Redefinición de la EPOC de alto riesgo con mapeo de respuesta de parámetros basado en modelos de aprendizaje automático

Introducción

La enfermedad pulmonar obstructiva crónica (EPOC) es la tercera causa de muerte en todo el mundo, con una prevalencia mundial del 11,6 %.^1,2 Las anomalías estructurales pulmonares en pacientes con EPOC incluyen principalmente enfermedad de las vías respiratorias, daño del parénquima pulmonar y remodelación vascular.³ Koo et al.⁴ encontraron que el cambio de bronquiolos en pacientes con EPOC ocurrió antes que la presencia de enfisema; específicamente, la pared de los bronquiolos se engrosaba, el número de bronquiolos se reducía y la luz de los bronquiolos se ocluía en pacientes con EPOC de la Iniciativa Global para la Enfermedad Pulmonar Obstructiva Crónica (GOLD) I. Esto sugiere la importancia de la evaluación temprana de la vía aérea pequeña para la alerta temprana de la EPOC. Además, se ha demostrado que las enfermedades de las vías respiratorias son reversibles después de dejar de fumar o del tratamiento adecuado.^5,6 Por lo tanto, el diagnóstico temprano y la intervención temprana para la enfermedad de las vías respiratorias pequeñas pueden reducir en gran medida los síntomas y retrasar el progreso de la enfermedad.

El diagnóstico temprano no se puede lograr usando solo PFT, porque la PFT es anormal solo cuando el daño del tejido pulmonar es superior al 30 % y la obstrucción de las vías respiratorias pequeñas es superior al 75 %.⁷ Algunos pacientes con PFT normales aún pueden mostrar enfisema, atrapamiento de gas y engrosamiento de la pared de las vías respiratorias en las imágenes de TC.^8–10 Se cree que la población con EPOC o pre-EPOC de alto riesgo es la población en riesgo de desarrollar obstrucción del flujo de aire definida por espirometría en el futuro. Las definiciones de EPOC de alto riesgo o pre-EPOC varían entre los estudios. Regan et al.⁹ definieron a los pacientes con EPOC de alto riesgo como fumadores actuales y exfumadores con FEV1/FVC posbroncodilatador normal >0,70 y valor teórico de FEV1% ≥80%. Algunos investigadores propusieron que los sujetos con un FEV1/FVC posterior al broncodilatador >0,70 y un valor teórico del FEV1% <95% en ausencia de un broncodilatador se definieran como pacientes de alto riesgo de EPOC.¹¹ wan y otros¹² encontraron que los sujetos con espirometría con deterioro de la relación conservada (PRISm) tenían un valor teórico de FEV1% <80% previsto por FEV1/FVC ≥0,70. Por lo tanto, la definición de EPOC de alto riesgo en todos los estudios se basa en el valor predicho de FEV1%, sin embargo, el umbral del valor predicho de FEV1% sigue siendo controvertido.

Las imágenes han mostrado un gran potencial para evaluar los primeros cambios de la EPOC. Nuestros estudios previos mostraron que la perfusión de CT y MRI eran más sensibles a la detección de anomalías de fumadores con PFT normal.^13,14 El mapeo de respuesta de parámetros (PRM) se adquirió registrando imágenes de TC de inspiración completa hasta imágenes de TC de espiración completa, y se introdujo para evaluar indirectamente los efectos funcionales de la enfermedad de las vías respiratorias pequeñas. Cada vóxel se clasificó como enfisema, enfermedad funcional de las vías respiratorias pequeñas o tejido pulmonar normal mediante PRM.¹⁵ fSAD se refiere a una etapa de transición del tejido pulmonar normal al enfisema, lo que indica que aparece antes que el enfisema.^dieciséis PRM podría proporcionar el fenotipo de la enfermedad e información espacial detallada de la distribución de la enfermedad y los parámetros cuantitativos de PRM.

Dado que se ha confirmado que CT puede identificar los cambios tempranos en pacientes con EPOC de alto riesgo y PRM puede evaluar anomalías estructurales del pulmón, planteamos la hipótesis de que el modelo de clasificación de aprendizaje automático basado en PRM puede reflejar cambios tempranos en la población de alto riesgo. El nuevo criterio de alto riesgo basado en parámetros PFT debe tener una buena consistencia con el modelo de clasificación de aprendizaje automático basado en PRM. Por lo tanto, el propósito de este estudio fue explorar los umbrales óptimos del valor predicho de FEV1% para distinguir los casos normales y de alto riesgo, bajo los cuales los parámetros PFT y los parámetros PRM radiológicos son consistentes. Investigamos varios valores previos al umbral de FEV1% para identificar la presencia de signos de alto riesgo evaluados por PRM.

Materiales y métodos

Recopilación de datos

De agosto a octubre de 2018, se examinaron un total de 861 sujetos consecutivos para las tres enfermedades torácicas principales (NELCIN-B3, ClinicalTrials.gov, NCT03988322) en nuestro hospital y se recopilaron retrospectivamente datos de sujetos sin EPOC para la muestra analítica. Los criterios de inclusión fueron los siguientes: 1) sujetos con encuesta de cuestionario completo, PFT y TC de fase respiratoria pareada; 2) los parámetros PRM completos fueron adquiridos por software de análisis; y 3) los participantes incluidos eran sujetos sin EPOC con FEV1/FVC ≥0,7. Los criterios de exclusión fueron: 1) movimiento respiratorio marcado o artefacto metálico de las imágenes de TC; 2) imágenes en formato DICOM sin corte fino (1 mm); 3) enfermedades pulmonares subyacentes tales como cáncer de pulmón, fibrosis intersticial pulmonar grave e infección pulmonar masiva; 4) deformidad torácica; y 5) derrame pleural y antecedente de cirugía torácica. Todos los sujetos completaron un cuestionario antes de someterse a la prueba de PFT, luego se sometieron a la prueba de PFT y a la tomografía computarizada de tórax el mismo día. El estudio fue aprobado por la junta de revisión institucional del Hospital Changzheng, Universidad Médica Naval, Shanghai, China, y el estudio fue registrado en el Registro de Ensayos Clínicos de China (http://www.chictr.org.cn/index.aspx; ChiCTR2000035283). El estudio se realizó de acuerdo con la Declaración de Helsinki. Todos los sujetos firmaron un consentimiento informado por escrito para participar en este estudio.

Encuesta

El cuestionario incluía información básica, factores de comportamiento, antecedentes familiares y síntomas de la enfermedad. Se seleccionaron cuatro parámetros básicos para el análisis de datos: edad, sexo, peso y talla.

Prueba de función pulmonar

Todos los pacientes se sometieron a la PFT mediante un espirómetro multifuncional (HI-801 Chestgraph, CHEST MI, Inc., Tokio, Japón). Entre los 15 parámetros de PFT, se seleccionaron para este estudio el valor teórico de FEV1/FVC y FEV1%.

tomografía computarizada

Todos los pacientes se sometieron a un entrenamiento de contención de la respiración antes de la tomografía computarizada y asumieron una posición supina con los brazos por encima de la cabeza. No se realizó una tomografía computarizada de tórax volumétrica con contraste al final de la inspiración y la espiración utilizando un escáner de tomografía computarizada de 256 cortes (Brilliance-iCT, Philips Medical Systems, Países Bajos) desde la entrada torácica hasta el diafragma, respectivamente. Se utilizaron los siguientes parámetros de tomografía computarizada: colimación de 128 × 0,625 mm, energía del tubo de 120 kV, modulación automática de corriente del tubo en 3D y axial Z, el colimador Doseright (Philips Healthcare) estaba encendido y el nivel de dosis reducido 3 (escaneo inspiratorio/espiratorio), tono 0,915, grosor de corte 1 mm, incremento de corte 1 mm, campo de visión (FOV) 350 mm*350 mm, matriz 512*512, algoritmos de resolución alta y estándar.

Análisis de imagen

El análisis de imágenes fue realizado por un radiólogo torácico con 20 años de experiencia que desconocía la información clínica del paciente y los resultados de la PFT. El PRM se analizó con software comercial (A-VIEW, Suhai Alderi Information Technology Ltd., Dubai, UAE). Los vóxeles se dividieron en cuatro categorías según los valores de TC en imágenes de TC respiratorias pareadas: 1) Enfisema, vóxeles menores o iguales a −950 HU en la imagen inspiratoria y menores a −856 HU en la imagen espiratoria; 2) fSAD, vóxeles mayores de −950 HU en la imagen inspiratoria y menores o iguales a −856 HU en la imagen espiratoria; 3) Pulmón normal, vóxeles mayores de −950 HU en la imagen inspiratoria y mayores de −856 HU en la imagen espiratoria; y 4) Tejido no categorizado, vóxeles inferiores a −950 HU en la imagen inspiratoria y superiores a −856 HU en la imagen espiratoria. El volumen total, así como el porcentaje de volumen de cada categoría de vóxel, se calcularon en los niveles de pulmón completo, pulmón izquierdo, pulmón derecho y cinco lóbulos, respectivamente.

Construcción del modelo de clasificación aleatoria de bosques

Para encontrar un umbral del valor predicho de FEV1% que tenga la mejor correspondencia entre los parámetros de PRM y el resultado de PFT, tomamos 80 umbrales del 50% al 129% con una partición del 1% como umbral experimental para diferenciar el grupo de alto riesgo del normal. grupo. Establecimos un modelo de clasificación aleatoria de bosques bajo cada uno de los 80 umbrales. Random forest es un tipo de aprendizaje conjunto, donde la idea clave es combinar múltiples clasificadores débiles para obtener un clasificador fuerte con un rendimiento de clasificación significativo. Por lo tanto, en comparación con otros algoritmos de aprendizaje automático (p. ej., ANN, SVM, regresión logística), los bosques aleatorios tienen las ventajas de una alta capacidad de generalización, fácil entrenamiento en paralelo, pueden manejar datos de gran dimensión y no requieren selección de características. Los 80 modelos de clasificación se establecieron con parámetros idénticos: el número de estimadores fue 71, lo que significa que nuestro modelo de bosque aleatorio constaba de 71 subestimadores (árboles de decisión), y reunió los resultados de clasificación de los 71 estimadores votando cuando hizo predicciones. . Los detalles se presentan en el Archivo complementario. Setenta y dos parámetros PRM adquiridos en los niveles de pulmón completo, pulmón izquierdo, pulmón derecho y cinco lóbulos, así como el sexo, la edad, la altura y el peso de los pacientes, se incluyeron para la construcción del modelo.

Capacitación y evaluación del modelo de clasificación aleatoria de bosques

Bajo cada umbral, cada muestra se etiquetó primero como normal o de alto riesgo comparando su valor predicho de FEV1% y el umbral seleccionado: si el valor predicho de FEV1% era inferior al valor umbral, el caso se etiquetaba como de alto riesgo; si el valor predicho de FEV1% era superior o igual al valor umbral, se etiquetaba como normal. Para evitar el efecto de la aleatoriedad en la partición de los conjuntos de datos de entrenamiento y prueba, el rendimiento de clasificación del modelo anterior se evaluó mediante una validación cruzada de Monte Carlo de 10 veces. Para cada pliegue con validación cruzada, todo el conjunto de datos se dividió aleatoriamente en un conjunto de entrenamiento (70 % de los casos) y un conjunto de prueba…