Artículos y reportajes especiales
Escuchar
Pause
Play
Stop

Inteligencia artificial, ¿transformación de la reumatología? - II Parte

Por : Estefanía Fajardo
Periodista científica de Global Rheumatology by PANLAR.


Cesar Graf
Especialista en reumatología Sociedad Argentina de Reumatología https://orcid.org/0000-0002-1803-1425



30 Junio, 2022

https://doi.org/10.46856/grp.26.e125

"En la última década, la práctica en reumatología se ha visto rodeada de una gran cantidad de innovaciones en las tecnologías de salud. En esta segunda entrega analizaremos la aplicación de la inteligencia artificial en esta especialidad."

Lecturas 457Lecturas

Licencia

Este es un artículo de acceso abierto, distribuido bajo los términos de Creative Commons Attribution (CC .BY. NC-4). Esta permitido copiar y redistribuir el material en cualquier medio o formato. Remezclar, transformar y construir a partir del material . Usted debe dar crédito de manera adecuada, brindar un enlace a la licencia, e indicar si se han realizado cambios. Puede hacerlo en cualquier forma razonable, pero no de forma tal que sugiera que usted o su uso tienen el apoyo de la licenciante. Usted no puede hacer uso del material con propósitos comerciales.

Inteligencia artificial, ¿transformación de la reumatología?  - II Parte

Estefania Fajardo , Cesar Graf MD 

INTRODUCCIÓN

Desde comienzos del siglo XXI, y con mayor énfasis a partir de la década de 2010, la práctica de la medicina ha estado en el centro de una gran cantidad de innovaciones en lo que respecta a la implementación de las tecnologías de salud digital. Esto incluye el registro de salud electrónico, las visitas virtuales, la salud móvil, la tecnología portátil, la terapéutica digital, la inteligencia artificial y el aprendizaje automático. En la actualidad, la mayor disponibilidad de estas tecnologías ofrece oportunidades para mejorar aspectos importantes del ejercicio de la medicina, como el acceso, los resultados terapéuticos, la adherencia y la investigación. (1) 

En esta oportunidad abordamos la aplicación de la inteligencia artificial (IA) y sus diferentes áreas en el campo de la reumatología y, además, revisamos los retos que propone esta incursión en la tecnología que lleva años desarrollándose, tal como vimos en la primera parte de esta serie de artículos especiales (2), así como las herramientas disponibles y la manera en que podemos apropiarnos de estas nuevas formas para el beneficio de nuestros pacientes.

Los reumatólogos tienen una gran experiencia y un profundo conocimiento contextual de los desafíos que enfrentan los pacientes, los médicos y los sistemas de atención médica. Por lo tanto, deberán orientar el desarrollo y las aplicaciones de esta tecnología a las áreas donde sea de mayor beneficio. 

Es claro que, debido al gran volumen de datos disponibles en los registros de salud electrónicos, la cantidad de posibles tratamientos y trayectorias de resultados asociados con comorbilidades, medicamentos y otros factores heterogéneos de los pacientes es mayor de lo que un ser humano, incluso un médico experimentado, puede analizar. 

Los enfoques de la IA tienen el potencial de transformar el tratamiento de las enfermedades reumáticas, pues permiten avanzar en el diagnóstico temprano y facilitan un abordaje más individualizado con el objetivo de generar los mejores resultados en la salud de los pacientes. (3,4)

En última instancia, la IA será una herramienta clave en el equipo de los reumatólogos que, entre otras cosas, tiene el potencial de respaldar la investigación y la atención clínica, y quizás incluso aliviar algunas de las cargas burocráticas. Por estos aspectos, es necesario conocer las implicaciones que derivan de la aplicación de tecnologías de inteligencia artificial. (2,3,4).

Al igual que con la implementación de cualquier otra tecnología nueva, se presentarán obstáculos antes de que haya una adopción generalizada de la IA en la atención médica. Actualmente existen debates sobre la privacidad de los datos, las regulaciones y los desafíos técnicos, por ello es necesario revisar los registros y algoritmos que se utilizan para entrenar los diferentes sistemas de IA con un enfoque crítico. (5) En esto, hasta ahora, no hay reemplazo para el escrutinio y el cuidado humanos.

 

¿DÓNDE ESTAMOS EN REUMATOLOGÍA?

En los últimos años, hemos tenido avances sustanciales en el tratamiento de las enfermedades reumáticas; hemos logrado un mejor conocimiento de su fisiopatogenia y la posibilidad de reposicionar el uso de las medicinas antirreumáticas, diseñar nuevas terapias y desarrollar estrategias terapéuticas como el T2T, inicialmente aplicado en artritis reumatoide, y luego en otras enfermedades, como lupus, espondiloartritis y otras patologías en las que el seguimiento con herramientas como la clinimetría han permitido optimizar el tratamiento de los pacientes afectados con artritis inflamatorias (3,5). 

Se ha venido utilizando la IA en algunas áreas de la reumatología con resultados esperanzadores. Algunas de las áreas donde más se han logrado avances incluyen el análisis de imágenes, la clasificación y predicción de diferentes enfermedades y la respuesta a los tratamientos.  

La evolución de la inteligencia artificial en la reumatología se está produciendo a través de diferentes etapas, quizás con menos desarrollo que en otras especialidades, pero con avances tangibles. Una primera fase ha incluido proyectos exploratorios para validar los enfoques frente a la experiencia clínica, lo cual involucra estudios de prueba de concepto y refinamiento de las herramientas existentes. Se esperan mayores desarrollos en algoritmos para mejorar la práctica clínica, pues estos ahorran tiempo en el análisis de imágenes automatizado, y también avances en algoritmos para ayudar a guiar las decisiones clínicas y, posteriormente, algoritmos para facilitar un enfoque de tratamiento totalmente personalizado que permita mejorar los resultados del paciente. (2)

En el aprendizaje a través de las máquinas se identifican tres subgrupos (Tabla 1), y resultan de especial interés los modelos que están desarrollando el aprendizaje profundo (6) (ver Figura) 

 

Tabla 1. 

 

Tipo de aprendizaje

Ejemplo

Aprendizaje supervisado

Como los reconocimientos de escritura a mano, dígitos, clasificación de imágenes y documentos.

Aprendizaje no supervisado

Modelo predictivo entrenado de manera similar al aprendizaje supervisado, pero la diferencia es que la comprensión se da en datos no clasificados o etiquetados, y descubre patrones de ejemplos similares entre grupos de datos.

Aprendizaje reforzado

Es un tipo de aprendizaje automático en el que no hay capacitación con datos clasificados o no clasificados; el sistema aprende en un entorno sin información sobre la posible salida, a través de acciones y los resultados obtenidos. En otras palabras, el modelo se refuerza al resolver el problema de la mejor manera (14).

Fuente: Elaborada por autores.

El aprendizaje profundo puede ayudar a los reumatólogos mediante la clasificación de enfermedades y la predicción de la actividad de cada patología. Es probable que el reconocimiento de imágenes automatizado y el procesamiento del lenguaje natural sean pioneros en la implementación de la inteligencia artificial en reumatología. (4)

Hay una larga historia de inteligencia artificial en imágenes en reumatología, utilizando métodos clásicos, pero la mayoría de ellos no llegaron a la práctica clínica. Recientemente, mediante herramientas de aprendizaje profundo ha quedado demostrado el potencial de interpretar automáticamente imágenes más allá de la precisión del nivel humano. (7)

 

Figura 1

 

InfografíaFuente : Adaptada de referencia 6 

Algunos ejemplos de los usos de IA en la reumatología, muy interesantes y demostrables a la fecha, son: 

  • Algoritmos para identificar casos en las historias clínicas 

Un estudio de validación y desarrollo de algoritmos demostró que los métodos de aprendizaje automático pueden extraer los registros de pacientes con artritis reumatoide a partir de datos de salud electrónicos con alta precisión, lo que permite realizar investigaciones con presupuestos limitados en poblaciones muy grandes. Y destacan como elemento importante que el enfoque es independiente del idioma y podría también aplicarse a cualquier tipo de diagnóstico, teniendo en cuenta además el bajo costo a partir de datos ya disponibles en los sistemas de registro de salud electrónicos. (8)

  • Análisis de imágenes 

Las radiografías de las articulaciones sacroilíacas se usan comúnmente para el diagnóstico y la clasificación de la espondiloartritis axial. Un estudio tuvo como objetivo desarrollar y validar una red neuronal artificial para la detección de sacroileítis radiográfica definitiva como manifestación de espondiloartritis axial (axSpA). (9)

Los resultados de este estudio indicaron que la red neuronal logró un rendimiento excelente en la detección de sacroileítis radiográfica, definida con un AUC de 0,97 y 0,94 para los conjuntos de datos de validación y prueba, respectivamente. La sensibilidad y la especificidad para la ponderación de corte de ambas medidas por igual fueron del 88 % y el 95 % para la validación, y del 92 % y 81 % para el conjunto de pruebas. (9)

  • Capilaroscopia 

El aprendizaje profundo ha demostrado ser una herramienta útil en la videocapilaroscopia del lecho ungueal, teniendo como resultados que permite analizar de manera objetiva y homogénea imágenes tomadas con múltiples dispositivos.

Como existe una falta de homogeneización del procedimiento, especialmente en la forma y lugar de toma de las imágenes, el conteo de los capilares y la medición de su tamaño, un estudio buscó proporcionar un software basado en el aprendizaje profundo para obtener datos objetivos y exhaustivos de todo el pliegue ungueal, sin aumentar el tiempo o el esfuerzo necesarios para realizar el examen, ni requerir un equipo costoso. (10)

El diseño y desarrollo del software automatizado para contar los capilares del pliegue ungueal se realizó mediante un conjunto de datos de imágenes exploratorias (de 2.713 imágenes con 18.000 mediciones de 3 tipos diferentes). Posteriormente, se han creado reglas de aplicación para detectar la morfología de las imágenes de videocapilaroscopia del pliegue ungueal, a través de un conjunto de imágenes de entrenamiento. La confiabilidad del software se evaluó con métricas estándar utilizadas en el campo del aprendizaje automático para tareas de detección de objetos, comparando el conteo automático y manual en las mismas imágenes de videocapilaroscopia del pliegue ungueal. (10)

Los resultados de este estudio indicaron que se consigue una precisión media media (mAP) de 0,473 para la detección y clasificación de capilares y hemorragias por su forma, y ​​una mAP de 0,515 para la detección y clasificación de capilares por su tamaño. Se estimó una precisión del 83,84 % y una recordación del 92,44 % en la identificación de capilares. (10)

  • Clasificación y predicción de enfermedades 

Artritis psoriásica 

Las redes neuronales se pueden entrenar con éxito para distinguir la inflamación por resonancia magnética relacionada con la AR seropositiva, la AR seronegativa y la APs, esto en función de los patrones inflamatorios de las resonancias magnéticas de la mano y con la intención también de probar cómo los pacientes con psoriasis e inflamación subclínica encajan en dichos patrones. (11)

Las resonancias magnéticas de 649 pacientes (135 AR seronegativos, 190 AR seropositivos, 177 PsA, 147 psoriasis) se introdujeron en redes neuronales ResNet. El área bajo la curva (AUC) fue del 75 % para la AR seropositiva frente a la PsA, del 74 % para la AR seronegativa frente a la PsA, y del 67 % para la AR seropositiva frente a la seronegativa. Todas las secuencias de resonancia magnética fueron relevantes para la clasificación, sin embargo, cuando se eliminaron las secuencias basadas en agentes de contraste, la pérdida de rendimiento fue marginal. La adición de datos demográficos y clínicos a las redes no proporcionó mejoras significativas para la clasificación. La mayoría de los pacientes con psoriasis fueron asignados a PsA por las redes neuronales, lo que sugiere que un patrón de resonancia magnética similar a PsA puede estar presente al principio del curso de la enfermedad psoriásica. (11)

Artritis reumatoide 

Se desarrolló un modelo basado en aprendizaje automático, como parte de una competencia abierta colaborativa, que podría predecir cambios en la actividad de la enfermedad y también la respuesta al tratamiento de pacientes con Artritis reumatoide. Además, el análisis de los patrones de afectación articular y un enfoque basado en este tipo de inteligencia artificial permitieron también desarrollar un modelo que podía predecir el curso de la enfermedad de los pacientes con artritis idiopática juvenil. (12) 

Adicionalmente, el análisis transcriptómico sinovial y un enfoque basado en el aprendizaje automático identificaron subgrupos de pacientes con artritis reumatoide y permitieron el desarrollo de un modelo que podría predecir la respuesta al tratamiento a la inhibición del factor de necrosis tumoral TNF. (12)

 

  • Respuesta al tratamiento 

Los enfoques de inteligencia artificial para predecir la respuesta al tratamiento están bajo investigación en reumatología, y se han identificado muchos predictores biológicos potenciales de la respuesta a los anti-TNF. Sin embargo, estos estudios aún se encuentran en una etapa exploratoria y los resultados necesitarán validación antes de que puedan implementarse en la práctica clínica. (13) 

Se ha descrito un modelo, calificado como “prometedor”, para guiar las decisiones de tratamiento en la práctica clínica que se basa principalmente en perfiles clínicos con información genética adicional, teniendo en cuenta que la predicción precisa de las respuestas al tratamiento en pacientes con artritis reumatoide puede proporcionar información valiosa sobre la selección eficaz de fármacos. 

Los fármacos antifactor de necrosis tumoral (anti-TNF) son un importante tratamiento de segunda línea después del metotrexato, el tratamiento clásico de primera línea para la AR. Sin embargo, la heterogeneidad de los pacientes dificulta la identificación de biomarcadores predictivos y el modelado preciso de las respuestas a los fármacos anti-TNF. Este modelo descrito por los investigadores resultó de utilidad para guiar las decisiones de tratamiento en la práctica clínica, pues se basa principalmente en perfiles clínicos con información genética adicional. (14)

 

Tabla 2

 

Proyecto

IA

Aplicación

Identificación de casos

Aprendizaje automático

Extraer de los registros de salud electrónicos en pacientes con AR.

Análisis de imágenes

Aprendizaje profundo

Detección de sacroileítis como manifestación de espondiloartritis axial.

Clasificación de enfermedades

Redes neuronales

Distinguir la inflamación por resonancia magnética relacionada a AR seropositiva, seronegativa y APs.

Respuesta al tratamiento

Big data

Guía de decisiones de tratamiento con base en perfiles clínicos con información genética adicional.

Fuente: Elaborada por autores.

ÉTICA E INTELIGENCIA ARTIFICIAL

La inteligencia artificial y el aprendizaje profundo tienen, sin embargo, limitaciones pragmáticas y teóricas que pueden complicar un uso rápido y generalizado en la práctica clínica. Es poco probable que esta reemplace a los reumatólogos o radiólogos en la interpretación de imágenes; en su lugar, probablemente se desarrollará una solución híbrida que se beneficie tanto de la inteligencia artificial como de la humana.

Las aplicaciones actuales de big data, análisis de datos e inteligencia artificial en reumatología, incluidos registros, algoritmos de aprendizaje automático y plataformas orientadas al consumidor, plantean problemas en cuatro áreas bioéticas principales: privacidad y confidencialidad, consentimiento informado, el impacto en la salud, y justicia. El aprendizaje automático y los macrodatos ayudan al diagnóstico, el tratamiento y el pronóstico, pero la decisión final sobre el uso de la información de los algoritmos debe dejarse en manos de los especialistas en reumatología manteniendo los objetivos en la relación médico-paciente. (15)

EULAR, en relación con unas recientes recomendaciones para el uso de Big Data en reumatología, establece unos principios generales que abordan su uso en trastornos reumáticos y musculoesqueléticos. Los puntos que se deben considerar cubren aspectos como fuentes y recopilación de datos, privacidad por diseño, plataformas de datos, intercambio de datos y análisis de estos, en particular a través de inteligencia artificial y aprendizaje automático (13)

La metodología para la formulación de estos puntos se basó en los resultados de la reunión de un grupo de trabajo multidisciplinario de 14 expertos internacionales con experiencia en una variedad de disciplinas, incluidas las ciencias de la computación y la inteligencia artificial. A partir de una revisión de la literatura sobre el estado actual de big data en trastornos reumáticos y musculoesqueléticos y en otros campos de la medicina, se formularon los diferentes puntos que, señalan, podrán cambiar conforme se presente nueva evidencia y avances en los diferentes campos. (13)


LO QUE SIGUE

Es probable que, en el futuro, el aprendizaje automático ayude a los reumatólogos a predecir el curso de la enfermedad y a identificar factores importantes de cada patología. Y, más interesante aún, el aprendizaje automático probablemente podrá hacer propuestas de tratamiento y estimar su beneficio esperado (por ejemplo, mediante el aprendizaje por refuerzo). Por ello, a partir de los análisis realizados, los expertos opinan que la toma de decisiones compartida no solo incluirá la opinión del paciente y la experiencia empírica y basada en la evidencia del reumatólogo, sino que también estará influenciada por la evidencia del aprendizaje automático. (6)

Las aplicaciones futuras de la inteligencia artificial en reumatología podrían incluir el examen de las asociaciones entre el genotipo y el fenotipo, así como el uso para extraer y analizar datos clínicos de registros de salud electrónicos (EHR). Los EHR contienen grandes cantidades de datos de pacientes del mundo real tanto en forma estructurada (información como los códigos de la Clasificación Internacional de Enfermedades), como en una disposición de texto libre (por ejemplo, la narrativa de las notas del proveedor de atención médica). (2)

Los resultados informados por los pacientes, junto con los valores de laboratorio, la información genética y transcriptómica (p. ej., de biopsias sinoviales) y los datos radiológicos, aumentarán la calidad de la evidencia del machine learning. Una vez que este aprende de sus propias decisiones, realmente podemos hablar de medicina respaldada por inteligencia artificial. Para ello es necesaria una arquitectura de recogida de datos, almacenamiento, procesamiento, algoritmos y, finalmente, integración en el sistema clínico y validación del soporte de inteligencia artificial. (13)

En el lapso de su vida profesional, un radiólogo leerá más de 10 millones de imágenes, un dermatólogo analizará 200.000 lesiones cutáneas y un patólogo revisará casi 100.000 muestras. Imaginemos una computadora haciendo este trabajo durante días, en lugar de décadas, aprendiendo y refinando su perspicacia de diagnóstico con cada nueva imagen. Esta es la capacidad que la inteligencia artificial aportará a la atención médica: el potencial de interpretar datos clínicos con mayor precisión y rapidez que los especialistas médicos. (16) Solo es necesario pensar que los reumatólogos también se enfrentan diariamente a una importante cantidad de imágenes con las cuales necesitan tomar decisiones. 

Se señala también que algunos de los desafíos que presentan la Big data y la inteligencia artificial incluyen las fuentes de datos y la recopilación de estos: cómo recopilarlos y almacenarlos, garantizando la ética y la privacidad; cómo interpretar modelos de datos de análisis complejos, y cuáles son las implicaciones clínicas: cómo pasar del big data a la toma de decisiones clínicas. (13)

 

CONCLUSIONES 

El machine learning ya ha mostrado aplicaciones clínicamente útiles en reumatología. Tiene el potencial de apoyar a los médicos en medicina clínica y experimental, y de fomentar la medicina personalizada. Para los pacientes, esta tecnología ofrece la posibilidad de una mayor transparencia y autonomía. Las bases de datos integradas tienen el mayor potencial para proporcionar suficiente información relevante. (13)

A pesar del uso generalizado de aplicaciones inteligentes en el cuidado de la salud, existen desafíos para su adopción. La aceptación de la tecnología, especialmente para el diagnóstico en entornos clínicos; las preocupaciones relacionadas con la escalabilidad, la integración e interoperabilidad de datos; la seguridad, la privacidad y la ética de los datos digitales agregados, son solo algunos de los ejemplos de los desafíos futuros. Por ejemplo, la adaptación temprana de los métodos de inteligencia artificial en el análisis de redes sociales en línea reveló algunos desafíos éticos que pueden socavar la privacidad y la autonomía de las personas y causar estigmatización. (17)

Es claro para muchos que la inteligencia artificial podría desempeñar un papel importante al momento de abordar las desigualdades mundiales en la atención de la salud de cada paciente, sistema de salud y población. Sin embargo, los desafíos en el desarrollo e implementación de aplicaciones de inteligencia artificial deben analizarse a fondo, antes de una adopción generalizada y un impacto medible. (13)

La equidad debe ser fundamental para la implementación de la inteligencia artificial en todos los sistemas de salud. Los grandes conjuntos de datos son fundamentales para el desarrollo de estas tecnologías, pero deben ser representativos de la población para garantizar que todos puedan beneficiarse. 

Por lo general, los grupos minoritarios están menos representados en los conjuntos de datos que se utilizan para desarrollar algoritmos de inteligencia artificial, y los desafíos de salud para estas comunidades son menos obvios para los equipos de ciencia de datos, que tienden a no ser representativos de estas poblaciones. La retórica en torno a esta implica un mayor énfasis en las recomendaciones personalizadas y la acción individual; sin embargo, esto no debe socavar la importancia de la acción colectiva continua para abordar los determinantes sociales y estructurales de la salud. (14)

Sin dejar de lado este enorme potencial, podríamos afirmar que la inteligencia artificial está en su infancia en reumatología. Se requieren más estudios para refinar y validar los enfoques de IA, antes de que puedan usarse para guiar el manejo de enfermedades reumáticas en la clínica, pero queda en evidencia que el aprendizaje automático es un campo joven y emergente en reumatología. 

El reconocimiento automático de imágenes y la puntuación de lesiones en radiografías probablemente serán algunas de las primeras aplicaciones asistidas por IA que entren en el uso clínico de rutina. 

 

AGRADECIMIENTOS

Los autores de este artículo para Global Rheumatology agradecen al doctor Juan José Scali por la revisión previa a la publicación. El doctor Scali es médico reumatólogo/osteólogo, maestro de la Reumatología Argentina.

 

REFERENCIAS  

  1. Solomon DH, Rudin RS. Digital health technologies: opportunities and challenges in rheumatology. Nat Rev Rheumatol [Internet]. 2020 [citado el 12 de marzo de 2022];16(9):525–35. Disponible en: https://www.nature.com/articles/s41584-020-0461-x 
  2. Fajardo E, Graf C. Inteligencia artificial, ¿transformación de la reumatología? - Parte I. Global Rheumatology [Internet]. Pan American League of Associations of Rheumatology (PANLAR); 2022 Apr 21; Available from: http://dx.doi.org/10.46856/grp.21.e115
  3. Artificial Intelligence in rheumatic diseases: Can it solve the treatment management puzzle? [Internet]. European Medical Journal. 2021. Disponible en: https://www.emjreviews.com/rheumatology/symposium/artificial-intelligence-in-rheumatic-diseases-can-it-solve-the-treatment-management-puzzle-j170121/
  4. Kothari S, Gionfrida L, Bharath AA, Abraham S. Artificial Intelligence (AI) and rheumatology: a potential partnership. Rheumatology (Oxford) [Internet]. 2019;58(11):1894–5. Disponible en: https://academic.oup.com/rheumatology/article/58/11/1894/5511607?login=tru
  5. Augmenting diagnostics visión with AI. Quer G, Muse ED, Nikzad N, Topol EJ, Steinhubl SR. Lancet 2017;3 90:22 1. https://doi.org/10.1016/S0140-6736(17)31764-6
  6. Hügle M, Omoumi P, Van Laar JM, Boedecker J, Hügle T. Applied machine learning and artificial intelligence in rheumatology, Rheumatology Advances in Practice, Volume 4, Issue 1, 2020, rkaa005, https://doi.org/10.1093/rap/rkaa005
  7. Stoel B. Use of artificial intelligence in imaging in rheumatology – current status and future perspectives. RMD Open 2020;6:e001063. doi:10.1136/rmdopen-2019-001063
  8. Maarseveen TD, Meinderink T, Reinders MJT, Knitza J, Huizinga TWJ, Kleyer A, Simon D, van den Akker EB, Knevel R. Machine Learning Electronic Health Record Identification of Patients with Rheumatoid Arthritis: Algorithm Pipeline Development and Validation Study. JMIR Med Inform. 2020 Nov 30;8(11):e23930. DOI: 10.2196/23930. PMID: 33252349; PMCID: PMC7735897.
  9. Bressem KK, Vahldiek JL, Adams L, et al. Deep learning for detection of radiographic sacroiliitis: achieving expert-level performance. Arthritis Research & Therapy. 2021 Apr;23(1):106. DOI: 10.1186/s13075-021-02484-0. PMID: 33832519; PMCID: PMC8028815.
  10. Gracia Tello B, Ramos Ibáñez E, Fanlo Mateo P, Sáez Cómet L, Martínez Robles E, Ríos Blanco JJ, Marí Alfonso B, Espinosa Garriga G, Todolí Parra J, Ortego Centeno N, Callejas Rubio JL, Freire Dapena M, Marín Ballvé A, Selva-O'Callaghan A, Guillén Del Castillo A, Simeón Aznar CP, Fonollosa Pla V. The challenge of comprehensive nailfold videocapillaroscopy practice: a further contribution. Clin Exp Rheumatol. 2021 Dec 16. DOI: 10.55563/clinexprheumatol/6usce8. Epub ahead of print. PMID: 34936544.
  11. Folle L, Bayat S, Kleyer A, Fagni F, Kapsner LA, Schlereth M, Meinderink T, Breininger K, Tascilar K, Krönke G, Uder M, Sticherling M, Bickelhaupt S, Schett G, Maier A, Roemer F, Simon D. Advanced neural networks for classification of MRI in psoriatic arthritis, seronegative, and seropositive rheumatoid arthritis, Rheumatology, 2022;, keac197, https://doi.org/10.1093/rheumatology/keac197
  12. Pandit, A., Radstake, T.R.D.J. Machine learning in rheumatology approaches the clinic. Nat Rev Rheumatol 16, 69–70 (2020). https://doi.org/10.1038/s41584-019-0361-0….
  13. Gossec L, Kedra J, Servy H, et al. EULAR points to consider for the use of big data in rheumatic and musculoskeletal diseases. Annals of the Rheumatic Diseases 2020;79:69-76
  14. Manrique de Lara A, Peláez-Ballestas I. Big data, and data processing in rheumatology: bioethical perspectives. Clin Rheumatol [Internet]. 2020;39(4):1007–14. Disponible en: http://dx.doi.org/10.1007/s10067-020-04969-w
  15. Guan Y, Zhang H, Quang D, Wang Z, Parker SCJ, Pappas DA, Kremer JM, Zhu F. Machine Learning to Predict Anti-Tumor Necrosis Factor Drug Responses of Rheumatoid Arthritis Patients by Integrating Clinical and Genetic Markers. Arthritis Rheumatol. 2019 Dec;71(12):1987-1996. DOI: 10.1002/art.41056. Epub 2019 Nov 4. PMID: 31342661.
  16. Mamiya, H., Shaban-Nejad, A. & Buckeridge, D. L. Online public health intelligence: ethical considerations at the big data era (eds. Shaban-Nejad, A., Brownstein, J. & Buckeridge, D. L.) Public Health Intelligence and the Internet. Lecture Notes in Social Networks 129–148 (Springer, Cham. 2017).
  17. Panch T, Pearson-Stuttard J, Greaves F, Atun R. Artificial intelligence: opportunities and risks for public health. Lancet Digit Health [Internet]. 2019;1(1):e13–4. Disponible en: https://www.thelancet.com/journals/landig/article/PIIS2589-7500(19)30002-0/fulltext
enviar Envía un artículo