplasma de neutrófilos, polarización de linfocitos T colaboradores en la lámina propia y ciertos micro-ARN (miARN), han mostrado potencial para diferenciar subtipos de EII. Sin embargo, estos biomarcadores aún no se utilizan ampliamente en la práctica clínica.
El AA se ha utilizado para mejorar la precisión del diagnóstico diferencial. Por ejemplo, un estudio retrospectivo con 20.076 pacientes con EC y 15.307 con CU de bases de datos genómicas del Consorcio Internacional de Genética de la EII empleó SVM para construir un modelo basado en múltiples polimorfismos de nucleótido único (SNP). Este modelo alcanzó un área bajo la curva ROC (AUROC) de 0,864 para diferenciar EC de CU. Otro estudio en pacientes pediátricos combinó hallazgos endoscópicos e histopatológicos en un modelo SVM con AUROC de 0,87. Además, un análisis de microbiota intestinal en 20 pacientes con EC y 19 con CU utilizó BA para crear un modelo con AUROC de 0,72. A pesar de estos resultados prometedores, estos estudios fueron retrospectivos y no incluyeron grandes cohortes de pacientes con EII no especificada.
Otros estudios han empleado AA para diferenciar CU o EC de controles sanos basándose en SNP, miARN o datos multiómicos, con precisiones entre 78,9% y 92,8%. Estos hallazgos sugieren que el AA podría optimizar el diagnóstico diferencial de la EII, aunque se requieren más investigaciones para validar estos modelos en poblaciones más grandes y diversas.
Evaluación endoscópica de la EII
La endoscopia desempeña un papel crítico en la evaluación de la EII. Varios estudios han explorado el uso de IA en procedimientos endoscópicos, como la cápsula endoscópica y la endocitoscopia, para evaluar lesiones ulcerativas y actividad histopatológica. Por ejemplo, estudios que utilizaron SVM o redes convolucionales en pacientes con EC reportaron precisiones del 89,3% al 93,8% en la detección de lesiones ulcerativas. Sin embargo, estos estudios no evaluaron sistemáticamente el estado endoscópico de pacientes con EC.
En un estudio japonés, la endocitoscopia se empleó para evaluar lesiones histopatológicas activas en pacientes con CU. Un algoritmo basado en SVM logró una precisión del 91,0% al analizar 22.853 imágenes de 187 pacientes. Otro estudio con 952 pacientes y 30.322 imágenes colonoscópicas utilizó una red convolucional para diferenciar lesiones Mayo 0–1 de Mayo 2–3, con AUROC de 0,94 a 0,99. Estos resultados destacan el potencial del AA en la evaluación endoscópica de la EII.
Predicción de resultados terapéuticos
Predecir la respuesta a medicamentos y los resultados clínicos es esencial para personalizar el tratamiento. Estudios han empleado AA para desarrollar modelos predictivos. Por ejemplo, Waljee et al. utilizaron BA para predecir remisión en pacientes tratados con tiopurinas. Un modelo basado en edad y pruebas de laboratorio logró AUROC de 0,79, superando la prueba de 6-tioguanina (AUROC: 0,49).
Un estudio con datos de un ensayo fase 3 de vedolizumab en EC construyó un modelo basado en pruebas de laboratorio a las 6 semanas, con AUROC de 0,75 para predecir remisión a la semana 52. Además, un modelo longitudinal con datos de 20.368 pacientes de la Base de Datos Electrónica de Salud de Veteranos logró AUROC de 0,85 en la predicción de hospitalizaciones, demostrando utilidad en la estratificación de riesgos.
Predicción de resultados quirúrgicos
Aunque la incidencia de cirugía en EII ha disminuido, predecir su necesidad sigue siendo relevante. Un estudio con 239 pacientes con EC utilizó BA, SVM y redes neuronales para predecir cirugía, logrando una precisión del 96,26% con BA. Otro estudio en India empleó BA para predecir colectomía en colitis grave, con precisión del 77%. Estos estudios subrayan el potencial del AA en la predicción de resultados quirúrgicos.
Desafíos y oportunidades de la IA en la EII
Big data en la EII
Los macrodatos, caracterizados por su escala y complejidad, son esenciales para desarrollar modelos de IA. Fuentes clave incluyen bases de datos administrativas, registros de ensayos clínicos, historias médicas electrónicas, imágenes médicas y datos ómicos. Sin embargo, estos conjuntos suelen ser heterogéneos y retrospectivos, limitando su valor clínico. La falta de un estándar de oro para el diagnóstico y discrepancias en la evaluación complican la construcción de bases de datos de calidad.
Países en desarrollo, con creciente prevalencia de EII, tienen oportunidades para construir macrodatos. Las bases de calidad deben tener volumen alto, velocidad de recolección elevada, variables estructuradas o no estructuradas, e información longitudinal. Además, deben incorporarse biomarcadores multiómicos para mejorar la potencia predictiva.
Consideraciones éticas
La precisión de los modelos de IA en EII varía del 72% al 96%, y los errores son inevitables. Esto afecta la toma de decisiones y los resultados, planteando preocupaciones sobre beneficencia, preferencia y consentimiento informado. Sesgos en el desarrollo e implementación, como sesgo de minorías o etiquetado, pueden afectar la equidad y precisión.
Disparidades genéticas, como la rareza de mutaciones NOD2 en pacientes asiáticos con EC, deben considerarse al implementar modelos. Garantizar equidad es esencial para una aplicación ética.
Explicabilidad y validación
La explicabilidad de los modelos de IA es crucial para su aceptación clínica. Sin embargo, modelos más potentes suelen ser menos interpretables. La validación externa es desafiante debido a características genéricas y falta de transparencia en los cálculos. Los profesionales deben comprender las limitaciones de los sistemas de IA que utilizan.
Colaboración y direcciones futuras
El desarrollo de IA en EII requiere colaboración entre clínicos, estadísticos y bioinformáticos. Los estadísticos deben participar desde el diseño de estudios multicéntricos con grandes muestras. Se necesitan ensayos prospectivos controlados para determinar la efectividad y seguridad de la IA en EII. Abordar preocupaciones éticas y fomentar la colaboración interdisciplinaria será clave para integrar la IA en la atención de la EII.
Conclusión
La inteligencia artificial tiene el potencial de revolucionar el manejo de la EII al mejorar el diagnóstico, evaluación y resultados terapéuticos. Los modelos de AA han mostrado eficacia en la diferenciación de subtipos, evaluación endoscópica y predicción de resultados. Sin embargo, persisten desafíos relacionados con calidad de datos, ética, explicabilidad y validación. La colaboración multidisciplinaria y el desarrollo de bases de datos robustas serán esenciales para futuras aplicaciones de la IA en la EII.
doi.org/10.1097/CM9.0000000000000714