Una conferencia internacional celebrada en Antalya, Turquía, reunió a expertos de múltiples universidades para discutir los hallazgos más recientes sobre los efectos prolongados del post-acute secuela del COVID-19 (PASC), conocido comúnmente como “Long COVID”, con especial enfoque en la fibrosis pulmonar. Mientras la fase aguda de la pandemia ha disminuido, sus efectos a largo plazo siguen generando preocupación, afectando a más de 65 millones de personas globalmente. El reto radica en identificar estrategias efectivas para diagnosticar y tratar estas secuelas.
En este contexto, el estudio presentado en la conferencia introdujo un innovador marco de análisis a partir de imágenes de tomografía computarizada (CT) de tórax. Aprovechando el poder de la inteligencia artificial, los investigadores utilizaron redes neuronales convolucionales para lograr una precisión del 82.2% y un área bajo la curva (AUC) del 85.5% en la clasificación de fibrosis pulmonar en pacientes de PASC. La utilización de técnicas avanzadas como Grad-CAM y análisis de texturas radiómicas ha demostrado ofrecer una visión relevante sobre daños fibrosos en los pulmones.
El estudio incluía datos de tres prestigiosas universidades y demostró cómo la combinación de profundo aprendizaje y radiómica puede facilitar la detección temprana y valoración de riesgos en pacientes con posibles secuelas pulmonares duraderas. Durante la investigación, se analizaron 347 escaneos de CT de tórax, observando que el 44.9% presentaba signos sugerentes de fibrosis.
Las conclusiones apuntan a un camino prometedor para diagnósticos previos tempranos; sin embargo, estos métodos también enfrentan limitaciones significativas. Una de ellas es la carencia de conjuntos de datos de imágenes ampliamente variados, esenciales para el entrenamiento robusto de los modelos. Se sugiere la inclusión futura de técnicas de transferencia de aprendizaje que podrían optimizar aún más la eficiencia en la detección y clasificación.
Estos resultados abren una ventana esperanzadora sobre la utilidad de métodos computacionales en la identificación temprana y la personalización de tratamientos para pacientes con COVID-19 prolongado, pero recalcan la necesidad de un continuo refinamiento y validación para lograr implementaciones clínicas efectivas.