Resumen de Development of an ultrasound-based muscle texture analysis as a potential imaging biomarker for frailty phenotype
Las herramientas habituales para evaluar la fragilidad muestran, entre otras características, una baja sensibilidad y un bajo valor predictivo positivo. Es por eso que, en este estudio prospectivo-retrospectivo, nos preguntamos si es posible identificar y desarrollar biomarcadores cuantitativos a partir de imágenes de ultrasonido muscular, para la identificación de sujetos con riesgo de fragilidad. Para ello utilizamos el análisis de textura de eco-intensidad con ayuda del aprendizaje automático (machine learning, en inglés) como enfoque experimental para responder a esta pregunta.
El proyecto se desarrolló en consulta externa, donde se realizó la ecografía muscular. Al final de la adquisición de las imágenes, se completó un cuestionario electrónico con los datos epidemiológicos, los criterios del fenotipo de fragilidad y calidad de vida de los adultos mayores. Los sujetos de 60 años o más participaron en el grupo experimental, que fue subdividido de acuerdo al fenotipo de fragilidad. En el grupo control incluyó sujetos de 20 a 59 años de edad. Se realizó un seguimiento de las comorbilidades y/o muerte por dos años. Luego se realizó el post-procesado de imágenes con el análisis de textura (43 características), del músculo cuádriceps. Se utilizaron métodos estadísticos para extraer las características predeterminadas y se desarrollaron modelos predictivos para determinar las mejores características para el diagnóstico de fragilidad, con la ayuda de la tecnología de aprendizaje automático.
Los resultados demuestran que los modelos desarrollados tienen buenas áreas bajo la curva para la identificación de los sujetos frágiles. El análisis de regresión logística múltiple demostró que los biomarcadores de imagen clasificaron correctamente 70 a 87% de los casos, y explicaron entre 23% y 80% de la varianza en la identificación de pacientes frágiles con los modelos predictivos por sí solos. Estos modelos mejoraron al incorporar el grosor del músculo o la velocidad de la marcha, clasificando correctamente del 87% al 100% de los casos. Después del ajuste, los modelos fueron independientes de la edad, el sexo, el índice de masa corporal, el tejido adiposo subcutáneo y la fuerza muscular. Estos modelos también se asociaron con una mayor morbilidad y mortalidad.
Estos resultados indican que es posible identificar sujetos con riesgo de fragilidad con la ayuda de modelos predictivos de análisis de textura, ayudados por el aprendizaje automático, como biomarcadores cuantitativos obtenidos de imágenes de ultrasonido muscular. Creemos que la heterogeneidad de las características de la textura muscular capta la calidad muscular y/o la disfunción muscular de los sujetos. Estas características hacen que las imágenes de ultrasonido, con la ayuda del análisis de textura mediante el aprendizaje automático, sean buenos biomarcadores de fragilidad.
