Investigadores de la Universidad Edith Cowan (ECU) y la Universidad de Manitoba han desarrollado un programa automatizado que puede identificar problemas cardiovasculares y los riesgos de caída de los escaneos de densidad ósea de rutina.
Esto podría hacer que sea considerablemente más fácil detectar problemas de salud graves antes de que se vuelvan potencialmente mortales.
El algoritmo, desarrollado por el compañero de investigación de la ECU, el Dr. Cassandra Smith, y el compañero de investigación senior Dr. Marc Sim, trabaja analizando imágenes de evaluación de fractura vertebral (VFA) tomadas durante las pruebas de densidad ósea estándar, que a menudo son parte de los planes de tratamiento para la osteoporosis.
Al evaluar la presencia y el alcance de la calcificación aórtica abdominal (AAC) en estos escaneos, el programa puede marcar rápidamente los pacientes en riesgo de ataque cardíaco, accidente cerebrovascular y caídas peligrosas.
Lo realmente impresionante es la velocidad a la que funciona el algoritmo. Si bien un lector humano experimentado puede tardar de cinco a seis minutos en calcular una puntuación AAC a partir de un solo escaneo, el programa de aprendizaje automático puede predecir los puntajes de miles de imágenes en menos de un minuto.
Ese nivel de eficiencia podría ser un beneficio significativo para los sistemas de salud que buscan evaluar a grandes poblaciones para obtener riesgos de salud ocultos.
La necesidad de tal detección es evidente. En el investigaciónEl Dr. Smith descubrió que un asombroso 58% de las personas mayores que se sometieron a escaneos de densidad ósea rutinaria tenían niveles moderados a altos de AAC.
Aún más preocupante, uno de cada cuatro de esos pacientes desconocía por completo su riesgo elevado.
“Se reconoce que las mujeres están subestradas y subtratadas para la enfermedad cardiovascular”, señaló el Dr. Smith. “Este estudio muestra que podemos usar máquinas de densidad ósea de baja radiación ampliamente disponibles para identificar a las mujeres con un alto riesgo de enfermedad cardiovascular, lo que les permitiría buscar tratamiento”.
Pero el poder predictivo del algoritmo no se detiene en la salud del corazón. Usando el mismo programa, el Dr. Sim descubrió que los pacientes con puntajes AAC moderados a altos también tenían un mayor riesgo de hospitalizaciones y fracturas relacionadas con la caída en comparación con aquellos con puntajes bajos.
“Cuanto mayor sea la calcificación en sus arterias, mayor será el riesgo de caídas y fracturas”, explicó el Dr. Sim. Si bien los factores de riesgo de caída tradicionales como las caídas anteriores y la baja densidad ósea son bien conocidos, la salud vascular rara vez se considera.
“Nuestro análisis descubrió que AAC fue un contribuyente muy fuerte a los riesgos de caídas y en realidad fue más significativo que otros factores que se identifican clínicamente como factores de riesgo de caídas”.
Al igual que con cualquier tecnología nueva, hay preguntas para ser respondidas y los desafíos que superar antes de que este tipo de evaluación asistida se convierta en práctica estándar.
En primer lugar, el algoritmo deberá validarse en poblaciones de pacientes más grandes y diversas e integrarse sin problemas en los flujos de trabajo clínicos existentes.
Sin embargo, si esos desafíos se pueden cumplir, una simple exploración ósea, algo que millones de adultos mayores ya sufren regularmente, podría convertirse en un sistema de alerta temprana para algunos de los problemas de salud más comunes y devastadores que enfrentamos.
