La radiómica y los biomarcadores de imagen en los estudios clínicos observacionales con datos retrospectivos

• Luis Martí-Bonmatí ^[1]
  1. [1] Real Academia Nacional de Medicina de España – Radiología
• Localización: Anales de la Real Academia Nacional de Medicina, ISSN 0034-0634, Nº 136, 1, 2019, págs. 34-42
• Idioma: español
• Títulos paralelos:
  • Radiomics and imaging biomarkers in observational clinical studies with retrospective data
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    Mi objetivo es analizar desde una aproximación crítica los niveles de evidencia y los grados de recomendación más aceptados en la actualidad por la comunidad científica médica, evaluando críticamente el concepto de verdad en medicina y su incertidumbre. Tras ello, se analizará el papel de la radiómica y los biomarcadores de imagen como la aproximación científica de la imagen a la Medicina Personalizada, poniendo en valor los estudios observacionales con datos digitales in silico con biobancos de imágenes médicas para generar evidencia en el mundo real (Real World Data -RWD, Real World Evidence -RWE). Finalmente, se establecerá una propuesta metodológica para obtener la mejor inferencia de los datos observacionales asistenciales.

    Esta propuesta incide en el desarrollo de estudios clínicos observacionales in-silico, obtenidos de forma disociada a los pacientes. Estos estudios utilizan repositorios bien estructurados para poder generar resultados de alta calidad para el sistema sanitario. Estos datos del mundo real (RWD) permiten, al ser analizados como ensayos clínicos experimentales con cohortes virtuales, obtener inferencias con un alto grado de evidencia (RWE) si se controla la calidad de los datos, las variables de confusión y los sesgos metodológicos. Esta evidencia puede ser más reproducible y fiable, más generalizada y universal, y sobre aspectos también más relevantes para los sistemas sanitarios.

    La utilización de una gran cantidad de información (macrodatos, RWD, informes estructurados) y la capacidad del procesamiento computacional (radiómica y biomarcadores de imagen, Deep Learning) minimizará el problema del submuestreo, la heterogeneidad de la muestra y la variabilidad asociada a la falta de una estandarización de las imágenes. La Inteligencia Artificial ayudará en la evaluación crítica de los niveles de evidencia y los grados de recomendación, la verdad y su incertidumbre, la implementación de estudios observacionales in-silico con biobancos de imágenes médicas, y la obtención de la mejor inferencia con estos diseños.

  • English

    My objective is to analyze, from a critical approach, the levels of evidence and the recommendation degrees most actually accepted by the medical scientific community, with a critical evaluation of the concept of truth and its uncertainty. Then, I will analyze the role of radiomics and imaging biomarkers as the scientific approximation of Imaging to Personalized Medicine. The value of observational in-silico studies with imaging biobanks to generate evidence in the real world (Real World Data – RWD, Real World Evidence – RWE) will be highlighted. Finally, a methodological proposal will be established to obtain the best inference of the observational assistance data.

    This proposal relates to the development of observational clinical studies with digital data (in-silico), obtained in a dissociated form from the patients. These studies use well-structured repositories to generate high quality data for the health system. The Real-world data (RWD) allows, when analyzed as experimental clinical studies with virtual cohorts, to obtain inferences with a high degree of evidence (RWE) once data quality, confounding variables, and biases have been controlled. This evidence can be more reproducible and reliable, more generalized and universal, and also more relevant to health systems than standard prospective approaches.

    The use of a large amount of information (data, RWD, structured reports) and the capacity of computational processing (radiomics, image biomarkers, Deep Learning) will minimize the problem of subsampling, sample heterogeneity, and data variability associated with the lack of standardization of images. Artificial Intelligence will assist in the critical evaluation of evidence levels and degrees of recommendation, truth and uncertainty, implementation of observational in-silico studies with imaging biobanks and obtaining the best inference with these designs.