Anales de la RANM

42 A N A L E S R A N M R E V I S T A F U N D A D A E N 1 8 7 9 LA RADIÓMICA Y LOS BIOMARCADORES DE IMAGEN Luis Martí-Bonmatí An RANM · Año 2019 · número 136 (01) · páginas 34 a 42 Los ensayos clínicos observacionales con datos digita- les in-silico , obtenidos de forma disociada a los pacien- tes, deben utilizar repositorios bien estructurados para así generar resultados de alta calidad para el sistema sanitario. La utilización de una gran cantidad de infor- mación (macrodatos, RWD, informes estructurados) y la capacidad del procesamiento computacional (radió- mica y biomarcadores de imagen, Deep Learning ) mi- nimizará el problema del submuestreo, la heterogenei- dad de la muestra y la variabilidad asociada a la falta de una estandarización de las imágenes. Estos datos del mundo real (RWD) permiten, al ser analizados como ensayos clínicos experimentales con cohortes virtuales, obtener inferencias con un alto grado de evidencia (RWE) si se controla la ca- lidad de los datos, las variables de confusión y los sesgos metodológicos. Esta evidencia puede ser más reproducible y fiable, más generalizada y universal, y sobre aspectos también más relevantes para los sis- temas sanitarios. La Inteligencia Artificial nos ayudará en la evalua- ción crítica de los niveles de evidencia y los grados de recomendación, la verdad y su incertidumbre, la implementación de estudios observacionales in-sili- co con biobancos de imágenes médicas, y la obten- ción de la mejor inferencia de estos diseños. Muy especialmente al personal del Grupo de Investi- gación Biomédica en Imagen (GIBI2 30 ) y de la Plata- forma de Radiología Experimental y Biomarcadores de Imagen (PREBI) en el Instituto de Investigación Sanitaria La Fe por sus aportaciones en la concep- ción y diseño de esta metodología. 1. Guyatt GH, Oxman AD, Vist GE, et al. GRADE: an emerging consensus on rating quality of evidence and strength of recommendations. BMJ. 2008;336(7650):924-926. 2. Ioannidis JP. Why most published research findings are false. PLoS Med. 2005; 2(8):e124. 3. An G. The Crisis of reproducibility, the denominator problem and the scientific role of multi-scale mod- eling. Bull Math Biol. 2018; 80(12):3071-3080. 4. Foster KR, Skufca J. The Problem of false discovery: many scientific results can't be replicated, leading to serious questions about what's true and false in the world of research. IEEE Pulse. 2016; 7(2):37-40. 5. Baker M. 1,500 scientists lift the lid on reproducibility. Nature. 2016; 533(7604):452-454. 6. Booth CM, Karim S, Mackillop WJ. Real-world data: towards achieving the achievable in cancer care. Nat Rev Clin Oncol. 2019. doi: 10.1038/s41571-019-0167-7. 7. Sherman RE, Anderson SA, Dal Pan GJ, et al. Real- World Evidence - What is it and what can it tell us? N Engl J Med. 2016; 375(23):2293-2297. 8. Dubois RW. Is the real-world evidence or hypothesis: a tale of two retrospective studies. J Comp Eff Res. 2015; 4(3):199-201 9. Von Elm E, Altman DG, Egger M, et al. The Strength- ening the Reporting of Observational Studies in Epi- demiology (STROBE) statement: guidelines for re- porting observational studies. Ann Intern Med. 2007; 147(8):573-577. 10. Martí-Bonmatí L, Ruiz-Martínez E, Ten A, Alberich- Bayarri A. Cómo integrar la información cuantitativa en el informe radiológico del paciente oncológico. Radiología. 2018; 60(1):43-52. 11. Martí Bonmatí L, Alberich-Bayarri A, García-Martí G, et al. Biomarcadores de imagen, imagen cuantitativa y bioingeniería. Radiología. 2012; 54(3):269-278. 12. https://www.fda.gov/Drugs/DevelopmentApprovalPro- cess/DrugDevelopmentToolsQualificationProgram/ BiomarkerQualificationProgram/ucm535922.htm 13. European Society of Radiology. ESR Position paper on imaging biobanks. Insights Imaging. 2015; 6(4):403-410. 14. Hernán MA, Robins JM. Using Big Data to emulate a target trial when a randomized trial is not available. Am J Epidemiol. 2016; 183(8):758-764. Figura 5. La Inteligencia Artificial puede aplicarse, mediante el análisis masivo de imágenes originales, datos radiómicos y pará- metros dinámicos, para extraer automáticamente información sobre las propiedades de un tejido (biopsia virtual) y diferenciar órganos y lesiones sin supervisión humana (disección virtual). BIBLIOGRAFÍA Si desea citar nuestro artículo: Martí-Bonmatí L. La Radiómica y los Biomarcadores de Imagen ANALES RANM [Internet]. Real Academia Nacional de Medicina de España; An RANM · Año 2019 · número 136 (01) · páginas 34– 42 DOI: 10.32440/ar.2019.136.01. rev07 DECLARACIÓN DE TRANSPARENCIA El autor/a de este artículo declara no tener ningún tipo de conflicto de intereses respecto a lo expuesto en la presente revisión. CONCLUSIONES AGRADECIMIENTOS