La IA supera a los humanos en la creación de tratamientos contra el cáncer, pero ¿confían los médicos en ella?

El impacto de la implementación de la inteligencia artificial (IA) para la radioterapia contra el cáncer en un entorno clínico del mundo real ha sido probado por los investigadores de Princess Margaret en un estudio único en el que participaron médicos y sus pacientes.

Un equipo de investigadores comparó directamente las evaluaciones de los médicos de los tratamientos de radiación generados por un algoritmo de aprendizaje automático de IA (ML) con los tratamientos de radiación convencionales generados por humanos.

Descubrieron que en la mayoría de los 100 pacientes estudiados, los médicos consideraron que los tratamientos generados con ML eran clínicamente aceptables para los tratamientos de los pacientes.

Chris McIntosh

El primer autor, el Dr. McIntosh, dice que el estudio Princess Margaret ha demostrado que la IA puede ser mejor que el juicio humano para el tratamiento de radioterapia con intención curativa. Crédito: StRIDe, UHN

En general, el 89% de los tratamientos generados por ML se consideraron clínicamente aceptables para los tratamientos, y el 72% se seleccionaron sobre los tratamientos generados por humanos en comparaciones directas con los tratamientos convencionales generados por humanos.

Además, el proceso de tratamiento con radiación ML fue más rápido que el proceso convencional impulsado por humanos en un 60%, lo que redujo el tiempo total de 118 horas a 47 horas. A largo plazo, esto podría representar un ahorro sustancial de costos a través de una mayor eficiencia, mientras que al mismo tiempo se mejora la calidad de la atención clínica, algo poco común en el que todos ganan.

El estudio también tiene implicaciones más amplias para la IA en la medicina.

Si bien los tratamientos ML se prefirieron abrumadoramente cuando se evaluaron fuera del entorno clínico, como se hace en la mayoría de los trabajos científicos, las preferencias de los médicos por los tratamientos generados por ML cambiaron cuando el tratamiento elegido, ML o generado por humanos, se usaría para tratar al paciente.

En esa situación, la cantidad de tratamientos de AA seleccionados para el tratamiento del paciente se redujo significativamente, lo que emitió una nota de precaución para los equipos que estén considerando implementar sistemas de IA validados de manera inadecuada.

Los resultados del equipo de estudio dirigido por los Dres. Chris McIntosh, Leigh Conroy, Ale Berlin y Tom Purdie se publican en Medicina de la naturaleza, 3 de junio de 2021.

“Hemos demostrado que la IA puede ser mejor que el juicio humano para el tratamiento de radioterapia con intención curativa. De hecho, es sorprendente que funcione tan bien ”, dice el Dr. McIntosh, científico del Centro Cardíaco Peter Munk, Instituto Techna y presidente de Imágenes Médicas e IA en el Departamento Conjunto de Imágenes Médicas y la Universidad de Toronto.

“Un hallazgo importante es lo que sucede cuando realmente lo implementa en un entorno clínico en comparación con uno simulado”.

Tom Purdie

El autor principal, el Dr. Purdie, dice que puede haber una desconexión entre un entorno tipo laboratorio y uno clínico en los tratamientos generados por IA. Crédito: Cortesía del Dr. Purdie

El Dr. Purdie, físico médico, Princess Margaret Cancer Center agrega: “Ha habido mucho entusiasmo generado por la IA en el laboratorio, y se supone que esos resultados se traducirán directamente en un entorno clínico. Pero emitimos una advertencia de advertencia en nuestra investigación de que es posible que no lo hagan.

“Una vez que usted pone los tratamientos generados por ML en manos de las personas que dependen de ellos para tomar decisiones clínicas reales sobre sus pacientes, esa preferencia por ML puede disminuir. Puede haber una desconexión entre lo que está sucediendo en un entorno tipo laboratorio y uno clínico “. El Dr. Purdie también es profesor asociado del Departamento de Oncología Radioterápica de la Universidad de Toronto.

En el estudio, se pidió a los oncólogos radioterapeutas tratantes que evaluaran dos tratamientos de radiación diferentes, ya sea ML o generados por humanos, con los mismos criterios estandarizados en dos grupos de pacientes que eran similares en características demográficas y de enfermedad.

La diferencia fue que un grupo de pacientes ya había recibido tratamiento, por lo que la comparación fue un ejercicio “simulado”. El segundo grupo de pacientes estaba a punto de comenzar el tratamiento de radioterapia, por lo que si se consideraba que los tratamientos generados por IA eran superiores y preferibles a sus homólogos humanos, se utilizarían en los tratamientos reales.

Los oncólogos no sabían qué tratamiento de radiación fue diseñado por un humano o una máquina. Los tratamientos generados por humanos se crearon individualmente para cada paciente según el protocolo normal por el terapeuta de radiación especializado. En contraste, cada tratamiento de ML fue desarrollado por un algoritmo de computadora entrenado en una base de datos de alta calidad, revisada por pares, de planes de radioterapia de 99 pacientes previamente tratados por cáncer de próstata en Princess Margaret.

Para cada nuevo paciente, el algoritmo ML identifica automáticamente a los pacientes más similares en la base de datos, utilizando métricas de similitud aprendidas de miles de características de imágenes de pacientes y órganos diana y sanos delineados que son una parte estándar del proceso de tratamiento de radioterapia. El tratamiento completo para un nuevo paciente se infiere de los pacientes más similares de la base de datos, según el modelo ML.

Leigh Conroy

El coautor, el Dr. Leigh Conroy, dice que los tratamientos de radiación generados por ML se utilizan ahora para tratar a la mayoría de los pacientes con cáncer de próstata en Princess Margaret. Crédito: UHN Visual Services

Aunque los tratamientos generados por ML recibieron una alta calificación en ambos grupos de pacientes, los resultados en el grupo de pretratamiento divergieron de los del grupo de postratamiento.

En el grupo de pacientes que ya habían recibido tratamiento, el número de tratamientos generados por ML seleccionados sobre los humanos fue del 83%. Esto cayó al 61% para aquellos seleccionados específicamente para el tratamiento, antes de su tratamiento.

“En este estudio, estamos diciendo que los investigadores deben prestar atención a un entorno clínico”, dice el Dr. Purdie. “Si los médicos sienten que la atención al paciente está en juego, entonces eso puede influir en su juicio, aunque los tratamientos de AA se evalúan y validan minuciosamente”.

El Dr. Conroy, físico médico de Princess Margaret, señala que después del exitoso estudio, los tratamientos generados por ML ahora se utilizan para tratar a la mayoría de los pacientes con cáncer de próstata en Princess Margaret.

Ese éxito se debe a una planificación cuidadosa, una integración juiciosa paso a paso en el entorno clínico y la participación de muchas partes interesadas a lo largo del proceso de establecer un programa de ML sólido, explica, y agrega que el programa se perfecciona constantemente, los oncólogos son consultados continuamente y brindan retroalimentación. y los resultados de qué tan bien los tratamientos de ML reflejan la clínica precisión se comparten con ellos.

“Fuimos muy sistemáticos en la forma en que integramos esto en la clínica de Princess Margaret”, dice el Dr. Berlin, clínico-científico y oncólogo de radiación en Princess Margaret. “Para construir este software novedoso, tomó alrededor de seis meses, pero para que todos se sintieran cómodos con el proceso, tomó más de dos años. La visión, la audacia y la tenacidad son ingredientes clave, y somos afortunados en Princess Margaret de tener líderes en todas las disciplinas que encarnan estos atributos “. El Dr. Berlin también es profesor adjunto del Departamento de Oncología Radioterápica de la Universidad de Toronto.

El éxito del lanzamiento de un estudio de este calibre se basó en gran medida en el compromiso de todo el grupo de cáncer de radiación genitourinaria de Princess Margaret, incluidos los oncólogos radioterapeutas, los físicos médicos y los radioterapeutas. Este fue un gran esfuerzo de equipo multidisciplinario con el objetivo final de que todos mejoren el tratamiento del cáncer por radiación para los pacientes de Princess Margaret.

El equipo también está ampliando su trabajo a otros sitios de cáncer, incluidos el cáncer de pulmón y de mama, con el objetivo de reducir la cardiotoxicidad, un posible efecto secundario del tratamiento.

Referencia: “Integración clínica del aprendizaje automático para el tratamiento de radiación con intención curativa de pacientes con cáncer de próstata” por Chris McIntosh, Leigh Conroy, Michael C. Tjong, Tim Craig, Andrew Bayley, Charles Catton, Mary Gospodarowicz, Joelle Helou, Naghmeh Isfahanian, Vickie Kong, Tony Lam, Srinivas Raman, Padraig Warde, Peter Chung, Alejandro Berlin y Thomas G. Purdie, 3 de junio de 2021, Medicina de la naturaleza.
DOI: 10.1038 / s41591-021-01359-w

Otros autores que contribuyeron a este artículo son: Michael C. Tjong, Tim Craig, Andrew Bayley, Charles Catton, Mary Gospodarowicz, Joelle Helou, Naghmeh Isfahanian, Vickie Kong, Tony Lam, Srinivas Raman, Padraig Warde y Peter Chung.

Este trabajo fue apoyado por los Institutos Canadienses de Investigación en Salud, el Consejo Nacional de Investigación en Ciencias e Ingeniería de Canadá y la Fundación del Cáncer Princess Margaret.

Conflicto de intereses

Chris McIntosh y Thomas Purdie reciben regalías de RaySearch Laboratories en relación con las tecnologías de tratamiento de radiación ML. Los autores restantes informan que no hay intereses en competencia con este estudio.

Acerca de Princess Margaret Cancer Center

Princess Margaret Cancer Center ha logrado una reputación internacional como líder mundial en la lucha contra el cáncer y en la prestación de medicamentos oncológicos personalizados. El Princess Margaret, uno de los cinco principales centros internacionales de investigación del cáncer, es miembro de la University Health Network, que también incluye el Hospital General de Toronto, el Hospital Toronto Western, el Instituto de Rehabilitación de Toronto y el Instituto Michener para la Educación de la UHN. Todos son hospitales de investigación afiliados a la Universidad de Toronto.


Source: SciTechDaily by scitechdaily.com.

*The article has been translated based on the content of SciTechDaily by scitechdaily.com. If there is any problem regarding the content, copyright, please leave a report below the article. We will try to process as quickly as possible to protect the rights of the author. Thank you very much!

*We just want readers to access information more quickly and easily with other multilingual content, instead of information only available in a certain language.

*We always respect the copyright of the content of the author and always include the original link of the source article.If the author disagrees, just leave the report below the article, the article will be edited or deleted at the request of the author. Thanks very much! Best regards!