( Kidney International October 2021, Volume 100Issue 4SupplementS1-S276, KDIGO 2021 Clinical Practice Guideline for the Management of Glomerular Diseases)
Un estudio multicéntrico para desarrollar un modelo radiómico no invasivo para identificar cálculos ITU in vivo mediante aprendizaje automático. Al igual que otras tecnologías ómicas, la radiómica utiliza datos de alta densidad para caracterizar una enfermedad o un proceso patológico. Específicamente, en el dominio radiológico, los datos cuantitativos se extraen de las imágenes radiográficas para identificar las características de la enfermedad que no se visualizan fácilmente. Zheng et al. aplicó técnicas radiómicas seguidas de aprendizaje automático en cálculos renales para diferenciar la infección de los cálculos no in vivo. Se analizaron tomografías computarizadas y se extrajeron 1300 características de cada imagen de piedra. Más de 1000 pacientes con cálculos constituyeron cohortes de entrenamiento y validación y la composición de los cálculos se verificó mediante espectroscopia después de la extracción quirúrgica. En última instancia, los investigadores combinaron su firma radiómica con el pH de la orina y la presencia o ausencia de bacterias productoras de ureasa en la orina para desarrollar un modelo que mostró una excelente discriminación entre cálculos urinarios, infección y no infección. Este procedimiento no invasivo puede mejorar el manejo de los cálculos.