/Fuente: Federación Bioquímica de la Provincia de Buenos Aires – FABA Informa/

---

Se presentan dos ejemplos de trabajos recientes de diferentes regiones y con diferentes recursos económicos donde se muestran adelantos de aplicaciones prácticas y muchos conceptos en relación a la interacción Inteligencia Artificial – Laboratorio Clínico

Si bien hay otras experiencias previas en estudios de imágenes microscópicas, en valores de referencia y en la etapa pre analítica mostramos aquí otros artículos que sirven para verificar actualmente hacia dónde se articula el interés de esta nueva herramienta, cada vez más útil, en el laboratorio clínico.

1 – Uso de inteligencia artificial aumentada para aminoacidopatías utilizando informes integrados de laboratorio colaborativo: un estudio transversal. Zaib Un Nisa Khan, Lena Jafri, Patricia L Hall, Matthew J Schultz, Sibtain Ahmed, Aysha Habib Khan, Hafsa Majid. Ann Med Surg (Lond). 2022 Sep 23;82:104651.

Introducción: el perfil de aminoácidos plasmáticos puede ayudar en la detección y el diagnóstico de aminoacidopatías. El objetivo del estudio actual fue analizar e informar los perfiles metabólicos de los aminoácidos plasmáticos (AAP) y, además, comparar los intervalos de referencia (IR) de AAP de Pakistán con más países que utilizan informes integrados de laboratorio clínico (IILC).

Métodos: Este fue un estudio transversal prospectivo de un solo centro. Se analizaron 22 aminoácidos en cada muestra recibida durante un año en el laboratorio clínico. Los datos se dividieron en archivos de datos de referencia y de casos después de la interpretación por parte de un equipo de patólogos y tecnólogos. Todas las muestras de AAP se analizaron mediante HPLC de intercambio iónico. Se utilizó la aplicación IILC de Amino Acid in Plasma (AAQP) para el análisis estadístico de conjuntos de datos y herramientas interpretativas posanalíticas utilizando una herramienta de una única condición.

Resultado: la mayoría del 92 % (n = 1913) de los perfiles AAP del total de 2081 pruebas realizadas no fueron diagnósticos; los valores de AAP estaban dentro del IR específico para la edad. La mediana deAAP estuvo cerca del percentil 50 de los datos de referencia disponibles en el software IILC. Del total de 2081 pruebas realizadas, ciento sesenta y ocho tenían niveles anormales de AAP; El 27,38% se etiquetaron como muestras sin ayuno, y las principales aminoacidopatías identificadas fueron Fenilcetonuria y Síndrome urinario del Jarabe de Arce.

Conclusión: Se observó una concordancia >95% entre el reporte realizado por el equipo de patólogos y tecnólogos y luego de la aplicación del IILC. La inteligencia artificial aumentada mediante IILC puede mejorar la precisión de la notificación de aminoacidopatías raras en un país en desarrollo.

2 – La inteligencia artificial mejora el flujo de trabajo de citometría de flujo de diagnóstico en la detección de la enfermedad residual mínima de la leucemia linfocítica crónica. Mohamed E Salama, Gregory E Otteson, Jon J Camp, Jansen N Seheult, Dragan Jevremovic, David R Holmes 3.°, Horatiu Olteanu, Min Shi. Cancers (Basel). 2022 May 21;14(10):2537.

La inmunofenotipificación por citometría de flujo (CF) es crítica pero requiere mucho tiempo para diagnosticar la enfermedad residual mínima (ERM). Evaluamos si la inteligencia artificial (IA) humana podría mejorar la eficiencia de los laboratorios clínicos en la detección de MRD en la leucemia linfocítica crónica (LLC). Se desarrollaron redes neuronales profundas (DNN) que se entrenaron con un panel LLC ERM de 10 colores de pacientes con LLC tratados, incluido DNN entrenado en la cohorte completa de 202 pacientes (F-DNN) y DNN entrenado en 138 pacientes con casos de eventos bajos (ERM ⁢ 1000 eventos) (L-DNN). Se utilizó un enfoque híbrido de DNN, con F-DNN y L-DNN aplicados secuencialmente a los casos. La clasificación de LLC ERM fue confirmada por análisis de expertos. El enfoque híbrido de DNN demostró una precisión general del 97,1 % (IC del 95 %: 84,7-99,9 %) en una cohorte independiente de 34 muestras desconocidas. Cuando las células de LLC se informaron como un porcentaje del total de glóbulos blancos, hubo una excelente correlación entre el DNN y el análisis de expertos [r > 0,999; Pendiente Passing-Bablok = 0,997 (IC 95%: 0,988-0,999) e intersección = 0,001 (IC 95%: 0,000-0,001)]. El tiempo de obtención de “gates” se redujo drásticamente a 12 s/caso por DNN desde 15 min/caso por el proceso manual. El DNN propuesto demostró una alta precisión en la detección de LLC ERM y mejoró significativamente la eficiencia del flujo de trabajo. Se necesita una validación clínica adicional antes de que pueda integrarse completamente en la práctica de laboratorio clínico existente.

Bibliografía

En inglés

– Pillay TS. Artificial intelligence in pathology and laboratory medicine. J Clin Pathol. 2021;74(7):407-408.
– Seibert K, Domhoff D, Bruch D, Schulte-Althoff M, Fürstenau D, Biessmann F, Wolf-Ostermann K. Application Scenarios for Artificial Intelligence in Nursing Care: Rapid Review. J Med Internet Res. 2021;23(11):e26522.
– Undru TR, Uday U, Lakshmi JT, Kaliappan A, Mallamgunta S, Nikhat SS, Sakthivadivel V, Gaur A. Integrating Artificial Intelligence for Clinical and Laboratory Diagnosis – a Review. Maedica (Bucur). 2022 Jun;17(2):420-426.
– Pennestrì F, Banfi G. Artificial intelligence in laboratory medicine: fundamental ethical issues and normative key-points. Clin Chem Lab Med. 2022;60(12):1867-1874.
– Baron JM. Artificial Intelligence in the Clinical Laboratory. Clin Lab Med. 2023;43(1):ix-x. doi: 10.1016/j.cll.2022.09.001.

En español

– Gruson D. Big Data, inteligencia artificial y medicina de laboratorio: la hora de la integración. Avances en Medicina de Laboratorio. 2021;2(1):5-7.
– Lugo-Reyes SO, Maldonado-Colín G, Murata C. Inteligencia artificial para asistir el diagnóstico clínico en medicina. Revista Alergia México 2014;61:110-120.
– Lanzagorta-Ortega D, Carrillo-Pérez DL, Carrillo-Esper R. Inteligencia artificial en medicina: presente y futuro. Gaceta Médica de México. 2022;158.