Incidentes Asociados
Abstracto
Los métodos de aprendizaje automático ofrecen una gran promesa para la detección y el pronóstico rápidos y precisos de la enfermedad por coronavirus 2019 (COVID-19) a partir de radiografías de tórax (CXR) y tomografías computarizadas (TC) de tórax estándar. Se han publicado muchos artículos en 2020 que describen nuevos modelos basados en aprendizaje automático para ambas tareas, pero no está claro cuáles son de posible utilidad clínica. En esta revisión sistemática, consideramos todos los artículos y preprints publicados, para el período del 1 de enero de 2020 al 3 de octubre de 2020, que describen nuevos modelos de aprendizaje automático para el diagnóstico o pronóstico de COVID-19 a partir de imágenes de CXR o CT. Se consideran todos los manuscritos cargados en bioRxiv, medRxiv y arXiv junto con todas las entradas en EMBASE y MEDLINE en este período de tiempo. Nuestra búsqueda identificó 2212 estudios, de los cuales 415 se incluyeron después del cribado inicial y, después del cribado de calidad, 62 estudios se incluyeron en esta revisión sistemática. Nuestra revisión encuentra que ninguno de los modelos identificados tiene un uso clínico potencial debido a fallas metodológicas o sesgos subyacentes. Esta es una gran debilidad, dada la urgencia con la que se necesitan modelos COVID-19 validados. Para abordar esto, brindamos muchas recomendaciones que, si se siguen, resolverán estos problemas y conducirán al desarrollo de modelos de mayor calidad y manuscritos bien documentados.
Principal
En diciembre de 2019, se reconoció por primera vez un nuevo coronavirus en Wuhan, China. El 30 de enero de 2020, cuando las tasas de infección y las muertes en China se dispararon y se registró la primera muerte fuera de China, la Organización Mundial de la Salud (OMS) describió la enfermedad, entonces sin nombre, como una emergencia de salud pública de interés internacional. La enfermedad se denominó oficialmente enfermedad por coronavirus 2019 (COVID-19) el 11 de febrero de 2020 y se declaró pandemia el 11 de marzo de 2020. Desde su primera descripción a fines de 2019, la infección por COVID-19 se ha extendido por todo el mundo, causando una gran interrupción y ampliar nuestra capacidad para brindar atención médica efectiva. Esto fue causado por la falta de conocimiento sobre el comportamiento del virus junto con la falta de una vacuna efectiva y terapias antivirales.
Aunque la PCR con transcripción inversa (RT-PCR) es la prueba de elección para diagnosticar COVID-19, las imágenes pueden complementar su uso para lograr una mayor certeza diagnóstica o incluso ser un sustituto en algunos países donde la RT-PCR no está fácilmente disponible. En algunos casos, las anomalías de la radiografía de tórax (CXR) son visibles en pacientes que inicialmente tuvieron una prueba de RT-PCR negativa y varios estudios han demostrado que la tomografía computarizada (TC) de tórax tiene una mayor sensibilidad para COVID-19 que la RT-PCR, y podría ser considerado como una herramienta primaria para el diagnóstico. En respuesta a la pandemia, los investigadores se apresuraron a desarrollar modelos utilizando inteligencia artificial (IA), en particular aprendizaje automático, para ayudar a los médicos.
Dados los desarrollos recientes en la aplicación de modelos de aprendizaje automático a problemas de imágenes médicas, existe una gran promesa para aplicar métodos de aprendizaje automático a imágenes radiológicas de COVID-19 para mejorar la precisión del diagnóstico, en comparación con el estándar de oro RT-PCR, al mismo tiempo que proporciona información valiosa para el pronóstico de los resultados del paciente. Estos modelos tienen el potencial de explotar la gran cantidad de datos multimodales recopilados de los pacientes y, si tienen éxito, podrían transformar la detección, el diagnóstico y la clasificación de pacientes con sospecha de COVID-19. De mayor utilidad potencial es un modelo que no solo puede distinguir a los pacientes con COVID-19 de los pacientes sin COVID-19, sino también discernir tipos alternativos de neumonía, como los de etiologías bacterianas u otras virales. Sin estandarización, los algoritmos de IA para COVID-19 se han desarrollado con una gama muy amplia de aplicaciones, procedimientos de recopilación de datos y métricas de evaluación del desempeño. Tal vez como resultado, ninguno está actualmente listo para implementarse clínicamente. Las razones para esto incluyen: (1) el sesgo en pequeños conjuntos de datos; (2) la variabilidad de grandes conjuntos de datos de origen internacional; (3) la mala integración de los datos de flujo múltiple, en particular los datos de imágenes; (4) la dificultad de la tarea de pronosticar; y (5) la necesidad de que los médicos y los analistas de datos trabajen codo con codo para garantizar que los algoritmos de IA desarrollados sean clínicamente relevantes e implementables en la atención clínica de rutina. Desde que comenzó la pandemia a principios de 2020, los investigadores han respondido al 'llamado a las armas' y se han desarrollado numerosos modelos de aprendizaje automático para el diagnóstico y pronóstico de COVID-19 utilizando imágenes radiológicas y se han escrito cientos de manuscritos. En este análisis, revisamos toda la literatura sobre los métodos de aprendizaje automático aplicados a la TC y la CXR de tórax para el diagnóstico y el pronóstico de la COVID-19. Dado que este es un campo en rápido desarrollo, revisamos los estudios publicados y preimpresos para garantizar la máxima cobertura de la literatura.
Si bien las revisiones anteriores proporcionaron un análisis amplio de los modelos predictivos para el diagnóstico y el pronóstico de COVID-19, este análisis destaca los desafíos únicos que enfrentan los investigadores al desarrollar modelos clásicos de aprendizaje automático y aprendizaje profundo utilizando datos de imágenes. Este Análisis se basa en el enfoque de Wynants et al.: evaluamos el riesgo de sesgo en los artículos considerados, yendo más allá al incorporar una etapa de selección de calidad para garantizar que solo aquellos artículos con metodologías suficientemente documentadas se revisen con mayor detalle. También enfocamos nuestra revisión en las fallas metodológicas sistemáticas en la literatura actual de aprendizaje automático para los modelos de diagnóstico y pronóstico de COVID-19 que utilizan datos de imágenes. También brindamos recomendaciones detalladas en cinco dominios: (1) consideraciones al recopilar conjuntos de datos de imágenes de COVID-19 que se harán públicos; (2) consideraciones metodológicas para desarrolladores de algoritmos; (3) cuestiones específicas sobre la reproducibilidad de los resultados en la literatura; (4) consideraciones para que los autores aseguren suficiente documentación de metodologías en los manuscritos; y (5) consideraciones para los revisores que realizan la revisión por pares de los manuscritos.
Este análisis ha sido realizado e informado tanto por médicos como por desarrolladores de algoritmos, con nuestras recomendaciones destinadas a garantizar que las preguntas clínicamente más relevantes se aborden de manera adecuada, manteniendo los estándares de práctica para ayudar a los investigadores a desarrollar modelos útiles y reportar resultados confiables incluso en medio. de una pandemia.