La osteoporosis es tan difícil de detectar en sus primeras etapas que se la llama la “enfermedad silenciosa”. ¿Qué pasaría si la inteligencia artificial pudiera ayudar a predecir la probabilidad de que un paciente desarrolle una enfermedad de pérdida ósea incluso antes de poner un pie en el consultorio del médico?
Los investigadores de la Universidad de Tulane avanzaron hacia esta visión al desarrollar un nuevo algoritmo de aprendizaje profundo que superó a los métodos de predicción del riesgo de osteoporosis basados en computadora existentes, lo que podría conducir a un diagnóstico más temprano y a mejores resultados para los pacientes con riesgo de osteoporosis.
Sus resultados fueron publicados recientemente. Fronteras de la inteligencia artificial.
Los modelos de aprendizaje profundo han ganado notoriedad por su capacidad para imitar redes neuronales humanas y encontrar tendencias dentro de grandes conjuntos de datos sin estar programados específicamente para hacerlo. Los investigadores probaron el modelo de red neuronal profunda (DNN) frente a cuatro algoritmos tradicionales de aprendizaje automático y un modelo de regresión tradicional, utilizando datos de 8.000 participantes de 40 años o más en el Estudio de Osteoporosis de Luisiana. DNN logró el mejor rendimiento de predicción general, medido puntuando la capacidad de cada modelo para identificar verdaderos positivos y evitar errores.
“Cuanto antes se detecte el riesgo de osteoporosis, más tiempo tendrá el paciente para tomar medidas preventivas”, dijo el autor principal Chuan Qiu, profesor asistente de investigación en el Centro de Informática y Genómica Biomédica de la Facultad de Medicina de Tulane. “Nos complace ver que nuestro modelo DNN predice con mayor precisión el riesgo de osteoporosis en la población que envejece que otros modelos”.
Al probar el algoritmo utilizando una muestra grande de datos de salud del mundo real, los investigadores también pudieron identificar los 10 factores más importantes para predecir el riesgo de osteoporosis: peso, edad, sexo, fuerza de agarre, altura, consumo de cerveza, presión diastólica, consumo de alcohol, años de tabaquismo y nivel de ingresos.
Específicamente, el modelo DNN simplificado que utiliza estos 10 factores de riesgo principales representó casi todo el modelo, así como todos los factores de riesgo.
Si bien Qiu reconoció que queda mucho trabajo por hacer antes de que la plataforma de inteligencia artificial pueda usarse para predecir el riesgo de osteoporosis del público, dijo que identificar los beneficios de los modelos de aprendizaje profundo es un paso en esa dirección.
“Nuestro objetivo final es permitir que las personas ingresen su información y reciban puntuaciones de riesgo de osteoporosis altamente precisas para permitirles buscar tratamiento para fortalecer sus huesos y reducir daños mayores”, dijo Cue.
