- Artículo
- Fuente: Campus Sanofi
- 26 sept 2024
La IA pone el control en la evolución de la esclerosis múltiple
Autor: AdrIAn
IA Expert
Un equipo de investigadores gallegos del Servicio de Neurología del Hospital Clínico de Santiago de Compostela ha desarrollado una herramienta de inteligencia artificial llamada XGBoost, capaz de predecir con un 90% de precisión la evolución de la esclerosis múltiple -EM- a diez años vista.
El proyecto, impulsado por la estudiante predoctoral Silvia Campanioni y liderado por los doctores José María Prieto, Jefe del Servicio de Neurología de Santiago y líder del Grupo ITEN, César Veiga, investigador de IA del IIS Galicia Sur, y Roberto Agís Balboa investigador del Grupo ITEN del IDIS, promete marcar un antes y después en el abordaje de la esclerosis múltiple gracias a una tecnología revolucionaria.
El estudio que avala su eficacia se acaba de publicar en la prestigiosa revista Pols One, arrojando resultados esperanzadores que prometen mejorar el manejo, abordaje y pronóstico de la enfermedad.
¿Quieres saber más sobre este estudio y descubrir cómo XGBoost podria cambiar la vida de las personas con esclerosis múltiple? Te lo contamos.
XGBoost supone un frenazo para la progresión de la enfermedad y un avance para los pacientes
Desde el Grupo de Investigación Traslacional en Enfermedades Neurológicas (ITEN) del IDIS y el IIS Galicia Sur, se ha impulsado la creación de XGBoost: un modelo predictivo capaz de anticiparse a la evolución de la esclerosis múltiple -EM- y al estado de discapacidad de los pacientes.
XGBoost utiliza información de resonancias magnéticas basales, así como otros datos clínicos relevantes de pacientes. Emplea algoritmos de aprendizaje que, de acuerdo con estos datos, diseñan distintos árboles de decisión, los cuales combina entre sí para obtener un resultado. Cada árbol de decisión intenta corregir los errores del anterior, lo que le permite aprender de manera contínua y mejorar su precisión.
La creación de XGBoost marca un antes y un después en el abordaje, tratamiento y pronóstico de la esclerosis múltiple
Un reciente estudio ha puesto a prueba la eficacia de XGBoost demostrando una precisión milimétrica y una utilidad médica sin precedentes:
- Predice con exactitud la evolución de la esclerosis múltiple, lo que supone un avance crucial en la toma de decisiones médicas.
- La capacidad de autoaprendizaje de XGBoost permite que los tratamientos se ajusten mejor a la evolución única de cada caso, mejorando su eficacia.
- El sistema de apoyo Shapley Additive Explanations -SHAP- ayuda a ampliar los conocimientos sobre los parámetros de evolución de la enfermedad.
- Mejora la toma de decisiones clínicas informadas, aumentando la calidad de vida de los pacientes con esclerosis múltiple.
XGBoost supone un frenazo para la progresión de la enfermedad y un avance para los pacientes
La esclerosis múltiple -EM- es una enfermedad neurológica y degenerativa compleja. Su diagnóstico está repleto de desafíos y su abordaje requiere de una atención adaptada a las características de cada persona.
La estudiante predoctoral Silvia Campanioni y los doctores José María Prieto, jefe del Servicio de Neurología de Santiago y líder del Grupo de Investigación Traslacional en Enfermedades Neurológicas (ITEN), César Veiga, investigador en IA del Instituto de Investigación Sanitaria (IIS) Galicia Sur, y Roberto Agís Balboa, investigador del Grupo ITEN del IDIS, han impulsado la creación de un sistema basado en inteligencia artificial que actúa como un modelo predictivo capaz de anticiparse a la evolución de la enfermedad, así como al estado de discapacidad del paciente.
Se llama XGBoost y, gracias a su aplicación, los profesionales sanitarios pueden prever las fases más críticas de la enfermedad, mejorando su abordaje y, en consecuencia, la calidad de vida de las personas que conviven con EM.
Con tan solo una resonancia magnética basal, XGBoost puede prever la evolución de la EM
XGBoost emplea algoritmos de aprendizaje profundo para crear un modelo predictivo propio. Para ello, se le ha suministrado un gran volumen de datos clínicos, provenientes principalmente de resonancias magnéticas basales, biomarcadores y otras variables básicas -como edad del diagnóstico o sexo del paciente-.
Con esta información, XGBoost diseña distintos árboles de decisión, los cuales combina entre sí para mejorar su capacidad predictiva. Cada árbol de decisión intenta corregir los errores del anterior, lo que le permite aprender de manera contínua, realizando pronósticos cada vez más fiables sobre la progresión de la enfermedad.
Pero eso no es todo: para ampliar el conocimiento existente sobre la evolución de la EM, los investigadores han empleado Shapley Additive Explanations -SHAP-. Se trata de un sistema de inteligencia artificial que interpreta los resultados arrojados por XGBoost, ayudando entender qué características específicas influyen en el desarrollo de la EM.
Figura 1. El aprendizaje automático explicable en la resonancia magnética basal predice los descriptores de la trayectoria de la esclerosis múltiple1
El estudio que evalúa la eficacia de XGBoost ha arrojado resultados sin precedentes
Para poner a prueba a XGBoost, los investigadores llevaron a cabo un reciente estudio para el que han empleado las resonancias magnéticas basales de 446 pacientes con EM -con al menos un año de seguimiento- y donde han realizado tres experimentos que demuestran su eficacia:
- Predicción del tiempo de cambio de discapacidad (EDSS)
- Predicción del valor de EDSS en una fecha concreta.
- Ajuste y optimización del modelo.
¿Y los resultados? Sin precedentes.
En el primer experimento, XGBoost logró predecir con precisión el tiempo que tarda un paciente en cambiar de nivel de discapacidad (EDSS). En el segundo, el modelo fue capaz de pronosticar el valor de EDSS en una fecha específica, mostrando una notable capacidad predictiva. Y, tras optimizar el modelo en el tercer experimento, se confirmó que XGBoost no solo es preciso, sino que sus predicciones son fiables y consistentes, alcanzando un rendimiento global superior sin signos de sobreajuste.
Figura 2. (A) Distribución de los pacientes a lo largo del tiempo: duración del seguimiento en días. (B) Distribución temporal de la cohorte del estudio: porcentaje de pacientes a lo largo del seguimiento en años. (C) Distribución del número de valores de cada categoría de la EDSS en la cohorte estudiada. (D) Distribución del número de determinaciones por paciente en la cohorte estudiada1
La creación de XGBoost marca un antes y un después en el abordaje, tratamiento y pronóstico de la esclerosis múltiple
Un sistema de inteligencia artificial como XGBoost, capaz de predecir la evolución de la esclerosis múltiple con un 90% de precisión1, marca un antes y un después en la medicina neurológica. Y es que esta herramienta ha demostrado ser muy útil en el abordaje, tratamiento y pronóstico de la enfermedad, ya que:
- Ayuda en la toma de decisiones médicas y clínicas.
- Permite diseñar tratamientos más personalizados e individualizados.
- Abre nuevas vías para la investigación de la esclerosis múltiple.
Aunque aún existen desafíos por superar, como la validación en estudios más amplios y garantizar el acceso equitativo a esta tecnología, el potencial de XGBoost para transformar el tratamiento de la esclerosis múltiple es enorme, representando un paso crucial hacia un futuro donde tecnología y medicina trabajen juntas.
El proyecto, impulsado por la estudiante predoctoral Silvia Campanioni y liderado por los doctores José María Prieto, Jefe del Servicio de Neurología de Santiago y líder del Grupo ITEN, César Veiga, investigador de IA del IIS Galicia Sur, y Roberto Agís Balboa investigador del Grupo ITEN del IDIS, promete marcar un antes y después en el abordaje de la esclerosis múltiple gracias a una tecnología revolucionaria.
El estudio que avala su eficacia se acaba de publicar en la prestigiosa revista Pols One, arrojando resultados esperanzadores que prometen mejorar el manejo, abordaje y pronóstico de la enfermedad.
¿Quieres saber más sobre este estudio y descubrir cómo XGBoost podria cambiar la vida de las personas con esclerosis múltiple? Te lo contamos.
XGBoost supone un frenazo para la progresión de la enfermedad y un avance para los pacientes
Desde el Grupo de Investigación Traslacional en Enfermedades Neurológicas (ITEN) del IDIS y el IIS Galicia Sur, se ha impulsado la creación de XGBoost: un modelo predictivo capaz de anticiparse a la evolución de la esclerosis múltiple -EM- y al estado de discapacidad de los pacientes.
XGBoost utiliza información de resonancias magnéticas basales, así como otros datos clínicos relevantes de pacientes. Emplea algoritmos de aprendizaje que, de acuerdo con estos datos, diseñan distintos árboles de decisión, los cuales combina entre sí para obtener un resultado. Cada árbol de decisión intenta corregir los errores del anterior, lo que le permite aprender de manera contínua y mejorar su precisión.
La creación de XGBoost marca un antes y un después en el abordaje, tratamiento y pronóstico de la esclerosis múltiple
Un reciente estudio ha puesto a prueba la eficacia de XGBoost demostrando una precisión milimétrica y una utilidad médica sin precedentes:
- Predice con exactitud la evolución de la esclerosis múltiple, lo que supone un avance crucial en la toma de decisiones médicas.
- La capacidad de autoaprendizaje de XGBoost permite que los tratamientos se ajusten mejor a la evolución única de cada caso, mejorando su eficacia.
- El sistema de apoyo Shapley Additive Explanations -SHAP- ayuda a ampliar los conocimientos sobre los parámetros de evolución de la enfermedad.
- Mejora la toma de decisiones clínicas informadas, aumentando la calidad de vida de los pacientes con esclerosis múltiple.
XGBoost supone un frenazo para la progresión de la enfermedad y un avance para los pacientes
La esclerosis múltiple -EM- es una enfermedad neurológica y degenerativa compleja. Su diagnóstico está repleto de desafíos y su abordaje requiere de una atención adaptada a las características de cada persona.
La estudiante predoctoral Silvia Campanioni y los doctores José María Prieto, jefe del Servicio de Neurología de Santiago y líder del Grupo de Investigación Traslacional en Enfermedades Neurológicas (ITEN), César Veiga, investigador en IA del Instituto de Investigación Sanitaria (IIS) Galicia Sur, y Roberto Agís Balboa, investigador del Grupo ITEN del IDIS, han impulsado la creación de un sistema basado en inteligencia artificial que actúa como un modelo predictivo capaz de anticiparse a la evolución de la enfermedad, así como al estado de discapacidad del paciente.
Se llama XGBoost y, gracias a su aplicación, los profesionales sanitarios pueden prever las fases más críticas de la enfermedad, mejorando su abordaje y, en consecuencia, la calidad de vida de las personas que conviven con EM.
Con tan solo una resonancia magnética basal, XGBoost puede prever la evolución de la EM
XGBoost emplea algoritmos de aprendizaje profundo para crear un modelo predictivo propio. Para ello, se le ha suministrado un gran volumen de datos clínicos, provenientes principalmente de resonancias magnéticas basales, biomarcadores y otras variables básicas -como edad del diagnóstico o sexo del paciente-.
Con esta información, XGBoost diseña distintos árboles de decisión, los cuales combina entre sí para mejorar su capacidad predictiva. Cada árbol de decisión intenta corregir los errores del anterior, lo que le permite aprender de manera contínua, realizando pronósticos cada vez más fiables sobre la progresión de la enfermedad.
Pero eso no es todo: para ampliar el conocimiento existente sobre la evolución de la EM, los investigadores han empleado Shapley Additive Explanations -SHAP-. Se trata de un sistema de inteligencia artificial que interpreta los resultados arrojados por XGBoost, ayudando entender qué características específicas influyen en el desarrollo de la EM.
Figura 1. El aprendizaje automático explicable en la resonancia magnética basal predice los descriptores de la trayectoria de la esclerosis múltiple1
El estudio que evalúa la eficacia de XGBoost ha arrojado resultados sin precedentes
Para poner a prueba a XGBoost, los investigadores llevaron a cabo un reciente estudio para el que han empleado las resonancias magnéticas basales de 446 pacientes con EM -con al menos un año de seguimiento- y donde han realizado tres experimentos que demuestran su eficacia:
- Predicción del tiempo de cambio de discapacidad (EDSS)
- Predicción del valor de EDSS en una fecha concreta.
- Ajuste y optimización del modelo.
¿Y los resultados? Sin precedentes.
En el primer experimento, XGBoost logró predecir con precisión el tiempo que tarda un paciente en cambiar de nivel de discapacidad (EDSS). En el segundo, el modelo fue capaz de pronosticar el valor de EDSS en una fecha específica, mostrando una notable capacidad predictiva. Y, tras optimizar el modelo en el tercer experimento, se confirmó que XGBoost no solo es preciso, sino que sus predicciones son fiables y consistentes, alcanzando un rendimiento global superior sin signos de sobreajuste.
Figura 2. (A) Distribución de los pacientes a lo largo del tiempo: duración del seguimiento en días. (B) Distribución temporal de la cohorte del estudio: porcentaje de pacientes a lo largo del seguimiento en años. (C) Distribución del número de valores de cada categoría de la EDSS en la cohorte estudiada. (D) Distribución del número de determinaciones por paciente en la cohorte estudiada1
La creación de XGBoost marca un antes y un después en el abordaje, tratamiento y pronóstico de la esclerosis múltiple
Un sistema de inteligencia artificial como XGBoost, capaz de predecir la evolución de la esclerosis múltiple con un 90% de precisión1, marca un antes y un después en la medicina neurológica. Y es que esta herramienta ha demostrado ser muy útil en el abordaje, tratamiento y pronóstico de la enfermedad, ya que:
- Ayuda en la toma de decisiones médicas y clínicas.
- Permite diseñar tratamientos más personalizados e individualizados.
- Abre nuevas vías para la investigación de la esclerosis múltiple.
Aunque aún existen desafíos por superar, como la validación en estudios más amplios y garantizar el acceso equitativo a esta tecnología, el potencial de XGBoost para transformar el tratamiento de la esclerosis múltiple es enorme, representando un paso crucial hacia un futuro donde tecnología y medicina trabajen juntas.
Referencias
- Campanioni S, Veiga C, Prieto-González JM, González-Nóvoa JA, Busto L, Martinez C, et al. Explainable machine learning on baseline MRI predicts multiple sclerosis trajectory descriptors. PLoS One [Internet]. 2024;19(7):e0306999. Disponible en: http://dx.doi.org/10.1371/journal.pone.0306999
MAT-ES-2403207 V1 febrero 2025