Validación en un entorno clínico de una herramienta predictora del riesgo de fractura en cadera

Abstract

[ES] El Trabajo de Fin de Máster constará de la implementación en un entorno de uso real, de una herramienta de inteligencia artificial (IA) innovadora, ya validada en entorno de laboratorio con el principal objetivo de validarla en un entorno clínico, de manera que sea útil para los profesionales sanitarios, así como de identificar las principales variables para determinar cuantitativamente dicha validación clínica (índices de acierto, fiabilidad, etc..). Esta herramienta se basa en un nuevo algoritmo de inteligencia artificial, capaz de aportar un score de fragilidad a partir de datos del fenotipo de paciente (imágenes DXA), con el cual es fácil predecir la fragilidad del hueso, y el riesgo de fractura de este ante una caída lateral. Esta herramienta ha sido desarrollada y validada en entornos ¿in silico¿, pero no ha sido validada en un entorno clínico real, cuya validación supone el grueso de este trabajo. Durante el proceso de validación utilizaremos un conjunto de datos que constará de imágenes médicas del fémur del paciente, y datos fenotípicos más relevantes (edad, peso, estatura) sobre las imágenes, se realizará la segmentación y posterior simulación biomecánica, mediante la cual se obtendrá un conjunto de variables que nos servirán de ayuda para validar la herramienta. Un objetivo complementario de este trabajo se centrará en la integración de esta herramienta en el flujo de trabajo de una empresa de radiología, como lo es Ascires Grupo Biomédico, utilizando su plataforma de biomarcadores de imagen médica e informes estructurados. Esta plataforma permite generar informes de biomarcadores asociados a prácticamente todas las regiones del cuerpo humano, facilitando la comprensión, tanto de los profesionales sanitarios, como de los pacientes. Para conseguir lo propuesto hasta ahora, se seguirán, de manera resumida, los siguientes pasos: Revisión bibliográfica sobre los métodos de validación de herramientas de inteligencia artificial en salud y más concretamente en herramientas de cribado poblacional. Identificar el grupo de pacientes sobre los cuales trabajar, procurando que sean significativos. Estos supondrán el dataset de validación. Necesitaremos recopilar la información suficiente sobre ellos. Llegados a este punto, comienza la fase de validación de la herramienta: Para la validación se llevarán a cabo simulaciones de caída lateral, realizando simulaciones biomecánicas consistentes en las que se obtendrán el riesgo de fractura del paciente y un conjunto de variables que se analizarán para determinar la eficacia de la herramienta. Por otra parte, se integrará el modelo en el flujo de trabajo creando protocolos para su uso, conectando las bases de datos y automatizando input/output de ambos sistemas. Paralelamente, se diseñará un informe estructurado que maximice la comprensión por parte del futuro usuario (facultativo) de la información que aporta esta herramienta predictora.

[EN] The Master's Thesis will consist on the implementation in a real-use environment of an innovative artificial intelligence (AI) tool, already validated in a laboratory environment with the main objective of validating it in a clinical environment, so that it¿s useful for health professionals, as well as identifying the main variables to quantitatively determine this clinical validation (success rates, reliability, etc.). This tool is based on a new artificial intelligence algorithm, capable of providing a fragility score from patient phenotype data (DXA images), with which it¿s easy to predict bone fragility and the risk of fracture in the event of a lateral fall. This tool has been developed and validated in in silico environments, but has not been validated in a real clinical environment, the validation of which is the bulk of this work. During the validation process, we will use a data set consisting of medical images of the patient's femur, and the most relevant phenotypic data (age, weight, height) on the images, segmentation and subsequent biomechanical simulation will be performed, by means of which a set of variables will be obtained that will help us to validate the tool. A complementary objective of this work will focus on the integration of this tool in the workflow of a radiology company, such as Ascires Grupo Biomédico, using its medical imaging biomarker platform and structured reports. This platform allows the generation of biomarker reports associated with virtually all regions of the human body, facilitating the understanding of both health professionals and patients. In order to achieve what has been proposed so far, the following steps will be followed in summary: Literature review on the methods of validation of artificial intelligence tools in health and more specifically in population screening tools. Identify the group of patients on which to work, ensuring that they are significant. These will be the validation dataset. We will need to collect sufficient information about them. At this point, the validation phase of the tool begins: For the validation, lateral fall simulations will be carried out, performing biomechanical simulations consisting of obtaining the patient's fracture risk and a set of variables that will be analysed to determine the effectiveness of the tool. On the other hand, the model will be integrated into the workflow by creating protocols for its use, connecting the databases and automating input/output of both systems. At the same time, a structured report will be designed to maximise the future (facultative) user's understanding of the information provided by this predictive tool.