Modelo de IA para la predicción de la densidad mineral ósea a partir de imágenes de rayos X

Este estudio tiene como objetivo desarrollar un modelo robusto de inteligencia artificial (IA) para predecir la densidad mineral ósea (DMO) a partir de imágenes de rayos X utilizando técnicas de aprendizaje profundo, con un enfoque particular en mejorar la generalización del modelo en diversas poblaciones. El propósito es proporcionar una herramienta de detección accesible y no invasiva para la osteoporosis, reduciendo la dependencia de las exploraciones por absorciometría de rayos X de energía dual (DEXA), que a menudo no están disponibles o son inasequibles en entornos de bajos recursos como Bangladesh. Aprovechando la arquitectura de la red neuronal convolucional (CNN), se espera que este modelo de IA ayude en el diagnóstico y tratamiento tempranos de la osteoporosis y, en última instancia, mejore la toma de decisiones clínicas y la eficiencia de la atención sanitaria.

Este estudio observacional de casos y controles se llevará a cabo en el Departamento de Radiología del Centro de Consulta y Diagnóstico Ibn Sina, Uttara. El estudio comprende fases de recopilación de datos tanto prospectivas como retrospectivas, lo que permite una agregación integral de datos. Durante la fase prospectiva, los datos se recopilarán directamente de los pacientes elegibles sometidos a imágenes de rayos X y exploraciones DEXA. Para la fase retrospectiva, los datos históricos se extraerán de bases de datos clínicas, incluidas imágenes de rayos X y los correspondientes informes de DMO. El estudio tiene como objetivo abordar las variaciones en la salud ósea en un amplio grupo demográfico, lo que refleja la prevalencia de la osteoporosis entre diferentes edades, géneros y antecedentes clínicos en Bangladesh.

En Bangladesh, la osteoporosis sigue infradiagnosticada debido a la disponibilidad limitada de escáneres DEXA y de personal capacitado, especialmente en zonas rurales y con recursos limitados. La vía de diagnóstico estándar a menudo comienza con imágenes de rayos X sintomáticas, seguidas de una exploración DEXA si se sospecha osteoporosis. Este proceso de dos pasos es costoso y requiere mucho tiempo, lo que retrasa el diagnóstico y el tratamiento, lo que puede provocar complicaciones graves, incluidas fracturas. Las predicciones de DMO impulsadas por IA a partir de imágenes de rayos X tienen el potencial de optimizar esta vía, permitiendo una detección y priorización rentable de los pacientes que pueden necesitar más pruebas basadas en DEXA. El modelo de IA se entrenará utilizando un conjunto de datos integral que incluye covariables demográficas y clínicas, como edad, sexo, estado menopáusico y afecciones comórbidas como diabetes y enfermedades cardiovasculares, que capturan correlaciones que podrían mejorar la precisión de la predicción. En última instancia, el objetivo es ofrecer una solución confiable y escalable para la detección de osteoporosis que pueda integrarse en los flujos de trabajo clínicos existentes y aliviar la necesidad de DEXA en entornos donde no está disponible.

El estudio se dirige a un grupo de población diverso, incluidas personas con densidad ósea normal, osteopenia y osteoporosis según lo definido por las mediciones DEXA. Esta diversidad garantiza que el modelo de IA pueda dar cuenta de un amplio espectro de perfiles de pacientes y mejorar su solidez predictiva. La población estará formada por adultos de todos los grupos de edad y géneros, incluidos individuos tanto sintomáticos como asintomáticos.

El estudio seguirá un protocolo estructurado para la recopilación de datos, con el objetivo de recopilar información completa sobre los pacientes que pueda influir en la salud ósea. Las variables clave incluirán detalles demográficos como edad, sexo y estado menopáusico; variables clínicas como la presencia de comorbilidades como diabetes y enfermedades cardiovasculares, IMC y antecedentes de fracturas; y resultados de imágenes y diagnóstico, específicamente imágenes de rayos X (columna vertebral o cadera) y resultados de escaneo DEXA para valores reales de DMO. En la fase prospectiva, se contactará a los pacientes elegibles que se sometan a radiografías o exploraciones DEXA para obtener su consentimiento y, una vez acordado, se registrarán sus datos clínicos y demográficos, incluido un identificador único para garantizar la integridad y confidencialidad de los datos. Luego se recopilarán imágenes DEXA y de rayos X anónimas, formando el conjunto de datos principal para el entrenamiento de IA. La fase retrospectiva implicará la extracción de datos de los registros clínicos existentes, centrándose en las imágenes de rayos X de la columna y la cadera y los resultados correspondientes de la DMO. La información identificable del paciente se eliminará para proteger la privacidad. Este conjunto de datos históricos complementará los datos prospectivos, proporcionando un espectro más amplio de casos y contribuyendo a la generalización del modelo.

El modelo de IA se desarrollará utilizando una arquitectura CNN adaptada para la predicción basada en imágenes. Inicialmente se realizará un análisis de datos exploratorios para comprender la distribución de factores demográficos y clínicos clave, que informarán el equilibrio y la estructura del conjunto de datos. Una vez que los datos se limpien y procesen, el modelo CNN se entrenará para predecir los valores de DMO directamente a partir de imágenes de rayos X, con mediciones DEXA reales que servirán como verdad sobre el terreno. El rendimiento del modelo se evaluará utilizando métricas críticas para la aplicación clínica, incluido el error absoluto medio (MAE) y el coeficiente de correlación de Pearson (PCC) para evaluar la precisión de la predicción, así como el área bajo la curva de recuperación de precisión (AUPRC) y la precisión general para medir el diagnóstico. robustez. Para garantizar aún más la precisión, se aplicará una técnica de validación cruzada k veces, generando valores medios y desviaciones estándar para cada métrica, proporcionando así información sobre la coherencia del modelo. Las comparaciones entre varias arquitecturas CNN y metodologías de entrenamiento identificarán el enfoque óptimo para la predicción de BMD.

Una vez finalizado, el modelo de IA servirá como herramienta de diagnóstico de asistencia para la evaluación de la DMO a partir de imágenes de rayos X, con varias aplicaciones previstas. En primer lugar, el modelo respaldará la detección temprana de la osteoporosis mediante la identificación de valores bajos de DMO, lo que permitirá a los médicos detectar la osteoporosis en una fase más temprana del proceso de diagnóstico y mejorar potencialmente los resultados de los pacientes. En segundo lugar, ayudará a la toma de decisiones clínicas al permitir que los profesionales de la salud prioricen a los pacientes para realizar más pruebas, particularmente en entornos con recursos limitados. En tercer lugar, el análisis de covariables clínicas como la edad, el sexo y las comorbilidades con la DMO podría refinar la evaluación de riesgos, respaldando estrategias de manejo de la osteoporosis más personalizadas. Por último, el almacenamiento estructurado de imágenes, valores de DMO y datos clínicos respaldará futuras investigaciones sobre la salud ósea, mejorando las capacidades de detección de osteoporosis y atención preventiva.

Este estudio no requiere instalaciones adicionales además de las que ya están disponibles en los departamentos de radiología clínica para rayos X y exploración DEXA. Las capacidades de almacenamiento de datos existentes respaldarán la gestión de datos, garantizando el cumplimiento de los estándares de privacidad y seguridad de la información del paciente. En resumen, el modelo de IA de este estudio busca ofrecer una solución viable y escalable para la detección de osteoporosis al ofrecer predicciones precisas y no invasivas de la DMO a partir de imágenes de rayos X. Este enfoque tiene el potencial de mejorar el acceso a la atención médica, especialmente en entornos rurales y de bajos recursos, donde puede funcionar como una herramienta de detección que mitigue la dependencia de las costosas exploraciones DEXA.