En un estudio reciente publicado en la revista fronteras en medicina, Los investigadores han evaluado las imágenes ópticas fluorescentes (FOI) como un método para diagnosticar con precisión y rapidez enfermedades reumáticas de las manos.

Utilizaron algoritmos de aprendizaje automático para determinar la cantidad mínima de características de FOI para diferenciar la osteoartritis (OA), la artritis reumatoide (AR) y la enfermedad del tejido conectivo (CTD). Entre los 20 rasgos identificados como asociados con los casos, los resultados indican que una disminución en el número de combinaciones de rasgos entre cinco y 15 fue suficiente para diagnosticar con precisión cada una de las enfermedades bajo estudio.

FOI y el diagnóstico de enfermedades reumáticas.

“Enfermedades reumáticas” es un término general que se utiliza para describir afecciones que afectan las articulaciones, tendones, músculos, ligamentos y huesos. Es una afección común que afecta hasta al 2,55% de las personas en todo el mundo, con una mayor prevalencia en los ancianos que en los adultos más jóvenes. Las enfermedades reumáticas pueden ser crónicas y un diagnóstico temprano y preciso conduce a mejores resultados de salud para los pacientes.

Tradicionalmente, las técnicas de imagen, incluidas la resonancia magnética (MRI) y la ecografía, han sido el estándar de oro para diagnosticar enfermedades reumáticas. Sin embargo, estas técnicas son costosas y requieren una infraestructura especializada que normalmente no está disponible en los centros de diagnóstico.

Recientemente, se han utilizado técnicas de imágenes de fluorescencia óptica (FOI) para estudiar estas enfermedades. Esta técnica no invasiva aprovecha el deterioro microcirculatorio causado por la inflamación reumática para identificar y caracterizar el tipo de enfermedad reumática.

Las comparaciones diagnósticas de la resonancia magnética con la ecografía y la libertad de información han demostrado la precisión de esta última. Sin embargo, hasta hace poco, la mejora de la señal en las áreas articulares de las manos y las muñecas ha sido el foco principal de los estudios de la FOI, ignorando en gran medida otras características de la imagen. Aún faltan estudios que exploren la selección de características de imágenes FOI específicas para el diagnóstico de enfermedades reumáticas.

Sobre el estudio

En este estudio, los investigadores se propusieron identificar características específicas de la imagen FOI necesarias para caracterizar con precisión y rapidez las enfermedades reumáticas que afectan a las manos. Utilizaron métodos de aprendizaje automático para esta determinación, debido a las capacidades de estos modelos y la creciente disponibilidad de datos utilizables para entrenar los modelos.

Los investigadores comenzaron recopilando datos de detección FOI de 3.690 pacientes clínicamente diagnosticados con enfermedades reumáticas a partir de una base de datos en línea.

Estos datos se agruparon en tres grupos: osteoartritis (OA), artritis reumatoide (AR) y enfermedad del tejido conectivo (ETC) según el diagnóstico clínico. En todas las cohortes, los diagnósticos realizados sin conocimiento de las imágenes FOI (es decir, utilizando únicamente datos de resonancia magnética o ultrasonido) fueron suficientes para la inclusión en el estudio.

Dado que el número de pacientes en el grupo de OA fue significativamente mayor que el de los demás, se utilizó una selección aleatoria para restringir el conjunto de datos y reducir el sesgo de muestreo.

Las exploraciones FOI se realizaron utilizando un agente de contraste fluorescente de verde de indocianina (ICG) administrado por vía intravenosa (0,1 mg/kg de peso corporal) 10 segundos después del inicio de la exploración. La exploración duró 6 minutos y se registraron imágenes cada segundo para un total de 360 ​​imágenes por paciente. Las imágenes fueron ensambladas en tres “etapas” utilizando la siguiente metodología:

El final de la primera etapa está marcado por el comienzo de un pronunciado flujo inverso de pigmento desde el área del lecho ungueal del segundo al quinto dedo. La segunda etapa comenzó y terminó con el cuadro 150. La tercera etapa incluyó todas las siguientes fotos hasta el final.

Roth et al. (2023)

Las imágenes de cada etapa se resumieron y condensaron en una sola imagen (tres en total para cada paciente) para los análisis finales. El lector, el investigador responsable de seleccionar y comentar las imágenes, vio estas imágenes en busca de cualquiera de las 20 características de la imagen en estudio.

Estas características de la imagen incluyeron cinco características de las articulaciones, dos características de los dedos, dos características de las uñas, cuatro características del tejido conectivo y otras siete características, cinco de las cuales se identifican y describen en este estudio por primera vez.

Los datos resultantes se procesaron previamente para cumplir con los requisitos de clasificación de tres clases del estudio (RA, OA o CTD). Este requisito polinómico se ha trasladado a la clasificación binomial para mejorar la identificación y clasificación de características específicas de enfermedades a través de tres problemas Uno contra Resto (OvR) y tres problemas Uno contra Uno (OvO).

Se consideraron seis problemas: RA-vs.-OA; OA versus CTD; AR versus CTD; ra-vs-rest; OA versus conveniencia y CTD versus conveniencia.

Se crearon, probaron y validaron modelos de aprendizaje automático (ML) utilizando el 90 % del conjunto de datos para entrenamiento y el 10 % para pruebas. La selección de funciones implica identificar y excluir funciones “redundantes”, aquellas que no proporcionan suficiente información de diagnóstico o aquellas que están altamente asociadas con otras funciones que ya proporcionan suficiente información.

Esto llevó a las funciones de filtrado y clasificación utilizando modelos ML, que se lograron utilizando el coeficiente phi, el algoritmo de mitigación MultiSURF, la caída media (MDI) y la precisión de la caída media (MDA).

Finalmente, se utilizó la selección directa secuencial, que es una metodología de selección de características que tiene como objetivo encontrar el conjunto más pequeño de características que lograron un rendimiento diagnóstico cercano al máximo.

Resultados

Este estudio incluyó a 609 pacientes en tres grupos (RA = 237, OA = 231, CTD = 141). La mayoría de los pacientes (80,5%) eran mujeres y tenían edades comprendidas entre 38 y 74 años (AR media = 61,7, OA media = 61,6, CTD media = 51,9).

Los análisis de colinealidad revelaron que las características eran en su mayoría únicas, sin que ninguna característica hiciera que otra característica fuera directamente redundante. Por lo tanto, todos los elementos se conservaron cuando se inició la selección de funciones.

Se entrenaron y probaron diez algoritmos de aprendizaje automático utilizando datos colectivos, y se seleccionó el modelo Gradient Boost Machine (GBM) como el de mejor desempeño. El modelo GBM incluye un conjunto de modelos ML individuales con combinaciones de etapas de estos modelos que mejoran el rendimiento general.

Los análisis de selección de características revelaron que cada una de las cuatro medidas utilizadas (coeficiente phi, MultiSURF, MDI o MDA) mostró diferencias significativas en la calificación de las características y el número total de características principales.

Se utilizaron métricas del área bajo la curva (AUC) para determinar las características esenciales de la salida de GBM. Como se esperaba, las puntuaciones AUC aumentaron bruscamente para cada característica adicional agregada al principio de la calificación de la característica, alcanzaron su punto máximo y luego se estabilizaron u oscilaron alrededor del máximo cuando se agregaron las características restantes de baja calificación.

La cantidad de funciones necesarias para alcanzar el mejor rendimiento fue cinco para RA-vs-OA, 10 para RA-vs-CTD, 16 para OA-vs-CTD, cinco para RA-vs-Rest, 11 para OA-vs-Rest y 15 para CTD versus reposo, respectivamente.

Roth et al. (2023)

Las calificaciones finales de AUC fueron inferiores a 0,7, lo que es aceptable para la distinción general. Estos resultados fueron consistentes con las puntuaciones de rendimiento del aprendizaje automático calculadas y validadas, destacando su confiabilidad.

conclusiones

En este estudio, los investigadores analizaron datos de FOI de 609 pacientes con enfermedades reumáticas diagnosticadas clínicamente para evaluar el uso de características de imágenes de FOI como una herramienta de diagnóstico rápida y precisa para diferenciar la OA de la artritis reumatoide y el trastorno traumático acumulativo. Entrenaron y probaron modelos de aprendizaje automático para la clasificación de identificación de características, identificando el conjunto mínimo de características esenciales que pueden diagnosticar de manera precisa y consistente una enfermedad determinada.

Sus resultados identifican de cinco a 16 características principales suficientes para lograr aproximadamente el máximo rendimiento de diagnóstico. Esto resalta la suficiencia de un subconjunto reducido de características específicas para el diagnóstico de OA, AR o CTD.

Las más importantes son las características P, M, Y, C, I y B, que representan las articulaciones metacarpofalángicas proximales (P), las articulaciones metacarpofalángicas (M), la unión tendinosa de la muñeca (Y) y las articulaciones intercarpianas ( C), una señal heterogénea en el lecho ungueal (I) y señales claras y amplias en la región del tendón dorsal (B). Es relevante para cinco de los seis problemas. Además, V y F, que representan estructuras venosas superficiales (V) y señales agudas finas (F), se encuentran cinco veces. Curiosamente, la característica D, la articulación metacarpofalángica distal, no se utiliza en absoluto en los algoritmos de las máquinas, aunque en la literatura se utiliza una mayor intensidad de señal en las articulaciones distales para diagnosticar la OA.

Roth et al. (2023)

En resumen, se ha demostrado que la lectura FOI es una herramienta rápida y precisa para la determinación de AR, OA y CTD. Muestra potencial como herramienta útil para los profesionales de la salud, especialmente en las clínicas de artritis temprana, donde estas enfermedades a menudo se encuentran y, a veces, se identifican erróneamente.

La información obtenida a través de los cálculos sobre qué características se utilizarán, en qué etapa, para qué problema y la optimización del rendimiento del diagnóstico proporciona información útil sobre el proceso de diagnóstico diferencial de las enfermedades presentadas.

Roth et al. (2023)