Tanto el hipertiroidismo, como el hipotiroidismo son muy frecuentes en la población adulta, y ambos trastornos pueden contribuir como agravantes en la progresión de la Enfermedad Cardiovascular (ECV) y la diabetes tipo 2 (DM2). La ECV constituye la principal causa de muerte en todo el mundo y junto a la DM2 representan un importante problema sanitario, con una prevalencia creciente y con un relevante impacto económico y social. En particular, el hipotiroidismo se ha asociado con complicaciones renales y neurológicas en la DM2. Estos riesgos pueden reducirse significativamente desde el punto de vista farmacológico si el hipotiroidismo se detecta en forma precoz en el paciente con DM2. La realización de pruebas diagnósticas (cribado) de las patologías tiroideas es crucial en el manejo de la DM2 en la prevención de otras comorbilidades. En este sentido, han aparecido varios artículos en la literatura reciente que abordan el potencial que podría tener el uso de la inteligencia artificial (IA) o ciencia de datos (“machine learnig”) como herramienta precisa y eficiente en el diagnóstico para la toma de decisiones clínicas que permitan clasificar a los pacientes DM2 con distintos perfiles de riesgo asociados a patologías tiroideas.
Hay dos estudios recientes que han utilizado datos multinacionales armonizados y combinados de investigaciones derivadas del NHI y el UK Biobank como eje de análisis para poner a prueba el valor predictivo que puede alcanzar la IA en el análisis de datos combinados, frente al valor predictivo de los datos de cada estudio en forma individual. El estudio combinado demostró que el aumento de la diversidad del conjunto de datos (NIH + UKBB) mejoró el rendimiento predictivo y permitió descartar pacientes con DM2 con bajo riesgo de hipotiroidismo, priorizando a aquellos con mayor riesgo para la realización de pruebas diagnósticas de confirmación. Sin embargo, estas técnicas avanzadas de manejo de datos también pueden fallar, sobre todo cuando existe una baja diversidad de datos, lo que puede provocar dificultad en el rendimiento predictivo de estos algoritmos, ello puede conllevar a problemas de interpretación y aplicación clínica.
Si bien, el análisis de conjunto de datos asociado a distintas patologías ha inundado la literatura en los dos últimos años, la constante que se ha ido dando en los diferentes estudios es la calidad, la diversidad y la procedencia del conjunto de datos lo que marca la eficiencia y la certeza predictiva que se puede lograr a través del uso de IA en la aproximación diagnóstica en distintas patologías.
Referencias