Biomarcadores de emisión acústica para la detección y seguimiento de la osteoartritis temprana de rodilla

Antecedentes de la enfermedad La osteoartritis (OA) es una afección altamente prevalente e incapacitante que afecta a más del 7% de las personas en todo el mundo (528 millones de personas). Esto limita significativamente su movilidad y su estilo de vida independiente. La OA se describe principalmente por pérdida de cartílago, cambios estructurales en el hueso e inflamación de la membrana sinovial y la cápsula articular. Los factores de riesgo comunes incluyen el envejecimiento, la obesidad, lesiones articulares previas y el uso excesivo. La OA tarda varios años en desarrollarse, antes de que el paciente consulte al médico cuando el dolor se intensifica. En las primeras etapas, los pacientes son asintomáticos o solo experimentan dolor relacionado con la actividad. El dolor se vuelve constante con el tiempo con episodios de dolor intenso intermitente. En regiones de todo el mundo, el costo anual promedio de la OA para un individuo se estima entre 700 y 15 600 dólares (2019). En consecuencia, la OA tiene un gran impacto socioeconómico debido a sus altos costos médicos, jubilaciones anticipadas y alto ausentismo laboral.

La OA suele afectar las caderas, las rodillas, las manos, los pies y la columna, con una alta prevalencia de afectación poliarticular. Este estudio se centra en la OA de rodilla.

Estándar de evaluación actual El estándar de evaluación actual de la gravedad de la OA de rodilla se basa en la radiografía simple, utilizando el sistema de clasificación Kellgren-Lawrence (KL), que fue aceptado como estándar por la Organización Mundial de la Salud en 1961. Este sistema no evalúa el tejido primario afectado (el cartílago), sino sólo el aspecto general de la articulación. Por lo tanto, es incapaz de detectar las primeras etapas de la OA y el diagnóstico a menudo se establece en una etapa tardía, con pocas opciones de tratamiento además de la artroplastia de rodilla.

Métodos de evaluación alternativos Se requiere un diagnóstico más temprano y una mejor estratificación de los pacientes para implementar tratamientos preventivos para la OA. Las posibles opciones de diagnóstico temprano incluyen imágenes por resonancia magnética (MRI) y marcadores bioquímicos. La resonancia magnética se puede utilizar para evaluar cambios en el volumen, el grosor o incluso la calidad del cartílago; sin embargo, el uso generalizado de la resonancia magnética está limitado por su alto costo, disponibilidad y la ausencia de una puntuación internacional validada. Actualmente se están investigando muchos marcadores bioquímicos, pero hasta ahora carecen de especificidad para los tejidos articulares y para articulaciones concretas, y la sensibilidad y especificidad aún no son lo suficientemente altas para un uso clínico generalizado.

Recientemente, ha habido un interés creciente en el análisis acústico como alternativa a los biomarcadores convencionales, particularmente para la articulación de la rodilla, donde las superficies articulares móviles mal lubricadas generan sonidos anormales que el análisis acústico podría revelar.

Relevancia del proyecto La rodillera inmodi, desarrollada en la ETH Lausanne, es un dispositivo diseñado para una evaluación de la salud de la rodilla en movimiento. Su tecnología central combina sensores acústicos, térmicos y cinemáticos y un análisis de datos basado en inteligencia artificial (IA) para extraer biomarcadores relevantes de la función articular.

Los datos preliminares sugieren que este enfoque combinado puede permitir un diagnóstico temprano no invasivo de la OA. En los caballos, se encontró una fuerte asociación entre el estado de las articulaciones y la potencia de las señales de emisión acústica (AE) analizadas. La combinación de datos (datos acústicos/datos de movimiento) contiene probablemente más información sobre la salud funcional de la rodilla, pero dichos datos son muy pesados ​​(computacionalmente) y un enfoque algorítmico como la IA parece la mejor opción para extraer parámetros significativos y combinarlos en biomarcadores clínicamente útiles. . Recientemente, los investigadores probaron un prototipo de rodillera inmodi en diecisiete pacientes de la clínica poco antes de la artroplastia total de rodilla (ATR). Estos pacientes padecían OA grave en la pierna sometida a cirugía y de leve a moderada en la contralateral. Un algoritmo de aprendizaje automático pudo discriminar los estados de las piernas con una especificidad de 0,96 (perfecto = 1).

El objetivo de este nuevo proyecto es explorar más a fondo el potencial del sistema inmodi para diagnosticar la OA en etapas más tempranas. Para ello, los investigadores desarrollarán una base de datos de referencia preliminar en una subpoblación en riesgo de desarrollar OA. La identificación y validación de nuevos biomarcadores con un algoritmo de IA requiere un conjunto de datos de entrenamiento y un conjunto de datos de prueba, ambos con biomarcadores potenciales y resultados clínicos estándar para su validación. Esta base de datos requerirá un tamaño de muestra lo suficientemente grande como para ser estadísticamente sólida y evitar el sobreajuste estadístico.

Los diagnósticos no invasivos de la salud de la rodilla deberían ayudar a identificar a los pacientes en riesgo a un costo relativamente bajo y sin exposición a la radiación y permitir implementar medidas preventivas antes que con las medidas radiográficas estándar.

Categoría de riesgo A (mínimo): los procedimientos de imágenes contienen (1) resonancia magnética de ambas rodillas, que no es ionizante y (2) exploración EOS de la pierna completa con una dosis de radiación mucho menor que la radiografía convencional. Otro procedimiento es la prueba funcional con la rodillera inmodi de ambas piernas. La probabilidad de que la radiación de rayos X produzca un efecto biológico en las células es muy baja. Otros riesgos son psicológicos, relacionados con el "sobrediagnóstico de detección", o el estrés claustrofóbico y la incomodidad por el ruido en el escáner de resonancia magnética. Además, existe un riesgo para la privacidad de los datos, que los investigadores intentan minimizar siguiendo las normas legales e internas de protección de datos.