Un nuevo estudio demuestra que los biomarcadores por atenuación en tomografía computada pueden predecir la diabetes con alta precisión
Un estudio recientemente publicado en Academic Radiology ofrece nuevas evidencias sobre el potencial de la tomografía computada (TC) para predecir la diabetes tipo 2 a partir de biomarcadores por atenuación del páncreas.
El análisis, que incluyó a más de 9.700 pacientes, demuestra que las medidas obtenidas con diferentes algoritmos de segmentación pancreática presentan una alta concordancia y pueden utilizarse para la detección precoz de esta enfermedad metabólica.
El estudio retrospectivo evaluó datos de tomografías computadas y valores de hemoglobina glicosilada (HbA1c) de 9.772 pacientes, con una edad promedio de 56 años.
El objetivo fue determinar la capacidad predictiva de distintos biomarcadores derivados de la imagen, como la atenuación media y el volumen pancreático, utilizando tres algoritmos de segmentación automática: TotalSegmentator, nnU-Net y DM-UNet.
Alta concordancia entre algoritmos y excelente capacidad predictiva
Uno de los hallazgos más relevantes del trabajo es que los biomarcadores basados en atenuación alcanzaron un coeficiente de correlación intraclase (ICC) del 93% entre los tres algoritmos evaluados, lo que indica una concordancia robusta entre múltiples técnicas automatizadas.
En términos de predicción diagnóstica, los modelos mostraron un área bajo la curva (AUC) promedio del 87%, una especificidad del 98% y un valor predictivo negativo (VPN) del 92%.
“Los modelos de predicción entrenados con biomarcadores de imagen derivados de estos algoritmos conservaron una excelente capacidad para clasificar pacientes con o sin diagnóstico de diabetes”, señalaron los autores.
La atenuación como marcador clave, incluso en estudios con contraste
El estudio también abordó el impacto del uso de contraste en la predicción de diabetes.
Mientras que el algoritmo nnU-Net mejoró significativamente su rendimiento con contraste (AUC del 73% frente al 62% sin contraste), los otros dos algoritmos demostraron una variación menor.
Estos hallazgos sugieren que los biomarcadores por atenuación mantienen su utilidad diagnóstica en distintos entornos de imagen, incluso cuando se utilizan protocolos con y sin contraste.
Por otro lado, los resultados indicaron una menor concordancia entre los algoritmos para medidas morfológicas como el volumen pancreático (50% ICC) y la dimensión fractal tridimensional (15% ICC), lo que refuerza la idea de que los biomarcadores basados en la atenuación son más consistentes entre diferentes modelos automatizados.
Un paso hacia la detección precoz a partir de estudios rutinarios
Este trabajo se enmarca en una línea de investigación creciente que busca utilizar datos imagenológicos ya disponibles para identificar enfermedades metabólicas de manera precoz y no invasiva.
Considerando la alta especificidad y el elevado valor predictivo negativo encontrados, los autores proponen que estos algoritmos podrían tener un rol clave en la detección incidental de diabetes durante estudios tomográficos realizados por otras causas.
“Los biomarcadores que predicen diabetes en TC sin contraste conservaron su utilidad en estudios con contraste realizados en otras instituciones, lo que sugiere que podrían ser robustos frente a variaciones técnicas”, concluyen los investigadores.
Aunque los índices de sensibilidad fueron moderados (entre 43% y 59%), el hallazgo de una alta especificidad posiciona a estos modelos como herramientas potencialmente valiosas para la selección de pacientes que podrían beneficiarse de evaluaciones metabólicas adicionales.
Este estudio ofrece una base sólida para futuras investigaciones que podrían integrar inteligencia artificial y biomarcadores de imagen para mejorar la detección y el abordaje de la diabetes tipo 2 desde la radiología.
Para conocer más sobre esta investigación, puede visitar Academic Radiology y acceder al artículo completo.
0 comentarios