Aplicaciones biomédicas de la inteligencia artificial en la lucha contra el COVID-19

Por Roger Mallol Parera

Con 175.694 muertos en todo el mundo según datos de la Organización Mundial de la Salud (OMS) actualizadas el día 23 de abril de 2020 [1], la enfermedad COVID-19 causada por el virus SARS-CoV-2 ha provocado una crisis sanitaria, económica y social a nivel global sin precedentes. Según datos de la OMS, el número de personas infectadas en todo el mundo supera ya los dos millones y medio, mientras que la enfermedad ya se ha detectado en más de 200 países. Tanto es así que la OMS reconoció la enfermedad como pandemia el pasado 11 de marzo de 2020.

Desde un punto de vista sanitario, hay una necesidad urgente de desarrollar herramientas clínicas y terapéuticas para la prevención, la detección y el tratamiento de la enfermedad, herramientas que actualmente tienen importantes limitaciones. Las autoridades competentes de los diferentes países están impulsando acciones a gran escala para fomentar estos desarrollos. En este sentido, tanto la ciencia como la tecnología pueden contribuir enormemente a minimizar el impacto negativo de la pandemia de la COVID-19 en la salud de las personas.

Un gran número de investigadores, tecnólogos y empresas, entre otras, están utilizando métodos de inteligencia artificial (IA) en general, así como técnicas de machine learning y deep learning en particular, con el objetivo de superar las limitaciones o carencias de las herramientas actuales. Algunas de las áreas de investigación y desarrollo (R&D) más relevantes son: el desarrollo de nuevas herramientas de diagnosis, criba y prognosis, la identificación de nuevos tratamientos, o el diseño de una vacuna contra la COVID-19. En las siguientes secciones se detallan estas aplicaciones biomédicas de la IA en la lucha contra esta enfermedad, donde el machine learning y el deep learning juegan un papel capital en el desarrollo de soluciones biomédicas que contribuyan a la superación de esta crisis sanitaria global sin precedentes.

Áreas de trabajo principales

• Diagnóstico y cribado

La herramienta clave para la diagnosis de la COVID-19 es la conocida prueba PCR. Aun así, esta prueba sufre de ciertas limitaciones, tanto en la recogida de las muestras como en el tiempo de análisis. Como complemento a la PCR, hay un gran interés en desarrollar métodos de diagnosis para la imagen basados en el análisis de imágenes de rayos X o tomografía computarizada (TC). Ya existen numerosos ejemplos de la utilización de la inteligencia artificial para procesar y analizar imágenes médicas para apoyar al personal sanitario en el momento de mejorar la fiabilidad del diagnóstico. En este sentido, la COVID-19 está siendo objeto de varios estudios centrados en la detección automática de pacientes mediante sistemas de deep learning. Uno de estos estudios es el que firma la Dra. Li junto con otros autores [2]. El artículo, publicado el marzo de 2020 en la revista Radiology, describe un modelo de deep learning aplicado a las imágenes de tórax adquiridas intermediando TC para distinguir la COVID-19 de la neumonía así como otras dolencias pulmonares. En general, los métodos de diagnosis para la imagen basados en inteligencia artificial permiten mejorar el tiempo de análisis de las imágenes y la consecuente toma de decisiones, así como la fiabilidad del diagnóstico.

Otra línea de trabajo en el área de la diagnosis se centra en la integración de técnicas de machine learning con innovadoras tecnologías genéticas para mejorar las pruebas PCR actuales. Metsky et al. utiliza CRISPR (una técnica de edición genética) para desarrollar pruebas de detección del virus SARS-CoV-2 de forma rápida, cuidadosa y precisa, permitiendo, entre otras, descongestionar aquellos centros que estén sobresaturados por la gran cantidad de pruebas que tienen que realizar en poco tiempo [3]. Este test puede acabar convirtiéndose en un test tipo point-of-care en el futuro.

También se ha desarrollado un clasificador basado en redes neuronales para identificar pacientes de COVID-19 a partir de su patrón respiratorio [4]. Este trabajo se basa en resultados recientes que sugieren que la COVID-19 muestra un patrón respiratorio diferente al de la gripe [5]. A pesar de que este estudio se realizó en un número pequeño de pacientes, presenta una línea de trabajo relevante que puede contribuir a la criba a gran escala de potenciales pacientes de COVID-19. Por otro lado, la empresa Mediktor, con sede en Barcelona, utiliza la inteligencia artificial para diagnosticar la dolencia, así como para pronosticar el nivel de urgencia, a través de la recogida de los síntomas de los pacientes mediante un cuestionario de preguntas. Por último, hay que destacar un proyecto del Massachusetts Institute of Technology (MIT), donde están desarrollando un sistema de diagnóstico de COVID-19 a partir de un modelo de reconocimiento de voz y que están probando con pacientes del Hospital Clínico de Barcelona, entre otros instituciones sanitarias.

• Prognosis

El análisis de imágenes de TC mediante técnicas de machine learning también se ha utilizado para evaluar la progresión de un paciente de COVID-19 una vez se le ha diagnosticado la enfermedad. Por ejemplo, mientras Tang et al. han propuesto un modelo de predicción para distinguir aquellos pacientes que sufrirán la enfermedad de forma severa de aquellos que no lo harán [6], Qi et al. han desarrollado un modelo para predecir si los pacientes con COVID-19 requerirán hospitalización prolongada [7]. Un ejemplo de aplicación de la inteligencia artificial en el análisis de imágenes médicas es la herramienta que está desarrollando la empresa HT Médica para ayudar a los clínicos en la toma de decisiones sobre los pacientes de COVID-19. Más allá de la utilización de imágenes, también se puede integrar información clínica y bioquímica del paciente para ayudar a la identificación de pacientes de alto riesgo lo mejor posible. Por ejemplo, Yan et al. han presentado un modelo de predicción del riesgo de muerte basado en un algoritmo de machine learning [8]. Los modelos presentados en estos y otros estudios pueden ayudar a los médicos a planificar el mejor tratamiento para los pacientes en función de su evolución prevista, así como en los centros sanitarios en la gestión de los recursos de forma más eficiente.

• Prevención

Otra aplicación de la inteligencia artificial relacionada con la diagnosis para la imagen hace referencia al desarrollo de procedimientos automáticos que permiten adquirir las imágenes con el mínimo contacto posible entre el personal sanitario y los pacientes. Y es que los primeros se encuentran en una situación de riesgo de infección debido a su exposición con personas potencialmente infectadas. En esta línea, gracias a la inteligencia artificial los técnicos pueden monitorizar a los pacientes desde la sala de control mientras un proceso automático es capaz de identificar la posición y la forma del paciente y, a continuación, optimizar los parámetros de adquisición de la imagen óptimos. De este modo se puede conseguir minimizar los riesgos de infección por parte del personal sanitario durante el proceso de diagnosis por la imagen de pacientes sospechosos de sufrir la COVID-19.

La inteligencia artificial también está contribuyendo en el estudio de proteínas asociadas con el virus SARS-CoV-2, proteínas que, entre otras funciones, contribuyen a la replicación del virus o favorecen la entrada de este dentro de las células del huésped. En este sentido, resulta evidente que un mejor conocimiento de estas proteínas podría ser la clave del desarrollo de una vacuna contra la COVID-19. Un ejemplo de aplicación de la inteligencia artificial en el estudio del virus y proteínas asociadas sería AlphaFold, un sistema basado en deep learning desarrollado por Google DeepMind que ha reportado la predicción de estructuras de proteínas asociadas con el virus [9]. A pesar de que estas predicciones todavía se tienen que validar experimentalmente, abren la puerta a entender mejor cómo funciona el virus y, potencialmente, pueden guiar hacia el futuro desarrollo de terapias contra la dolencia.

También hay que destacar el proyecto de investigación que se llevará a cabo en el Instituto de Investigaciones Biomédicas Augusto Pi y Sunyer (IDIBAPS) y que estará liderado por el Dr. Antoni Torres. Este proyecto pretende diseñar nuevos anticuerpos a partir de modelos predictivos basados en la IA con el objetivo de desarrollar y probar en estudios preclínicos una vacuna para el SaRS-CoV-2. Este es uno de los 19 proyectos financiados por el Departamento de Salud mediante una convocatoria conjunta con la Agencia de Calidad y Evaluación Sanitaria (AQuAS) y Biocat.

• Tratamiento

Hay una necesidad urgente de encontrar una estrategia terapéutica eficaz para tratar el gran número de pacientes de COVID-19. En este sentido, existen dos caminos posibles: el reposicionamento de fármacos clínicamente aprobados o el diseño de nuevos compuestos contra el SARS-CoV-2. Una de las técnicas que se utilizan para descubrir fármacos existentes que puedan ser utilizados para tratar la COVID-19 son los grafos de conocimiento biomédico (biomedical knowledge graphs). Estos grafos son redes que capturan las relaciones entre diferentes entidades, como por ejemplo proteínas y fármacos, para facilitar una exploración al más alto nivel de como estas entidades se conectan entre ellas. Concretamente, se ha descrito una implementación de esta técnica que conecta proteínas humanas, proteínas víricas y fármacos utilizando bases de datos que capturan las relaciones entre estas entidades [10]. Esta implementación ha permitido identificar un fármaco candidato que actualmente se está evaluando en un ensayo clínico. Un ejemplo de diseño de nuevos compuestos sería un pipeline de descubrimiento de fármacos basado en machine learning y utilizado para diseñar y generar nuevos compuestos que inhiban el SARS-CoV-2 [11]. Este pipeline integra un gran número de métodos de machine learning, como por ejemplo algoritmos genéticos, cosa que permite explorar un gran número de compuestos y extraer información relevante de forma automática a partir de grandes volúmenes de datos. Además, este pipeline es coste-efectivo y eficiente en el tiempo, y por tanto tiene un gran potencial para generar nuevos fármacos en la lucha contra la COVID-19.

Apéndice 1. Búsqueda bibliográfica

Búsqueda en Pubmed:

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

• Año: 2020

Búsqueda en Google Scholar:

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

Referencias

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.