Aplicacions biomèdiques de la intel·ligència artificial en la lluita contra la COVID-19

Per Roger Mallol Parera

Amb 175.694 morts a tot el món segons dades de la Organització Mundial de la Salut (OMS) actualitzades el dia 23 d’abril de 2020 [1], la malaltia COVID-19 causada pel virus SARS-CoV-2 ha provocat una crisi sanitària, econòmica i social a nivell global sense precedents. Segons dades de la OMS, el nombre de persones infectades a tot el món supera ja els dos milions i mig, mentre que la malaltia ja s’ha detectat en més de 200 països. Tant és així que la OMS va reconèixer la malaltia com a pandèmia el passat 11 de març de 2020.

Des d’un punt de vista sanitari, hi ha una necessitat urgent de desenvolupar eines clíniques i terapèutiques per a la prevenció, la detecció i el tractament de la malaltia, eines que actualment manquen o tenen importants limitacions. Les autoritats competents dels diferents països estan impulsant accions a gran escala per a fomentar aquests desenvolupaments. En aquest sentit, tant la ciència com la tecnologia poden contribuir enormement a minimitzar l’impacte negatiu de la pandèmia de la COVID-19 en la salut de les persones.

Un gran nombre d’investigadors, tecnòlegs i empreses, entre altres, estan utilitzant mètodes d’intel·ligència artificial (IA) en general, així com tècniques de machine learning i deep learning en particular, amb l’objectiu de superar les limitacions o mancances de les eines actuals. Algunes de les àrees de recerca i desenvolupament (R&D) més rellevants són: el desenvolupament de noves eines de diagnosi, cribratge i prognosi, la identificació de nous tractaments, o el disseny d’una vacuna contra la COVID-19. En les següents seccions es detallen aquestes aplicacions biomèdiques de la IA en la lluita contra aquesta malaltia, on el machine learning i el deep learning juguen un paper cabdal en el desenvolupament de solucions biomèdiques que contribueixin a la superació d’aquesta crisi sanitària global sense precedents.

Àrees de treball principals​

• Diagnosi i cribratge

L’eina clau per a la diagnosi de la COVID-19 és la coneguda prova PCR. Tanmateix, aquesta prova pateix de certes limitacions, tan en la recollida de les mostres com en el temps d’anàlisi. Com a complement a la PCR, hi ha un gran interès en desenvolupar mètodes de diagnosi per la imatge basats en l’anàlisi d’imatges de raigs X o tomografia computada (TC). Ja existeixen nombrosos exemples de la utilització de la intel·ligència artificial per processar i analitzar imatges mèdiques per donar suport al personal sanitari a l’hora de millorar la fiabilitat del diagnòstic. En aquest sentit, la COVID-19 està sent objecte de diversos estudis centrats en la detecció automàtica de pacients mitjançant sistemes de deep learning. Un d’aquests estudis és el que firma la Dra. Li juntament amb altres autors [2]. L’article, publicat el març de 2020 a la revista Radiology, descriu un model de deep learning aplicat a les imatges de tòrax adquirides mitjançant TC per distingir la COVID-19 de la pneumònia així com d’altres malalties pulmonars. En general, els mètodes de diagnosi per la imatge basats en intel·ligència artificial permeten millorar el temps d’anàlisi de les imatges i la conseqüent presa de decisions, així com la fiabilitat del diagnòstic.

Una altra línia de treball en l’àrea de la diagnosi se centra en la integració de tècniques de machine learning amb innovadores tecnologies genètiques per millorar les proves PCR actuals. Metsky et al. utilitza CRISPR (una tècnica d’edició genètica) per desenvolupar proves de detecció del virus SARS-CoV-2 de forma ràpida, acurada i precisa, permetent, entre altres, descongestionar aquells centres que estiguin sobresaturats per la gran quantitat de proves que han de realitzar en poc temps [3]. Aquest test pot acabar convertint-se en un test tipus point-of-care en el futur.

També s’ha desenvolupat un classificador basat en xarxes neuronals per identificar pacients de COVID-19 a partir del seu patró respiratori [4]. Aquest treball es basa en resultats recents que suggereixen que la COVID-19 mostra un patró respiratori diferent al de la grip [5]. Tot i que aquest estudi es va realitzar en un nombre petit de pacients, presenta una línia de treball rellevant que pot contribuir al cribratge a gran escala de potencials pacients de COVID-19. D’altra banda, l’empresa Mediktor, amb seu a Barcelona, utilitza la intel·ligència artificial per diagnosticar la malaltia, així com per a pronosticar el nivell d’urgència, a través de la recollida dels símptomes dels pacients mitjançant un qüestionari de preguntes. Per últim, cal destacar un projecte del Massachusetts Institute of Technology (MIT), on estan desenvolupant un sistema de diagnòstic de COVID-19 a partir d’un model de reconeixement de veu i que estan provant amb pacients de l’Hospital Clínic de Barcelona, entre d’altres institucions sanitàries.

• Prognosi

L’anàlisi d’imatges de TC mitjançant tècniques de machine learning també s’ha utilitzat per a avaluar la progressió d’un pacient de COVID-19 una vegada se li ha diagnosticat la malaltia. Per exemple, mentre Tang et al. han proposat un model de predicció per distingir aquells pacients que patiran la malaltia de forma severa d’aquells que no ho faran [6], Qi et al. han desenvolupat un model per predir si els pacients amb COVID-19 requeriran hospitalització prolongada [7]. Un exemple d’aplicació de la intel·ligència artificial a l’anàlisi d’imatges mèdiques és l’eina que està desenvolupant l’empresa HT Médica per a ajudar als clínics en la presa de decisions sobre els pacients de COVID-19. Més enllà de la utilització d’imatges, també es pot integrar informació clínica i bioquímica del pacient per a ajudar a la identificació de pacients d’alt risc el més aviat possible. Per exemple, Yan et al. han presentat un model de predicció del risc de mort basat en un algoritme de machine learning [8]. Els models presentats en aquests i altres estudis poden ajudar els metges a planificar el millor tractament per als pacients en funció de la seva evolució prevista, així com als centres sanitaris en la gestió dels recursos de forma més eficient. 

• Prevenció

Una altra aplicació de la intel·ligència artificial relacionada amb la diagnosi per la imatge fa referència al desenvolupament de procediments automàtics que permeten adquirir les imatges amb el mínim contacte possible entre el personal sanitari i els pacients. I és que els primers es troben en una situació de risc d’infecció degut a la seva exposició amb persones potencialment infectades. En aquesta línia, gràcies a la intel·ligència artificial els tècnics poden monitoritzar els pacients des de la sala de control mentre un procés automàtic és capaç d’identificar la posició i la forma del pacient i, a continuació, optimitzar els paràmetres d’adquisició de la imatge òptims. D’aquesta manera es pot aconseguir minimitzar els riscos d’infecció per part del personal sanitari durant el procés de diagnosi per la imatge de pacients sospitosos de patir la COVID-19.

La intel·ligència artificial també està contribuint a l’estudi de proteïnes associades amb el virus SARS-CoV-2, proteïnes que, entre altres funcions, contribueixen a la replicació del virus o afavoreixen l’entrada d’aquest dins les cèl·lules de l’hoste. En aquest sentit, resulta evident que un millor coneixement d’aquestes proteïnes podria ser la clau del desenvolupament d’una vacuna contra la COVID-19. Un exemple d’aplicació de la intel·ligència artificial en l’estudi del virus i proteïnes associades seria AlphaFold, un sistema basat en deep learning desenvolupat per Google DeepMind que ha reportat la predicció d’estructures de proteïnes associades amb el virus [9]. Tot i que aquestes prediccions encara s’han de validar experimentalment, obren la porta a entendre millor com funciona el virus i, potencialment, poden guiar cap al futur desenvolupament de teràpies contra la malaltia.

També cal destacar el projecte d’investigació que es durà a terme a l’Institut d’Investigacions Biomèdiques August Pi i Sunyer (IDIBAPS) i que estarà liderat pel Dr. Antoni Torres. Aquest projecte pretén dissenyar nous anticossos a partir de models predictius basats en la IA amb l’objectiu de desenvolupar i provar en estudis preclínics una vacuna per al SaRS-CoV-2. Aquest és un dels 19 projectes finançats pel Departament de Salut mitjançant una convocatòria conjunta amb l’Agència de Qualitat i Avaluació Sanitària (AQuAS) i Biocat.

• Tractament

Hi ha una necessitat urgent de trobar una estratègia terapèutica eficaç per tractar el gran nombre de pacients de COVID-19. En aquest sentit, existeixen dos camins possibles: el reposicionament de fàrmacs clínicament aprovats o el disseny de nous compostos contra el SARS-CoV-2. Una de les tècniques que s’utilitzen per tal de descobrir fàrmacs existents que puguin ser utilitzats per tractar la COVID-19 són els grafs de coneixement biomèdic (biomedical knowledge graphs). Aquests grafs són xarxes que capturen les relacions entre diferents entitats, com per exemple proteïnes i fàrmacs, per tal de facilitar una exploració al més alt nivell de com aquestes entitats es connecten entre elles. Concretament, s’ha descrit una implementació d’aquesta tècnica que connecta proteïnes humanes, proteïnes víriques i fàrmacs utilitzant bases de dades que capturen les relacions entre aquestes entitats [10]. Aquesta implementació ha permès identificar un fàrmac candidat que actualment s’està avaluant en un assaig clínic. Un exemple de disseny de nous compostos seria un pipeline de descoberta de fàrmacs basat en machine learning i utilitzat per dissenyar i generar nous compostos que inhibeixin el SARS-CoV-2 [11]. Aquest pipeline integra un gran nombre de mètodes de machine learning, com per exemple algorismes genètics, cosa que permet explorar un gran nombre de compostos i extreure informació rellevant de forma automàtica a partir de grans volums de dades. A més, aquest pipeline és cost-efectiu i eficient en el temps, i per tant té un gran potencial per generar nous fàrmacs en la lluita contra la COVID-19.

Apèndix 1. Cerca bibliogràfica

Cerca a Pubmed:

• (covid-19[Title/Abstract] OR "sars cov 2"[Title/Abstract]) AND "machine learning"[Title/Abstract]

• Any: 2020

Cerca a Google Scholar:

• (covid-19 or SARS-CoV-2) and ("machine learning" or "artificial intelligence")

Referències

1. WHO. (https://www.who.int/emergencies/diseases/novel-coronavirus-2019). 2020.

2. Li L, Qin L, Xu Z, Yin Y, Wang X, Kong B, et al. Artificial Intelligence Distinguishes COVID-19 from Community Acquired Pneumonia on Chest CT. Radiology. 2020:200905. doi: 10.1148/radiol.2020200905. PubMed PMID: 32191588.

3. Metsky HC, Freije CA, Kosoko-Thoroddsen T-SF, Sabeti PC, Myhrvold C. CRISPR-based COVID-19 surveillance using a genomically-comprehensive machine learning approach. bioRxiv. 2020:2020.02.26.967026. doi: 10.1101/2020.02.26.967026.

4. Yunlu Wang MH, Qingli Li, Xiao-Ping Zhang, Guangtao Zhai, and Nan Yao. Abnormal respiratory patterns classifier may contribute to large-scale screening of people infected with COVID-19 in an accurate and unobtrusive manner. arXiv. 2020.

5. Marco Cascella MR, Arturo Cuomo, Scott C. Dulebohn, and Raffaela Di Napoli. Features, Evaluation and Treatment Coronavirus (COVID-19). In: StatPearls [Internet] Treasure Island (FL): StatPearls Publishing; 2020. 2020.

6. Zhenyu Tang WZ, Xingzhi Xie, Zheng Zhong, Feng Shi, Jun Liu, and Dinggang Shen. Severity Assessment of Coronavirus Disease 2019 (COVID-19) Using Quantitative Features from Chest CT Images. arXiv. 2020.

7. Qi X, Jiang Z, YU Q, Shao C, Zhang H, Yue H, et al. Machine learning-based CT radiomics model for predicting hospital stay in patients with pneumonia associated with SARS-CoV-2 infection: A multicenter study. medRxiv. 2020:2020.02.29.20029603. doi: 10.1101/2020.02.29.20029603.

8. Yan L, Zhang H-T, Xiao Y, Wang M, Sun C, Liang J, et al. Prediction of criticality in patients with severe Covid-19 infection using three clinical features: a machine learning-based prognostic model with clinical data in Wuhan. medRxiv. 2020:2020.02.27.20028027. doi: 10.1101/2020.02.27.20028027.

9. Senior AW, Evans R, Jumper J, Kirkpatrick J, Sifre L, Green T, et al. Improved protein structure prediction using potentials from deep learning. Nature. 2020;577(7792):706-10. doi: 10.1038/s41586-019-1923-7.

10. Ge Y, Tian T, Huang S, Wan F, Li J, Li S, et al. A data-driven drug repositioning framework discovered a potential therapeutic agent targeting COVID-19. bioRxiv. 2020:2020.03.11.986836. doi: 10.1101/2020.03.11.986836.

11. Alex Z, Vladimir A, Alexander Z, Bogdan Z, Victor T, Dmitry S. B, et al. Potential COVID-2019 3C-like Protease Inhibitors Designed Using Generative Deep Learning Approaches2020.