El aprendizaje automático podría mejorar nuestra capacidad para determinar si un nuevo fármaco funciona en el cerebro, lo que podría permitir a los investigadores detectar efectos de los fármacos que las pruebas estadísticas convencionales pasarían por alto por completo, encuentra un nuevo estudio de UCL publicado en cerebro .
"Los modelos estadísticos actuales son demasiado simples. No logran capturar variaciones biológicas complejas entre las personas, descartándolas como mero ruido. Sospechamos que esto podría explicar en parte por qué tantos ensayos de medicamentos funcionan en animales simples pero fallan en los cerebros complejos de los humanos.Si es así, el aprendizaje automático capaz de modelar el cerebro humano en toda su complejidad puede descubrir efectos del tratamiento que de otro modo se perderían ", dijo el autor principal del estudio, el Dr. Parashkev Nachev Instituto de Neurología de la UCL.
Para probar el concepto, el equipo de investigación analizó datos a gran escala de pacientes con accidente cerebrovascular, extrayendo el patrón anatómico complejo de daño cerebral causado por el accidente cerebrovascular en cada paciente, creando en el proceso la colección más grande de imágenes de accidente cerebrovascular registradas anatómicamenteComo índice del impacto del accidente cerebrovascular, utilizaron la dirección de la mirada, medida objetivamente desde los ojos como se ve en las tomografías computarizadas de la cabeza al momento de la admisión al hospital, y a partir de las resonancias magnéticas que generalmente se realizan entre 1 y 3 días después.
Luego simularon un metanálisis a gran escala de un conjunto de medicamentos hipotéticos, para ver si los efectos del tratamiento de diferentes magnitudes que se habrían pasado por alto en el análisis estadístico convencional podrían identificarse con el aprendizaje automático. Por ejemplo, dado un tratamiento farmacológicoque reduce una lesión cerebral en un 70%, probaron un efecto significativo utilizando pruebas estadísticas convencionales de baja dimensión, así como mediante el uso de métodos de aprendizaje automático de alta dimensión.
La técnica de aprendizaje automático tomó en cuenta la presencia o ausencia de daño en todo el cerebro, tratando el accidente cerebrovascular como una "huella digital" compleja, descrita por una multitud de variables.
"Los ensayos de accidentes cerebrovasculares tienden a usar relativamente pocas variables crudas, como el tamaño de la lesión, ignorando si la lesión está centrada en un área crítica o en el borde de ella. Nuestro algoritmo aprendió el patrón completo de daño en todo el cerebroen su lugar, empleando miles de variables de alta resolución anatómica. Al iluminar la compleja relación entre la anatomía y el resultado clínico, nos permitió detectar efectos terapéuticos con una sensibilidad mucho mayor que las técnicas convencionales ", explicó el primer autor del estudio, Tianbo Xu UCL Institute ofNeurología.
La ventaja del enfoque de aprendizaje automático fue particularmente fuerte cuando se analizaron las intervenciones que reducen el volumen de la lesión en sí. Con los modelos convencionales de baja dimensión, la intervención necesitaría reducir la lesión en un 78,4% de su volumen para que el efectodetectarse en un ensayo la mayoría de las veces, mientras que el modelo de alta dimensión probablemente detectaría un efecto cuando la lesión se redujo solo en un 55%.
"Los modelos estadísticos convencionales perderán un efecto incluso si el fármaco típicamente reduce el tamaño de la lesión a la mitad, o más, simplemente porque la complejidad de la anatomía funcional del cerebro, cuando no se tiene en cuenta, introduce tanta variabilidad individual enmidieron los resultados clínicos. Sin embargo, salvar el 50% del área cerebral afectada es significativo incluso si no tiene un impacto claro en el comportamiento. No existe el cerebro redundante ", dijo el Dr. Nachev.
Los investigadores dicen que sus hallazgos demuestran que el aprendizaje automático podría ser invaluable para la ciencia médica, especialmente cuando el sistema en estudio, como el cerebro, es muy complejo.
"El valor real del aprendizaje automático no radica tanto en automatizar las cosas que nos resultan fáciles de hacer de forma natural, sino en la formalización de decisiones muy complejas. El aprendizaje automático puede combinar la flexibilidad intuitiva de un médico con la formalidad de las estadísticas que impulsan lasmedicina. Los modelos que reúnen miles de variables aún pueden ser rigurosos y matemáticamente sólidos. Ahora podemos capturar la compleja relación entre la anatomía y el resultado con alta precisión ", dijo el Dr. Nachev.
"Esperamos que los investigadores y los médicos comiencen a utilizar nuestros métodos la próxima vez que necesiten realizar un ensayo clínico", dijo el coautor, el profesor Geraint Rees Decano, Facultad de Ciencias de la Vida de la UCL.
El estudio fue financiado por Wellcome y el National Institute for Health Research University College London Hospitals Biomedical Research Center.
Fuente de la historia :
Materiales proporcionado por University College London . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :