Anales de la RANM

16 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 ESTIMACIONES DE CAUSALIDAD CON IMAGEN MÉDICA EN ONCOLOGÍA Luis Martí-Bonmatí An RANM. 2021;138(01): 16 - 23 ESTIMACIONES DE CAUSALIDAD CON IMAGEN MÉDICA EN ONCOLOGÍA ESTIMATES OF CAUSALITY WITH MEDICAL IMAGE IN ONCOLOGY Luis Martí-Bonmatí Académico de Número de la Real Academia Nacional de Medicina de España - Radiología Abstract Este trabajo define una estrategia de investigación con datos ( research on data ) centrada en la imagen médica y sus biomarcadores de imagen derivados para finalmente evaluar de forma crítica el concepto de inferencia causal y valorar sus incertidumbres. En el desarrollo de este trabajo se pondrán en valor los estudios observacionales computa- cionales para generar inferencias de causalidad en el mundo real ( real world data, real world evidence ). La finalidad última es proponer una metodología científica que permita estimar causalidades con estudios observacionales mediante el control de calidad de las bases de datos, la definición de hipótesis plausibles, utilizando modelos computacionales estimativos e inteligencia artificial. La aproximación computa- cional de la radiología a la medicina de precisión utiliza estrategias epidemiológicas con estudios de inferencia causal, utilizando datos del mundo real con una metodo- logía observacional, longitudinal y de análisis con casos y controles (siendo caso la presencia, y control la ausencia del evento que se quiere estimar). En este entorno, la consideración de enfermedad en epidemiología clásica se traslada ahora a fenotipado, respuesta al tratamiento y pronóstico final; y la exposición a un factor se considera como presencia de un biomarcador de imagen radiómica, dinámico o un modelado con inteligencia artificial. La investigación con datos para inferir causalidad se realiza sobre un conjunto de casos cerrados reclutados, en los que el investigador no interviene en la historia clínica del paciente pero trabaja sobre datos para su uso secundario en la generación de causalidades consistentes. Resumen This work defines a research on data strategy focused on medical imaging and derived image biomarkers to critically assess the concept of causal inference and uncertainties. Computational observational studies will be valued to generate casual inference from real world data. Our main goal is to propose a scientific method- ology that allows to estimate causalities from observational studies through quality control of large databases, definition of plausible hypotheses, using computational estimated models and artificial intelligence tools. The computational approach of radiology to precision medicine by using epidemiological strategies is based on causal inference studies relies on real-world data observational, longitudinal, case-control analysis designed (being case the presence, and control the absence of the event to be estimated). In this new research setting, we consider disease in classical epidemiology as phenotyping, response to treatment and final prognosis; and exposure equals to the presence of a radiomic, dynamic image biomarker or AI modeling solution. Research with data on which causality is to be inferred must control for recruitment of closed cases, in which the researcher does not intervene in the patient's clinical history but works on databases, collecting data to be secondary used in generating consistent causalities. Keywords: Estudios Observacionales; Inferencia Causal; Biomarcadores de Imagen; Radiómica; Datos del Mundo Real. Palabras clave: Observational Studies; Causal Inference; Imaging Biomarkers; Radiomics; Real World Data. Autor para la correspondencia Luis Martí Bonmatí Real Academia Nacional de Medicina de España C/ Arrieta, 12 · 28013 Madrid Tlf.: +34 91 547 03 18 | E-Mail: marti_lui@gva.es DOI: 10.32440/ar.2021.138.01. rev02 Enviado*: 23.03.21 | Revisado: 30.03.21 | Aceptado: 22.04.21 R E V I S I Ó N La investigación es inherente a la medicina, ya que se requiere evidencia para saber cómo se compor- tará una enfermedad y cuál será el resultado de un tratamiento. Nuestra diversidad biológica es la base principal de la heterogeneidad en el comportamiento de las lesiones y la evolución de las enfermedades que nos aquejan, justificando esta variabilidad los diferentes comportamientos entre pacientes con una misma enfermedad. Nuestra diversidad funcional se explica tanto por las diferencias genéticas como por las de expresión fenotípica tanto entre las INTRODUCCIÓN *Fecha de lectura en la RANM