IA multimodal para el cribado oportunista, la estadificación y la estratificación del riesgo de progresión de la...

Área de la Ciencia:

• Radiología Radiología.
• La inteligencia artificial es inteligencia artificial.
• Hepatología Hepatología.

Sus antecedentes:

• La enfermedad hepática esteatótica (enfermedad del hígado graso) es un problema de salud mundial cada vez mayor.
• Las tomografías computarizadas (TC) sin contraste se utilizan para la detección oportunista, pero carecen de capacidades robustas de estadificación y evaluación de riesgos.
• La estadificación precisa y la estratificación del riesgo son cruciales para controlar la enfermedad hepática esteatótica y prevenir la progresión.

Objetivo del estudio:

• Desarrollar y validar un modelo de IA multimodal para detectar y evaluar la gravedad de la enfermedad hepática esteatótica y la fibrosis.
• Evaluar el impacto del modelo en el cribado de riesgos clínicos y la gestión del paciente.
• Demostrar el potencial del modelo de IA para la detección temprana y la mejora de los resultados en la enfermedad hepática esteatótica.

Principales métodos:

• Se entrenó un modelo de IA multimodal en un gran conjunto de datos de casos confirmados histopatológicamente y radiológicamente (n=968 y n=1103, respectivamente).
• El modelo fue validado contra los estándares de oro de la histología (n=660) y MRI-PDFF (n=375).
• El modelo de IA se integró en una vía clínica estándar y se evaluó retrospectivamente en una cohorte de pacientes (n = 1192).
• Se utilizaron modelos de riesgo proporcional de Cox para evaluar la asociación entre las categorías de riesgo identificadas por la IA y la incidencia de cirrosis.

Principales resultados:

• El modelo de IA demostró una alta precisión en la detección de esteatosis de leve a grave (AUC: 0.904-0.929) y fibrosis clínicamente significativa (AUC: 0.824-0.888).
• La integración del modelo de IA en la práctica clínica identificó un 36% más de pacientes en riesgo de progresión de la fibrosis.
• Los pacientes de alto riesgo intermedio identificados por el modelo de IA mostraron una incidencia significativamente mayor de cirrosis (razón de riesgo: 5.54).

Conclusiones:

• El modelo de IA multimodal muestra una promesa significativa para la detección precisa y la estadificación de la enfermedad hepática esteatótica y la fibrosis utilizando TC sin contraste.
• La integración clínica de esta herramienta de IA mejora la detección primaria de riesgos, lo que permite la identificación temprana de los pacientes que requieren intervención.
• El modelo de IA facilita el manejo proactivo de la enfermedad hepática esteatótica, reduciendo potencialmente la incidencia de complicaciones avanzadas como la cirrosis.