Aprendizaje automático para la evaluación del riesgo de recaída en la pancreatitis biliar aguda. (MINERVA)

La pancreatitis aguda es la enfermedad pancreática más común, con una incidencia global de 34 casos por 100.000 personas. Esta enfermedad cuenta con más de 1,5 millones de nuevos pacientes al año en todo el mundo, con una mortalidad que se acerca al 1%. Los pacientes con pancreatitis aguda biliar leve, cuando ingresan en el hospital, pueden tratarse con colecistectomía inicial temprana (dentro de los 3 a 7 días posteriores al episodio agudo) o de forma conservadora. Si bien el tratamiento conservador puede ser resolutivo, hasta un 35% de estos pacientes sufren una recaída en un plazo de 30 días, y requieren cirugía de urgencia en un estado general del paciente significativamente peor, lo que reduce las posibilidades de éxito. Aparte de eso, la recaída aumenta drásticamente las posibilidades de pancreatitis crónica, cáncer de páncreas, complicaciones posoperatorias y mortalidad general. Los episodios de recaída también tienen un impacto económico en los centros de atención sanitaria, ya que un segundo ingreso hospitalario más prolongado por paciente aumenta el coste médico general por paciente en al menos un 100%. Sin embargo, hasta el momento no existen métodos estandarizados para predecir la recaída de la pancreatitis aguda biliar en pacientes que no se sometieron a una colecistectomía temprana después del primer episodio de pancreatitis aguda biliar leve.

El proyecto MINERVA (Machine learning for the rElapse Risk eValuation in Acute biliary pancreatitis) surge de la necesidad en la práctica clínica de tomar una decisión operativa en pacientes que ingresan en el hospital con diagnóstico de pancreatitis biliar aguda leve.

El proyecto MINERVA pretende alcanzar los siguientes objetivos y resultados:

1. Proponer una metodología novedosa para la evaluación del riesgo de recaída en pacientes con pancreatitis aguda biliar leve que no se sometieron a colecistectomía temprana después del primer episodio de pancreatitis aguda biliar leve;
2. Proponer un modelo predictivo de Machine Learning utilizando una arquitectura de Deep Learning aplicada a datos fáciles de recopilar de los pacientes;
3. Validar la puntuación MINERVA en una cohorte prospectiva, multicéntrica y extensa;
4. Permita que los médicos nacionales e internacionales, el personal médico, los investigadores y el público en general accedan libre y fácilmente al cálculo de la puntuación MINERVA y lo utilicen en su práctica clínica diaria.

La puntuación MINERVA proporcionará a los médicos una evaluación validada y estandarizada del riesgo de recaída que tiene en cuenta los antecedentes personales, los datos demográficos y las características de laboratorio de cada paciente. La puntuación MINERVA será gratuita y fácil de calcular al instante para todo el personal médico; estará accesible en cualquier momento en el sitio web y la aplicación web de MINERVA, y proporcionará un resultado inmediato y confiable que puede ser una indicación clara de la mejor vía de tratamiento para el médico y el paciente.

El modelo de puntuación MINERVA se desarrollará sobre una cohorte retrospectiva de pacientes (MANCTRA-1, ya registrado en ClinicalTrials.gov) y será validado en una nueva cohorte multicéntrica prospectiva.

Cohorte retrospectiva El desarrollo del modelo y la formación inicial se realizarán en una cohorte retrospectiva de pacientes (n=692) recopilados durante un estudio multicéntrico preliminar, el estudio MANCTRA-1 (aprobado por el Comité de Ética del Hospital de la Universidad de Cagliari, MANCTRA-1 - NCT04747990, Prot. PG/2021/7108) realizado por el IP (Dr. Mauro Podda) y el responsable local del proyecto MINERVA de la Universidad de Cagliari.

Cohorte prospectiva Se reclutará un total de 430 pacientes en la cohorte prospectiva del estudio MINERVA.

Métodos La puntuación MINERVA se basará en un modelo de aprendizaje automático que se desarrollará y entrenará en una cohorte retrospectiva y se validará en una cohorte prospectiva de pacientes.

Todas las variables del modelo se procesarán con el Análisis de componentes principales del kernel (kPCA).

Se calculará el casco convexo del diagrama de dispersión de los componentes principales y se extraerá el rectángulo más pequeño. El rectángulo se transformará en una imagen 2D con una resolución fija mediante el promedio y la normalización de características.

El modelo será desarrollado en la Universidad de Nápoles Federico II por la Dra. Daniela Pacella con experiencia y supervisión en Machine Learning.

Para evitar el sobreajuste, el conjunto de datos se dividirá en conjunto de entrenamiento, conjunto de prueba y conjunto de validación. Además, se utilizará una validación cruzada de k veces. El desempeño del modelo MINERVA se evaluará utilizando las medidas de precisión más adoptadas, como precisión, recuperación y AUC (área bajo la curva ROC). Además, se comparará su rendimiento con el logrado utilizando métodos tradicionales de aprendizaje automático (SVM, ANN). Los datos faltantes se manejarán con métodos de imputación.

Variables Edad (Años) Sexo (Hombre:Mujer) Episodios previos de pancreatitis biliar (Sí; No) Especialidad de ingreso (Cirugía HepatoPancreatoBiliar, Cirugía General, Medicina Interna, Gastroenterología) Índice de masa corporal -IMC- (Kg/m2) Historia clínica de diabetes (No diabetes; Sí con disfunción de órganos; Sí sin disfunción de órganos) Historia clínica de enfermedad pulmonar crónica (Sí; No) Historia clínica de hipertensión (Sí; No) Historia clínica de fibrilación auricular (Sí; No) Historia clínica de cardiopatía isquémica (Sí; No) Historia clínica de enfermedad renal crónica (No; Sí bajo medicamentos; Sí en terapia de reemplazo renal permanente o en preparación para ella) Historia clínica de enfermedades del sistema hematopoyético (Sí; No) Paciente en tratamiento con medicamentos inmunosupresores en el hospital ingreso (Sí; No) Glóbulos blancos -WBC- (células/mm3) Neutrófilos (células/mm3) Plaquetas (Plt/mm3) INR (International Normalized Ratio) Proteína C reactiva -CRP- (mg/L) Aspartato aminotransferasa - AST- (U/L) Alanina aminotransferasa -ALT- (U/L) Bilirrubina total (mg/dL) Bilirrubina conjugada (mg/dL) Gamma-glutamil-transpeptidasa -GGT- (U/L) Amilasa sérica (U/L) ) Lipasa sérica (U/L) Lactato Deshidrogenasa -LDH- (U/L) Coledocolitiasis (Sí; Sí, con obstrucción del colédoco; No) Colangitis (Sí; No) CPRE con esfinterotomía (Sí dentro de las 24 h desde el ingreso hospitalario; Sí dentro de las 24-48 h desde el ingreso hospitalario; Sí dentro de las 48-72 h desde el ingreso hospitalario; No) Recaída de pancreatitis biliar aguda a los 30 días, 60- día, 90 días, 1 año.