Uso de la inteligencia artificial en la cirugía de columna

Durante la última década, los avances en inteligencia artificial (IA) han evolucionado desde un interés académico hasta convertirse en herramientas para la práctica clínica. La capacidad de la IA para procesar una gran cantidad de datos clínicos mediante algoritmos sofisticados ha superado el desempeño de médicos experimentados en contextos selectos.

La cirugía de columna es una disciplina que requiere no solo un diagnóstico clínico astuto, sino también una planificación y ejecución quirúrgica meticulosa. Dada la amplia relevancia de la IA en la cirugía de columna, resulta invaluable que los avances en este campo puedan resumirse y evaluarse críticamente.

> Computación de Imágenes Médicas (CIM)

La CIM es un campo interdisciplinario que abarca la informática, la tecnología de información y la imagen médica. Utiliza técnicas informáticas para analizar e interpretar imágenes médicas, como radiografías, RM, TC y ecografías. Existen varios modos comunes de aplicación:

• Segmentación: El objetivo de la segmentación de imágenes es dividir una imagen en segmentos que corresponden a distintas estructuras anatómicas o regiones de interés, a menudo como preparación para un análisis más específico. Las técnicas convencionales de segmentación manual, en las que se delimitan las regiones de interés, son laboriosas y subjetivas. Por el contrario, la segmentación basada en IA ofrece un enfoque automatizado y estandarizado.
• Segmentación basada en radiografías: La segmentación de imágenes radiográficas en cirugía de columna se centraba más comúnmente en la detección de vértebras. La identificación y división vertebral precisas pueden mejorar la eficiencia del diagnóstico de afecciones de la columna, como fracturas y discopatías degenerativas. Esta capacidad puede ser especialmente adecuada en urgencias y entornos de atención primaria. 
• Segmentación basada en imágenes de TC: Las TC también permiten la segmentación y el etiquetado automatizados de vértebras a lo largo de toda la columna. Un ejemplo de aplicación tras la segmentación es la planificación de la radioterapia estereotáctica. 
• Segmentación basada en RM: Las RM son especialmente útiles para la segmentación de tejidos blandos, como los discos intervertebrales, el saco dural, las raíces nerviosas, la musculatura paravertebral y la grasa de la médula ósea. La segmentación de discos y vértebras asistida por IA es un prerrequisito para obtener dichas mediciones.

> Detección y localización de puntos de referencia vertebrales

Los algoritmos han permitido la localización e identificación de vértebras cervicales, torácicas y lumbares mediante TC, lo que sienta las bases para el diagnóstico y el tratamiento. Un ejemplo es el diagnóstico de inestabilidad cervical mediante un algoritmo basado en U-Net que identifica puntos de referencia vertebrales en radiografías cervicales dinámicas y, posteriormente, calcula los ángulos relativos de movimiento entre vértebras adyacentes.

> Medidas del ángulo de Cobb y la curvatura espinal

La IA también facilita la medición de las curvaturas de la columna vertebral en imágenes descentradas, anguladas y con imperfecciones, así como a partir de fotografías de teléfonos inteligentes o capturas de pantalla. Las imágenes ultrasónicas han demostrado su utilidad para la detección de escoliosis mediante la extracción de puntos de referencia (apófisis espinosas) para construir un perfil espinal tridimensional, evitando la radiación. Otra aplicación clínicamente relevante es la medición cuantitativa de fracturas toracolumbares por compresión para facilitar su manejo.

> Medición de parámetros espinopélvicos

Una evaluación precisa de los parámetros espinopélvicos es especialmente importante para la planificación quirúrgica en la corrección de deformidades con el fin de mejorar el dolor y los resultados funcionales.

> Clasificación de la hernia discal, la estenosis del canal central y la compresión de la raíz nerviosa

Las características y los parámetros de las RM espinales son invaluables para el diagnóstico de la degeneración discal y la compresión neural. Como ejemplos de diagnósticos asistidos por IA, la hernia discal intervertebral, la estenosis del canal central y la compresión radicular nerviosa pueden diagnosticarse analizando el tamaño del disco herniado, el espacio ocupado por el líquido cefalorraquídeo y las relaciones espaciales entre el disco y la raíz nerviosa. 

La segmentación proporciona una referencia fundamental para la detección de anomalías espinales y, por lo tanto, facilita el diagnóstico de trastornos espinales comunes. Además, se ha propuesto la introducción de informes médicos automatizados tras los hallazgos de imagen para mejorar la eficiencia y los costos del diagnóstico al reducir la necesidad de profesionales de la salud y minimizar la posibilidad de error.

> Fractura vertebral. La IA puede detectar variaciones en la altura, forma y densidad ósea de las vértebras, facilitando la detección de fracturas vertebrales. La IA tiene el potencial de clasificar el subtipo de fractura vertebral según la clasificación AO, con una precisión cercana al 80 %.

> Escoliosis. Se define como una deformidad coronal de la columna vertebral con ángulos de Cobb ≤ 10°. La IA puede identificar la escoliosis idiopática del adolescente (EIA) mediante el análisis de imágenes radiográficas de toda la columna vertebral y la medición de los ángulos de Cobb. Se ha descripto la segmentación automatizada de  imágenes ecográficas para facilitar el diagnóstico de la escoliosis. En otro enfoque, se aplicó la AP a una tecnología de detección de profundidad basada en luz para la detección de la EIA sin radiación. Por separado, una plataforma utilizó señales de radiofrecuencia definidas por software y señales de radiofrecuencia sin contacto para detectar la curvatura espinal coronal y sagital anormal con una precisión del 99 %. La evaluación basada en IA de los índices de madurez esquelética, como el signo de Risser o el índice de radio distal y cúbito, facilita la toma de decisiones en la EIA. Se implementó la agrupación en clústeres de AA para clasificar a los pacientes con escoliosis según la edad, la fragilidad y la salud mental, lo que ayudó a reducir la heterogeneidad de los estudios poblacionales de escoliosis y contribuyó al desarrollo de planes de tratamiento individualizados. Los modelos automatizados para la detección y el pronóstico de la EIA prometen clasificar el tiempo de derivación, los intervalos de seguimiento e identificar curvas progresivas para el tratamiento preventivo.

> HDL y estenosis espinal lumbar (EEL). El diagnóstico automatizado a partir de imágenes de protrusión discal lumbar y espondilolistesis alcanzó una precisión de más del 90 % mediante RM. Sin embargo, clínicamente, la HDL y la EEL se diagnostican a través de síntomas, por ejemplo, ciática en la primera entidad patológica y claudicación neurogénica en la segunda. 

> Espondilitis anquilosante (EA). Es una enfermedad inflamatoria crónica que afecta predominantemente al esqueleto axial. La detección de cambios radiológicos sutiles en la articulación sacroilíaca facilita su diagnóstico temprano y permite un tratamiento inmediato con fármacos modificadores de la enfermedad. Se desarrolló un clasificador basado en AP para detectar la erosión ósea en TC para diagnosticar la EA, con resultados que superaron la sensibilidad y la especificidad de un radiólogo musculoesquelético experimentado en un 8,4 % y un 9,5 %, respectivamente.

> Tuberculosis espinal. Se desarrolló un sistema de diagnóstico asistido por computadora para mejorar la eficacia del diagnóstico radiológico de tuberculosis a partir de TC lumbares obtenidas de pacientes chinos, lo que resultó en una precisión del 98,3 %.

> Osificación del ligamento longitudinal posterior (OLLP) y MCD. Diagnosticar la OLLP únicamente mediante radiografías es un desafío. Se empleó un enfoque de AP basado en redes neuronales convolucionales (RNC) para detectar la OLLP cervical en radiografías simples, utilizando TC como estándar de referencia. Esto demostró una precisión diagnóstica un 20 % superior a la de los cirujanos de columna. Otro estudio utilizó AA en RM cervicales para diagnosticar la OLLP con una precisión del 98 %. Por otra parte, la MCD es la principal causa de estenosis medular cervical no traumática en países desarrollados. Un estudio propuso la captura de video de la prueba de agarre y liberación, seguida de AP, con un teléfono inteligente, como una herramienta de cribado viable. Se extrajo la cinética de los dedos de los videos para permitir la clasificación binaria de la MCD con medidas de sensibilidad y especificidad cercanas al 90 %. 

> Tumores y metástasis espinales. Distinguir entre fracturas vertebrales benignas y malignas mediante TC puede ser un desafío, y un modelo de IA demostró un alto nivel de discriminación que igualó o superó al de los residentes de radiología. En oncología espinal, la segmentación precisa es esencial para delimitar los márgenes para intervenciones terapéuticas como la radioterapia y la cirugía. Al delimitar los márgenes de afectación, los modelos entrenados pueden facilitar la clasificación de la compresión metastásica de la médula espinal.

> Osteoporosis. La absorciometría radiográfica de energía dual sigue siendo el método de referencia para la cuantificación de la densidad mineral ósea (DMO). Numerosas publicaciones han aprovechado las modalidades de imagenología más fácilmente disponibles para extrapolar la DMO. Varios estudios se han centrado en el diagnóstico automatizado de fracturas vertebrales osteoporóticas mediante radiografías, logrando una precisión de 0,9. La clasificación automática a través del Sistema de Evaluación de Fracturas Osteoporóticas Toracolumbares también se ha realizado con una precisión que oscila entre el 69,2 % y el 87,5 %. Además, las RM pueden utilizarse como entrada de imagen para el diagnóstico automatizado de fracturas vertebrales osteoporóticas recientes.

> Identificación de candidatos quirúrgicos y predicción de resultados. Se ha utilizado IA para identificar candidatos con EEL que posteriormente requirieron cirugía, basándose en cortes axiales que muestran la gravedad de la compresión. Otros resultados predictivos incluyeron progresión de la curva de EIA, pérdida de sangre en pacientes con fracturas toracolumbares por estallido, resultados de lesión de médula espinal basados en la desviación de la presión arterial media intraoperatoria, recurrencia de fracturas después de la vertebroplastia, medidas funcionales postoperatorias y mortalidad, momento del alta y destino, y riesgo de reingreso no planificado.

> IA en la gestión de riesgos perioperatorios. Además de predecir complicaciones médicas postoperatorias, la IA también es capaz de predecir complicaciones quirúrgicas, incluyendo infección en el sitio quirúrgico, aflojamiento de los tornillos pediculares, hernia recurrente después de la extracción endoscópica del disco, y ruptura de la unión. 
Capacidad predictiva de la IA en metástasis espinales. Los pacientes con metástasis espinales y un tumor primario desconocido deben someterse a una amplia gama de pruebas diagnósticas invasivas que pueden consumir tiempo y dinero. Los modelos RNC pueden identificar las características tumorales en secuencias convencionales de RM de columna vertebral y sugerir el sitio más probable de la lesión primaria. La IA también predice la pérdida de sangre intraoperatoria, así como estancias hospitalarias más prolongadas y complicaciones, al considerar el estado médico y funcional preoperatorio, además de la estadificación del tumor. La IA puede pronosticar la eficacia del tratamiento con radiación estereotáctica mediante el análisis de las características clínicas y los datos de la RM.

> Planificación y asistencia quirúrgica. La asistencia de la IA facilita la selección del tamaño de implante adecuado, así como el recorrido y longitud de los tornillos. La navegación intraoperatoria para la colocación de tornillos también se está volviendo común. Sus beneficios incluyen mayor precisión y eficiencia intraoperatoria, reduciendo notablemente las complicaciones y mejorando los resultados. Sin embargo, los obstáculos para una integración más generalizada incluyen costos, investigaciones preoperatorias adicionales, planificación y curva de aprendizaje. En el post quirúrgico, la IA puede realizar mediciones automáticas de la trayectoria del tornillo para su posterior análisis.

> Aprendizaje supervisado y no supervisado. El AA supervisado busca identificar patrones en un conjunto de datos preetiquetados para obtener el resultado deseado, mientras que los modelos de AA no supervisados reciben datos sin etiquetar y pueden identificar patrones sin ninguna guía o instrucción explícita. Ambos enfoques también pueden combinarse en el aprendizaje semisupervisado cuando resulta difícil obtener datos etiquetados. La mayoría de los estudios basados en IA se realizaron a través de conjuntos de datos etiquetados con aprendizaje supervisado (n=100).

> Aprendizaje automático y aprendizaje profundo. El AA es una rama de la IA que aplica algoritmos a los datos para imitar el aprendizaje humano y aplicar la toma de decisiones a datos nuevos e inéditos. El AA convencional suele basarse en la ingeniería de características, ya sea manual o basada en software, para extraer representaciones analíticas de los datos sin procesar. El AP, un subconjunto del AA, consiste en una estructura en capas de redes neuronales artificiales. 

La literatura sobre IA en cirugía de columna se centró principalmente en la predicción pronóstica (36,2 %), la asistencia diagnóstica (33,3 %) y CIM (27,6 %). Por el contrario, la aplicación de la IA en la asistencia quirúrgica parece estar subrepresentada en la literatura académica (2,9 %), probablemente porque el progreso es de mayor relevancia para el sector industrial y se mantiene como propiedad privada en lugar de ser divulgado.

Con el enfoque en el manejo del paciente, el diagnóstico facilitado por IA promete crear planes de tratamiento altamente individualizados, que se perfeccionarán cuando se desarrollen modelos a partir de conjuntos de datos multicéntricos más amplios. Desde la perspectiva del profesional de la salud, un flujo de trabajo automatizado reducirá la carga del personal médico, lo que permitirá a los profesionales asignar su experiencia de forma más juiciosa. El pronóstico facilitado por IA promete mejorar la selección de casos para cirugía y, al hacerlo, mejorar los resultados perioperatorios y garantizar una utilización óptima de los recursos. La navegación intraoperatoria, la robótica y las tecnologías de realidad aumentada minimizarán los errores de procedimiento y mejorarán la seguridad del paciente. Sin embargo, su mejor aplicación en casos complejos para reducir gastos es a cargo de un equipo quirúrgico familiarizado con la cirugía, la tecnología relevante y sus limitaciones.

El aumento exponencial de la investigación científica sobre la aplicación del AA en las disciplinas biológicas y médicas ha dado lugar a la formulación de recomendaciones para mejorar la evaluación y la reproducibilidad del AA. En términos generales, estas abarcan la gestión de datos (tamaño y calidad de la muestra), la optimización del modelo de AA (ajuste, ajuste de parámetros), el modelo (interpretación del modelo, acceso al código fuente) y la evaluación (proporcionar medidas de rendimiento y comparación con otros métodos).

Como medio para estandarizar los marcos de informes, se han propuesto guías, como CONSORT-AI, para ensayos prospectivos, y este es probablemente el camino a seguir. Aunque la pregunta clínica y la aplicación serían mejor definidas por un médico, sería esencial una estrecha colaboración con expertos en informática en la planificación, ejecución e interpretación del proyecto. 

Una mayor incorporación de la IA a la práctica clínica es inevitable y emocionante. La actual generación de profesionales clínicos debe ser consciente del potencial y las desventajas de la tecnología relacionada con la IA para aprovechar sus beneficios de forma selectiva y eficaz.

Resumen objetivo: Dra. Alejandra Coarasa