Avances en inteligencia artificial aplicada a la esclerosis múltiple

La esclerosis múltiple es una enfermedad autoinmune inflamatoria y neurodegenerativa que tiene un gran impacto en la sociedad. Tanto el diagnóstico como la predicción de su evolución y la respuesta al tratamiento suelen presentar dificultades, lo que posiciona a la inteligencia artificial como una herramienta prometedora para abordar estas necesidades. Estas tecnologías pueden analizar grandes volúmenes de datos heterogéneos, desde resonancias magnéticas hasta información de biomarcadores y sensores¹. Entre sus múltiples ventajas, los algoritmos de aprendizaje automático son capaces de automatizar tareas repetitivas, analizar más datos en menos tiempo y lograr mayor reproducibilidad que los métodos humanos². Por ello, la inteligencia artificial tiene el potencial de complementar el trabajo de los profesionales de la salud en el cuidado e investigación de esta enfermedad³.

El uso de la inteligencia artificial en la esclerosis múltiple ha avanzado significativamente, con aplicaciones en la clasificación de subtipos, el diagnóstico diferencial y la predicción de la evolución y respuesta terapéutica, mostrando una alta precisión en algunos estudios^4-5. Destacan investigaciones que aplican técnicas de clasificación a las imágenes de resonancia magnética para identificar fenotipos según la predominancia de la afectación, sugiriendo que los pacientes con características lesionales más graves tienen mayor riesgo de brotes y progresión⁶. También se han desarrollado metodologías para mejorar los protocolos de imagen y realizar segmentaciones automáticas de lesiones². Otros trabajos buscan optimizar técnicas o identificar nuevos indicadores para mejorar la evaluación clínica en términos de tiempo, coste y bienestar del paciente. Además, existen trabajos que combinan diversos tipos de datos como información clínica, la resonancia magnética cerebral, la tomografía de coherencia óptica, y los datos ómicos⁷.

A pesar de estos avances, persisten desafíos, como la calidad de los datos de entrada. En el caso de la resonancia magnética, es esencial disponer de protocolos estandarizados y garantizar la reproducibilidad, especialmente con distintos escáneres y procedimientos⁸. También es crucial abordar cuestiones éticas relacionadas con la privacidad, seguridad de los datos y posibles sesgos algorítmicos. Además, se necesita más investigación para desarrollar modelos predictivos que integren datos longitudinales de diversos tipos. Este aspecto podría repercutir en la mejora del diseño de ensayos clínicos y el aumento de la comprensión de los mecanismos que subyacen a la discapacidad, lo que podría llevar a tratamientos más eficaces. Algunos investigadores sugieren pre-categorizar los datos que analiza la inteligencia artificial según el conocimiento y la experiencia de médicos expertos, ya que la comparación entre el método convencional de aprendizaje automático y el enfoque híbrido médico-algoritmo ha demostrado mejores resultados para este último⁹.

Finalmente, para lograr la implementación clínica, es necesario comprender mejor la información seleccionada por los algoritmos de inteligencia artificial, validar adecuadamente los resultados en estudios multicéntricos y longitudinales, y resolver aspectos prácticos relacionados con la integración de hardware y software. La participación de los profesionales de la salud en el cuidado de los pacientes es fundamental para la transferencia de esta tecnología a la práctica clínica, ya que la supervisión humana es crucial para optimizar su uso y aprovechar al máximo el potencial de los enfoques de inteligencia artificial.

Autora