Anales de la RANM

22 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 Finalmente, deben seguirse las recomendaciones estructurales estandarizadas para las publicaciones con modelos diagnósticos, predictores y pronós- ticos. Para que los resultados sean reproducibles y generalizables se recomienda el uso de los estándares STARD (eficacia diagnóstica), STROBE (estudios observacionales) y TRIPOD (modelos predictivos multivariantes) (24). Esta metodología es la que se está siguiendo en el proyecto europeo Chaimeleon (Horizon 2020 Research and Innovation Programme No. 952172) del que somos coordinadores. En este proyecto se está creando un repositorio pan-Europeo de imágenes médicas y datos clínicos asociados de pacientes con cáncer de mama, próstata, pulmón y colorrectal como recurso abierto y en la nube. Este repositorio de datos debe servir para desarrollar herramientas de inteligencia artificial enfocadas a asistir en una mejor precisión del diagnóstico, pronóstico y tratamiento de estos pacientes (Figura 4). Estas herramientas de inteligencia artificial afectarán tanto al tratamiento de datos (como la segmentación automática de lesiones o la armoni- zación de las imágenes para normalizar en un marco de trabajo homogéneo) como a la inferencia de modelos explicativos de causalidad (por qué en un mismo tipo de tumor unas lesiones se comportan de forma diferente a otras) (25). El desarrollo de la salud digital, las historias clínicas electrónicas, los sistemas de almacena- miento masivo de imágenes y los biomarcadores de imagen han permitido a la radiología profundizar en el análisis de datos y la generación de inferencias causales. Así, la imagen computacional y la inteli- gencia artificial generan modelos predictores que integran datos clínicos, moleculares y de imagen. Estos modelos deben impactar en la asistencia a través de la evidencia obtenida del mundo real, entendida como el análisis de los datos generados en la práctica clínica habitual y su estudio con un diseño observacional longitudinal casos-control diseñado con un alto nivel de pragmatismo. Estas investigaciones sobre datos, observacio- nales y longitudinales, permiten demostrar la existencia de relaciones y asociaciones entre una acción y un resultado, pero también avanzar en las inferencias de causalidad con un alto nivel de evidencia científica (26). 1. Martí-Bonmatí L. La radiómica y los biomarca- dores de imagen en los estudios clínicos observa- cionales con datos retrospectivos. Anales RANM 2019;136 (01):34-42. 2. Rodríguez-Ortega A, Alegre A, Lago V et al. Machine learning-based integration of prognos- tic magnetic resonance imaging biomarkers for myometrial invasion stratification in endome- trial cancer. J Magn Reson Imaging. 2021 (doi: 10.1002/jmri.27625. Epub ahead of print). 3. Cerdá Alberich L, Sangüesa Nebot C, Alberich- Bayarri A et al. A confidence habitats methodol- ogy in MR quantitative diffusion for the classi- fication of neuroblastic tumors. cancers (Basel). 2020;21;12(12):3858. 4. Ballester-Vallés C, Flores-Méndez J, Delgado- Moraleda J et al. Hepatic and pancreatic fat as imaging biomarkers of metabolic syndrome. Ra- diologia. 2020;62(2):122-130. 5. Mazón M, Vázquez Costa JF, Ten-Esteve A, Martí-Bonmatí L. Imaging biomarkers for the diagnosis and prognosis of neurodegenerative diseases. The example of amyotrophic lateral sclerosis. Front Neurosci. 2018;25(12):784. 6. Vázquez-Costa JF, Mazón M, Carreres-Polo J et al. Brain signal intensity changes as biomark- ers in amyotrophic lateral sclerosis. Acta Neurol Scand. 2018;137(2):262-271. 7. Alberich-Bayarri Á, Hernández-Navarro R, Ruiz-Martínez E et al. Development of imaging biomarkers and generation of big data. Radiol Med. 2017;122(6):444-448. 8. Sanz-Requena R, Martí-Bonmatí L, Pérez-Mar- tínez R, García-Martí G. Dynamic contrast- enhanced case-control analysis in 3T MRI of prostate cancer can help to characterize tumor aggressiveness. Eur J Radiol. 2016;85(11):2119- 2126. 9. Sanz-Requena R, Revert-Ventura A, Martí- Bonmatí L, Alberich-Bayarri A, García-Martí G. Quantitative MR perfusion parameters related to survival time in high-grade gliomas. Eur Radiol. 2013;23(12):3456-3465. 10. Martí Bonmatí L, Alberich-Bayarri A, García- Martí G et al. Biomarcadores de imagen, imagen cuantitativa y bioingeniería. Radiología. 2012; 54(3):269-278. 11. Rothman KJ, Greenland S. Causation and causal inference in epidemiology. Am J Public Health. 2005;95(Suppl 1):S144-50. 12. Juan-Albarracín J, Fuster-Garcia E, Pérez-Girbés A et al. Glioblastoma: vascular habitats detected at preoperative DSW CE-perfusion MR imaging predict survival. Radiology 2018;287(3):944- 954. 13. Fuster-Garcia E, Juan-Albarracín J, García-Fer- rando GA, Martí-Bonmatí L, Aparici-Robles F, García-Gómez JM. Improving the estimation of prognosis for glioblastoma patients by MR based hemodynamic tissue signatures. NMR Biomed. 2018;31(12):e4006. 14. Oltra-Sastre M, Fuster-Garcia E, Juan-Albarra- cin J et al. Multi-parametric MR imaging bio- markers associated to clinical outcomes in glio- mas: a systematic review. Curr Med Imaging Rev. 2019;15(10):933-947. 15. Dubois RW. Is the real-world evidence or hy- pothesis: a tale of two retrospective studies. J Comp Eff Res. 2015;4:199-201 16. 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. CONCLUSIONES BIBLIOGRAFÍA