Revisión sistemática del uso de inteligencia artificial y machine learning en dolor oncológico

URL canonica: https://calculadoras.nmn.mx/articulo/revision-sistematica-uso-inteligencia-artificial-machine-learning-dolor-oncologico

Tipo: ARTICULO

Areas terapeuticas

  • Analgesía

Padecimientos

  • Dolor oncológico

Contenido

La recopilación de una cantidad creciente de datos en el ámbito de la salud y la tendencia hacia la medicina digital también impactan el cuidado de pacientes con dolor y la investigación para mejorar los tratamientos del dolor.1

Ejemplos de estos datos relacionados con el dolor incluyen información "ómica", imágenes médicas o información más detallada relacionada con el fenotipo clínico, reconociendo que el dolor es una característica compleja que no puede capturarse completamente solo con la intensidad.1

 

Se espera que este conjunto creciente de datos permita una terapia más precisa y efectiva para el dolor. Sin embargo, estos grandes volúmenes de datos, que a menudo combinan múltiples modalidades desde datos numéricos hasta descripciones de síntomas generadas por pacientes, presentan problemas en su análisis, cuyo objetivo final es extraer información que se pueda transformar en conocimiento sobre el dolor.1

Redes neuronales y Machine Learning

Las redes neuronales son un subtipo de algoritmos de aprendizaje automático (ML, por sus siglas en inglés “Machine Learning”) que pueden variar en complejidad y evolucionar hacia lo que se conoce como algoritmos de deep learning (DL) cuando incluyen un gran número de capas.

Asimismo, se aprovechan las arquitecturas de redes neuronales complejas, como las redes neuronales convolucionales (CNN, por sus siglas en inglés), para analizar grandes conjuntos de datos médicos.2

Inteligencia Artificial en el manejo de dolor por cáncer

Las aplicaciones de inteligencia artificial (IA) y ML están incursionando en la predicción y manejo del dolor en el cáncer, ofreciendo promesas de evaluaciones más precisas, tratamientos personalizados y mejores resultados para los pacientes.2

Aunque su impacto aún requiere más investigación, y los resultados de los modelos son a menudo controvertidos, los estudios han mostrado su potencial en la identificación de atributos relacionados con el dolor y en la predicción del dolor en diversos grupos de pacientes.2

 

 

La mayoría de los modelos se basan en variables clínicas y demográficas, pero algunos innovan al utilizar señales fisiológicas, expresiones faciales, datos textuales y otras fuentes de datos novedosas. Estas innovaciones refuerzan la versatilidad y el alcance de los modelos en la evaluación y manejo del dolor.2

Además, la IA/ML puede predecir el manejo del dolor en el cáncer y apoyar decisiones sobre su tratamiento, como el uso de opioides.2

Los beneficios son significativos al implementar IA y aprendizaje automático (ML) en la investigación del dolor relacionado con el cáncer, especialmente en la predicción del dolor en pacientes que han recibido tratamientos contra el cáncer.2

Área bajo la curva media de los diferentes modelos de IA/ML en dolor oncológico2

 

Los avances recientes en técnicas de inteligencia artificial y aprendizaje automático han abierto nuevas posibilidades en la investigación del dolor relacionado con el cáncer.2

Estas herramientas permiten predecir el dolor causado por la enfermedad y anticipar el dolor inducido por tratamientos, además de apoyar en la toma de decisiones para su manejo.2

Sin embargo, existe una considerable variabilidad entre los estudios, lo que complica la evaluación precisa de estos modelos. El análisis de sesgo indica que muchos estudios presentan alto riesgo de sesgo debido a predictores mal definidos y datos poco claros. Por lo tanto, es crucial que estos modelos se sometan a pruebas rigurosas de calibración y validación clínica antes de ser implementados en la práctica médica.1, 2

Los modelos de IA/ML han mostrado un buen rendimiento en la estratificación de riesgos y en la personalización del tratamiento del dolor.1, 2

Referencias

  1. Lötsch, J., Ultsch, A., Mayer, B., & Kringel, D. (2022). Artificial intelligence and machine learning in pain research: a data scientometric analysis. Pain reports, 7(6), e1044. https://doi.org/10.1097/PR9.0000000000001044
  2. Salama, V., Godinich, B., Geng, Y., Humbert-Vidan, L., Maule, L., Wahid, K. A., Naser, M. A., He, R., Mohamed, A. S. R., Fuller, C. D., & Moreno, A. C. (2023). Artificial Intelligence and Machine Learning in Cancer Related Pain: A Systematic Review. medRxiv : the preprint server for health sciences, 2023.12.06.23299610. https://doi.org/10.1101/2023.12.06.23299610