Resumen

Para los pacientes con trastornos cognitivos y demencia, el pronóstico preciso del empeoramiento cognitivo es fundamental para su capacidad de prepararse para el futuro, en colaboración con los profesionales sanitarios. A pesar de los múltiples esfuerzos para aplicar el análisis computacional de imágenes de resonancia magnética (IRM) cerebral en la predicción del empeoramiento cognitivo, con varios éxitos, la IRM cerebral no se cuantifica de forma rutinaria en entornos clínicos para guiar el pronóstico y la toma de decisiones clínicas. Para fomentar el uso clínico de un método de segmentación de imágenes de vanguardia, desarrollamos un modelo de predicción como parte de una plataforma en la nube basada en la web, MRICloud. El modelo se construyó en un conjunto de datos de entrenamiento de la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (ADNI), en el que se combinaron exploraciones de IRM de referencia con datos clínicos a lo largo del tiempo. Cada IRM se dividió en 265 unidades anatómicas basadas en la función de segmentación de imágenes totalmente automatizada de MRICloud, para medir el volumen de cada parcela. Se utilizó el Mini Mental State Examination (MMSE) como medida de la función cognitiva. El volumen normalizado de 265 parcelas, combinado con la puntuación basal del MMSE, la edad y el sexo fueron variables de entrada para un análisis de regresión del Operador de Selección y Reducción Mínima Absoluta (LASSO), con el cambio del MMSE en los dos años siguientes como objetivo de predicción. Un análisis "leave-one-out" realizado sobre el conjunto de datos de entrenamiento estimó un coeficiente de correlación de 0,64 entre el cambio de MMSE real y el predicho. Un análisis de las características operativas del receptor (ROC) estimó una sensibilidad de 0,88 y una especificidad de 0,76 en la predicción de un empeoramiento cognitivo sustancial después de dos años, definido como un descenso de la MMSE de ≥4 puntos. A continuación, este modelo de predicción MRICloud se aplicó a un conjunto de datos de prueba de resonancias magnéticas adquiridas clínicamente del Centro de Tratamiento de la Memoria y el Alzheimer (MATC) de Johns Hopkins, un entorno de atención clínica. En este último entorno, el modelo tuvo una sensibilidad y especificidad de 1,0 para predecir un empeoramiento cognitivo sustancial. Aunque el modelo de predicción MRICloud demostró ser prometedor como plataforma en la que los hallazgos de la RM computacional pueden extenderse fácilmente al uso clínico, se necesitan más estudios con un mayor número de pacientes para su validación.

• Materias:Análisis de espectro Organización modular Diagnóstico automatizado Monitoreo Servicios de salud
• Subjects:Spectrum analysis Modular organization Automated diagnostics Monitoring Health services
• Palabras claves:Modelo de predicción MRICloud, análisis, cambio MMSE, uso clínico, empeoramiento cognitivo, conjunto de datos de entrenamiento, Mini Mental State Examination, método de segmentación de imágenes de borde, Disease Neuroimaging Initiative, Johns Hopkins Memory.
• Keywords:MRICloud prediction model, analysis, MMSE change, clinical use, cognitive worsening, training dataset, Mini Mental State Examination, edge image segmentation method, Disease Neuroimaging Initiative, Johns Hopkins Memory