El proceso de diseño de una inteligencia artificial capaz de aprender a evaluar la severidad de la artritis reumatoide ha sido liderado por José Luis Salmerón, catedrático de Sistemas de la Información e Informática de Gestión de la Universidad Pablo de Olavide, una investigación en la que también ha participado el Departamento de Medicina de Urgencia de la Université Laval de Quebec (Canadá) y cuyos resultados han sido publicado en la revista Neurocomputing. Este estudio no solo ofrece un apoyo a profesionales de la medicina sino que, además, permite anticiparse a la evolución de dicha enfermedad, lo que supone un avance importante en la práctica clínica.
La artritis reumatoide (AR) es una enfermedad autoinmune crónica que afecta a las articulaciones y los músculos, pudiendo provocar una notable alteración de la estructura y la función de la articulación. Su diagnóstico precoz es crucial para prevenir la progresión de la enfermedad. Sin embargo, se trata una tarea complicada en atención primaria debido al amplio espectro de síntomas y cambios progresivos en la dirección de la dolencia a lo largo del tiempo.
Entre las artritis inflamatorias crónicas, la reumatoide es la más común. De cada 100.000 personas, 41 son diagnosticadas de AR cada año en el mundo. Se trata de un trastorno inflamatorio que causa un dolor articular importante, además de resultar una enfermedad que acorta la supervivencia, produce una discapacidad significativa y disminuye la calidad de vida.
Existen más de 100 tipos diferentes de artritis, similares en síntomas y signos pero con diferentes causas. El personal médico de atención primaria utiliza, principalmente, signos clásicos de inflamación para diagnosticar artritis inflamatoria. Sin embargo, este proyecto supone un nuevo recurso para estos profesionales, puesto que propone una herramienta avanzada de apoyo a la decisión basada en la experiencia de profesionales médicos experimentados en cirugía ortopédica y reumatología, utilizando un método de inteligencia artificial denominado Mapas Cognitivos Difusos –Fuzzy Cognitive Maps (FCM)-.
Para la investigación, se seleccionó el conjunto de criterios relevantes en el diagnóstico de la artritis reumatoide. A continuación, se empleó el método de optimización poblacional denominado Optimización por Enjambre de Partículas –Particle Swarm Optimization (PSO)- para construir automáticamente el modelo FCM que evaluase la severidad de la enfermedad. Finalmente, se realizó una prueba a pequeña escala en un hospital universitario para evaluar la precisión de la herramienta propuesta, alcanzando el 90% y coincidiendo los resultados estrechamente con las opiniones de los profesionales médicos. De esta forma, se disminuye el riesgo de un diagnóstico equivocado o tardío y se puede evitar que la enfermedad evolucione a etapas avanzadas.
José Luis Salmerón Silvera es catedrático de Sistemas de la Información e Informática de Gestión de la Universidad Pablo de Olavide y director del Data Science Lab. Ingeniero en Informática y economista con una dilatada experiencia en sistemas inteligentes, este investigador es miembro de numerosas sociedades científicas con las que colabora activamente, tales como Internet Society, Association of Computing Machinery, Association of Logic Programming o International Rough Sets Society.
Bibliografía: https://doi.org/10.1016/j.neucom.2016.09.113
