España.- Utilizando Inteligencia Artificial para extraer información de las historias clínicas electrónicas de pacientes con enfermedad de Crohn se ha desarrollado un modelo clínico con una precisión del 80%, que identifica factores predictivos de brotes en pacientes afectos de esta enfermedad.
En el marco del estudio PREMONITION-CD desarrollado por Takeda y Savana, los investigadores han identificado factores como la edad, recaídas previas del paciente y determinados factores bioquímicos en sangre, como los niveles de leucocitos, hemoglobina y fibrinógeno, como potenciales factores de riesgo para la predicción a corto plazo –en un plazo a tres meses vista– de nuevos brotes en la enfermedad de Crohn.
Este modelo, que ha sido publicado recientemente por la revista científica ‘The European Journal of Gastroenterology & Hepatology’ y cuenta con una precisión superior al 80%, podría beneficiar el manejo de los pacientes al poner el foco en factores detectados rutinariamente en las analíticas.
En consonancia con estudios previos, la investigación ha confirmado el tabaquismo como factor de riesgo, además de como factor de peor pronóstico.
Asimismo, cabe destacar que se ha detectado una concomitancia entre antecedentes familiares de neoplasias gastrointestinales y el diagnóstico de EC.
“La enfermedad de Crohn es una patología muy compleja, y predecir recaídas u otras complicaciones es un gran desafío”, afirmó el doctor Gomollón.
Modelos predictivos
Desde un punto de vista clínico, las enfermedades complejas y de prevalencia relativamente baja, como la EC, se comprenden mejor utilizando registros grandes de población con información de seguimiento disponible, por lo que las Historias Clínicas Electrónicas (HCE) de pacientes son una fuente de datos destacada.
En este estudio, los investigadores utilizaron la tecnología de Procesamiento de Lenguaje Natural (PLN) de Savana para detectar conceptos clínicos que aparecen en el texto libre de las HCE.
Además, para identificar factores clínicos predictores de recaída, se usaron métodos de machine learning para la creación de modelos predictivos (regresión logística, árboles de decisión y bosques aleatorios) que convierten este estudio en pionero en este campo.
