Comparison of two- and three-dimensional computed tomography-based deep-learning models with neurosurgeon assessments for predicting functional outcome at discharge in patients with spontaneous intracerebral hemorrhage: a single-center retrospective study

Cuando un vaso sanguíneo se rompe dentro del cerebro, el sangrado resultante es una emergencia médica que ocurre sin previo aviso. Este evento, conocido como hemorragia intracerebral espontánea, es una de las principales causas de muerte y discapacidad a largo plazo en todo el mundo. En las horas y días posteriores a tal evento, los médicos se enfrentan a una tarea difícil: predecir qué tan bien se recuperará un paciente. Para realizar estos juicios, los clínicos se basan en dos fuentes principales de información. Primero, examinan tomografías computarizadas sin contraste, que son imágenes de rayos X rápidas que muestran el tamaño y la ubicación del sangrado. Segundo, evalúan el nivel de conciencia del paciente utilizando un sistema de puntuación estándar llamado Escala de Coma de Glasgow, que mide qué tan bien una persona puede abrir los ojos, hablar y moverse en respuesta a órdenes. Si bien estas herramientas son esenciales, los médicos humanos deben interpretarlas de manera subjetiva, sopesando la evidencia visual del sangrado frente al estado mental del paciente. Este proceso puede variar de un especialista a otro, y la complejidad del cerebro a menudo oculta patrones sutiles que el ojo humano podría pasar por alto.

Un equipo de investigadores del Hospital Central de Longgang en Shenzhen se propuso ver si la inteligencia artificial podía mejorar estas predicciones. Se centraron en una pregunta específica: ¿podría un programa informático, entrenado para observar escaneos cerebrales y puntuaciones de pacientes, predecir el resultado funcional de un paciente al momento del alta hospitalaria mejor que un neurocirujano humano? El equipo no solo construyó un tipo de modelo informático; construyeron dos. Un modelo observaba los escaneos cerebrales como una serie de cortes bidimensionales individuales, de forma muy similar a pasar las páginas de un libro. El otro modelo observaba todo el cerebro como un único volumen tridimensional, tratando el escaneo como un objeto sólido. Ambos modelos fueron diseñados para combinar los datos visuales de los escaneos con los datos clínicos de la admisión del paciente, específicamente la puntuación de la Escala de Coma de Glasgow. El objetivo era ver si estas herramientas digitales podían detectar la conexión entre el daño físico en el cerebro y la probable recuperación del paciente, y determinar si un enfoque más simple, basado en cortes, podía funcionar tan bien como el enfoque tridimensional más complejo.

Los investigadores recopilaron datos de 286 pacientes que habían sufrido una hemorragia cerebral espontánea y fueron tratados en su hospital entre 2013 y 2021. Para cada paciente, recolectaron el escaneo cerebral realizado dentro de las 24 horas posteriores al evento y la puntuación de la Escala de Coma de Glasgow registrada al ingreso. Luego dividieron a los pacientes en grupos para entrenar y probar sus modelos informáticos. El equipo también reclutó a tres neurocirujanos con diferentes niveles de experiencia para actuar como un referente humano. Se les pidió a estos médicos que predijeran el resultado de una selección de pacientes basándose en los mismos escaneos cerebrales y puntuaciones clínicas proporcionados a las computadoras. Para asegurar una comparación justa, a los médicos se les mostraron solo los cortes específicos del escaneo que contenían el sangrado, en lugar de la serie completa de imágenes que normalmente revisarían en un entorno hospitalario. Esto creó un entorno controlado donde tanto los humanos como las máquinas trabajaban con la misma información exacta.

Los resultados mostraron que los modelos informáticos fueron altamente efectivos para predecir los resultados. El modelo que observaba el cerebro como una serie de cortes bidimensionales, al combinarse con la puntuación de la Escala de Coma de Glasgow del paciente, alcanzó una precisión del 90.3 por ciento. Esto significa que en más de nueve de cada diez casos, el modelo predijo correctamente si un paciente tendría un buen o un mal resultado funcional al momento del alta. El modelo tridimensional, que analizó todo el volumen cerebral junto con información clínica más detallada, se desempeñó de manera ligeramente distinta, alcanzando una precisión del 90.6 por ciento. Estadísticamente, no hubo una diferencia significativa entre los dos modelos informáticos; ambos fueron notablemente precisos. Sin embargo, ambos sistemas de inteligencia artificial superaron a los neurocirujanos humanos. Incluso el médico más experimentado del estudio no pudo igualar la consistencia y la precisión de los modelos informáticos. El estudio también encontró que añadir la puntuación de la Escala de Coma de Glasgow al análisis de la imagen era crucial. Una versión del modelo bidimensional que observaba solo las imágenes sin la puntuación clínica fue menos precisa, cayendo al 81.0 por ciento. Esto sugiere que la computadora necesitaba el contexto humano del nivel de conciencia del paciente para realizar sus mejores predicciones.

Uno de los hallazgos más sorprendentes fue que el modelo bidimensional más simple era tan bueno como el modelo tridimensional más complejo. El enfoque tridimensional requería más potencia de cómputo y datos más detallados, pero no proporcionó una mejor predicción que el método basado en cortes. Esto indica que, para esta tarea médica específica, una arquitectura menos compleja podría ser preferible, especialmente cuando se trata de cantidades limitadas de datos. Los investigadores señalaron que los modelos tridimensionales suelen ser más propensos a errores cuando el conjunto de datos es pequeño, mientras que el enfoque bidimensional se mantuvo robusto. El estudio también destacó que, si bien las computadoras eran excelentes encontrando patrones, no estaban reemplazando a los médicos. Los modelos fueron diseñados para asistir, no para tomar el control. Los médicos humanos en el estudio trabajaban bajo un entorno de revisión restringido, observando imágenes aisladas en lugar del panorama clínico completo que verían en la vida real, lo que pudo haberlos puesto en desventaja frente a las computadoras que procesaban todos los datos a la vez.

Los investigadores fueron cuidadosos al señalar los límites de su trabajo. Debido a que el estudio se realizó en un solo hospital y revisó registros pasados, los resultados deben ser probados en estudios más amplios y prospectivos en múltiples centros para asegurar que se mantengan válidos para todos los pacientes. Las predicciones hechas por los modelos fueron para el resultado a corto plazo al momento del alta, no para la recuperación a largo plazo de meses o años después. Además, el estudio confirmó que, aunque los modelos son poderosos, son herramientas para apoyar la toma de decisiones clínicas, no para reemplazar el juicio de un especialista humano. El objetivo final es proporcionar a los médicos una segunda opinión confiable que pueda ayudarlos a tomar decisiones más informadas para los pacientes que enfrentan una hemorragia cerebral potencialmente mortal. Al combinar la evidencia visual del escaneo con la realidad clínica de la condición del paciente, estas herramientas digitales ofrecen una nueva forma de entender la gravedad de la lesión y el probable camino hacia la recuperación.