Anales de la RANM

18 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 Para inferir causalidad debemos consensuar los términos relacionados que se utilizarán en este trabajo. Así, puede considerarse como causa toda condición o característica que aumenta la probabi- lidad de ocurrencia de un evento, como puede ser el desarrollo de una enfermedad o la respuesta a un tratamiento, mientras otras condiciones de exposición permanecen fijas. Un efecto causal será el desenlace observado en un individuo o una población tras una intervención o una exposi- ción, y que necesariamente es diferente del que se observaría en ausencia de esa intervención o exposición. En este contexto, se considera como intervención a cualquier acción realizada a un paciente que no se habría realizado fuera del estudio de causalidad, como puede ser un diagnós- tico o tratamiento fuera de práctica habitual. Por otro lado, se considera exposición a cualquier factor o característica de un paciente que se entiende pueda ser un factor causal, como por ejemplo una expresión radiómica determinada en una lesión tumoral. Con estas premisas, entendemos la inferencia causal como el proceso establecido para determinar si es causal la relación entre una intervención o exposición y un evento clínico de interés como la predicción de respuesta a un tratamiento. Esta causalidad puede ser el resultado de relacionar varias causas para ser responsable suficiente del evento observado con posterioridad. Es muy oportuno reconocer aquí la complejidad de las relaciones de causalidad, dado que una causa puede ser necesaria, pero también solo facilita- dora, y puede ser primaria, pero también derivada o intermedia. Además, y como hemos mencio- nado, con frecuencia se observa un fenómeno de multicausalidad por el que se reconoce que el efecto final responde a diversas causas explicativas relacionadas entre sí. Reconocer la multicausalidad es apreciar los límites para atribuir causalidades únicas con certeza y desarrollar el concepto de firmas nosológicas tisulares. Además, para atribuir causalidad con un nivel alto de certeza y evidencia debe reconocerse que los modelos sobre los que se sostiene pueden estar sobreajustados, es decir, ser excelentes sólo para el conjunto de datos con los que se han creado y entrenado mientras que fallarán cuando se extrapolen a poblaciones diferentes. En la atribución de causalidad también debemos considerar el principio de parsimonia, conocido igualmente como la navaja de Ockham, según el cual la pluralidad no debe postularse si no es necesaria; es decir, las explicaciones deben ser lo más simples posibles mientras se mantenga la potencia causal. En este sentido, es relevante reconocer que empíri- camente se acepta que la dimensionalidad de los datos explicativos en medicina no suele ser mayor de cinco (valor atribuido al estadístico John Tukey), limitándose así la dimensión de la multicausalidad. Como base de la Medicina de Precisión se reconoce en la actualidad que las personas y sus enfermedades son modelos dinámicos con diferencias significa- tivas que se expresan como variables bayesianas, es decir, representando la disposición o probabilidad previa a desarrollar un fenómeno biopatológico o un evento clínico determinado. Estas expresiones son en el fondo indicadores probabilísticos de los resultados finales que se quieren estimar. De alguna forma, los modelos causales simulan la arquitectura de una red neuronal, donde las variables iniciales ( inputs ) interactúan causalmente para generar unos resultados finales ( outputs ) que son diferentes para cada individuo dadas las diferencias en las variables iniciales. Desvelar estos Biomarcadores Multiescala iniciales, es decir, estas exposiciones que interactúan para generar una respuesta, permitirá establecer mejores modelos predictores del comportamiento de una enfermedad. Reconociendo esta comple- jidad biológica se pretende establecer inferencias de causalidad para predecir la agresividad, la respuesta y el pronóstico más probables en un paciente dado con una expresión inicial a priori conocida. Estas expresiones iniciales de partida son los Biomarca- dores Multiescala que pretendemos relacionar con las respuestas clínicas de interés a través de los modelos estimativos. El concepto multiescala se relaciona con las diferentes expresiones principales (genómica, proteómica, metabolómica, radiómica) que constituyen el elenco de posibles inferencias causales que son la base de la biodiversidad recono- cida por la Medicina de Precisión (Figura 1). Como ejemplo de relación de causalidad entre la imagen computacional y la estimación de eventos futuros podemos introducir ahora la Radiogenó- mica. Las diferencias genotípicas, los distintos perfiles genéticos y las posibles mutaciones originan diferencias de expresiones y comporta- mientos. Así, el color del iris tiene un determi- nante genético. Las características y propiedades internas de algunas alteraciones y lesiones pueden también considerarse como expresiones fenotí- picas externas en los tumores y lesiones. Así, los diferentes hábitats que se observan en muchos tumores heterogéneos pueden identificarse mediante la agrupación de datos radiómicos y los modelados dinámicos analizados mediante imagen computacional. Estos parámetros de la apariencia de las lesiones derivados del análisis de imágenes serán biomarcadores de imagen (univariantes) o firmas nosológicas tisulares (multivariantes) cuando se relacionen con modificaciones concretas en su expresión biológica, en su respuesta a un tratamiento dado o en su evolución clínica. Así, se ha observado que ciertas características de la textura de un tumor, caracterizada por la variación espacial de sus niveles de gris en la lesión y captados a través de parámetros como su Entropía, Inercia, Energía, Correlación, Homogeneidad, Unifor- midad y Fractales, se relacionan con la supervi- vencia general del paciente en algunos tipos de cáncer como el de endometrio, próstata y glioblas- toma (2,8,9,12,13,14). Es decir, la apariencia de una DIVERSIDAD Y CAUSALIDAD