Simple Science

Ciencia de vanguardia explicada de forma sencilla

# Ciencias de la Salud# Salud Pública y Global

La relación entre la diabetes y la tuberculosis: una preocupación de salud creciente

La diabetes aumenta el riesgo de TB, lo que resalta la necesidad urgente de mejores métodos de detección.

Emoru Daniel Reagan, Lucy Elauteri Mrema, Nyanda Elias Ntinginya, Irene Andia Biraro, Reinout van Crevel, Julia A Critchley

― 9 minilectura


Diabetes y TB: Una DúoDiabetes y TB: Una DúoPeligrosodiabetes.mejor cribado de TB para pacientes conLas herramientas de IA prometen un
Tabla de contenidos

La tuberculosis (TB) ha sido un enemigo de hace mucho tiempo en el mundo de la salud. Esta enfermedad contagiosa, que a menudo afecta los pulmones, sigue siendo un gran problema de salud pública en todo el planeta. ¡Pero espera, hay un giro! Con el aumento de la Diabetes mellitus (DM), la cosa se complica. Las personas con diabetes están en un mayor riesgo de desarrollar TB activa, lo que crea un doble problema para muchos. Vamos a ver cómo están relacionadas estas dos condiciones y qué se está haciendo al respecto.

La Conexión con la Diabetes

La diabetes, especialmente la Tipo 2, es ahora un problema de salud común que afecta a millones en todo el mundo. Cuando la Federación Internacional de Diabetes informó que había 537 millones de adultos con diabetes en 2021, fue como escuchar que había más smartphones que humanos. Se estima que este número llegará a 783 millones para 2045. ¡Un montón de nuevos amigos potenciales para la TB!

Las investigaciones indican que las personas con diabetes tienen aproximadamente tres veces más riesgo de desarrollar TB en comparación con quienes no tienen diabetes. ¿Por qué? Bueno, la diabetes debilita el sistema inmunológico, lo que dificulta que el cuerpo combata infecciones, incluyendo las bacterias que causan la TB.

Detección de TB: Un Paso Necesario

La Organización Mundial de la Salud (OMS) recomienda hacer pruebas de TB en grupos de alto riesgo, incluyendo a las personas con diabetes. Esto es especialmente cierto en países donde la TB sigue siendo común. La idea es sencilla: detectar la TB a tiempo para tratarla efectivamente y prevenir su propagación. Aunque hay pautas establecidas, la realidad en el terreno puede ser un poco diferente. A menudo hay recursos limitados para la detección, lo que hace que implementar estas recomendaciones sea un reto.

La Unión Internacional contra la Tuberculosis y Enfermedades Respiratorias también sugiere que los pacientes de diabetes recién diagnosticados deberían hacerse pruebas de TB. Sin embargo, incluso con estas recomendaciones, problemas prácticos como la falta de suministros para las pruebas pueden obstaculizar el camino. Es como tratar de hornear un pastel sin harina; simplemente no funciona.

La Llegada de la Inteligencia Artificial

A medida que avanzamos más en la era digital, la inteligencia artificial (IA) está entrando en la escena de la salud como un superhéroe listo para salvar el día. La IA está haciendo olas en la detección y manejo de problemas de salud, incluyendo la TB y las complicaciones relacionadas con la diabetes. ¡Piénsalo como tener un asistente muy inteligente que puede analizar muchos datos rápidamente!

Para el manejo de la diabetes, la IA se está utilizando para detectar complicaciones a través de sistemas computarizados. En el Reino Unido, ha habido un exitoso despliegue de tecnología de IA para hacer pruebas de problemas oculares relacionados con la diabetes. De manera similar, herramientas como CAD4TB, qXR y LUNIT INSIGHT CXR han surgido para ayudar a analizar radiografías de tórax (CXR) en busca de posibles problemas de TB. ¡Es como tener un amigo muy meticuloso que puede detectar problemas a una milla de distancia!

Estas herramientas de IA evalúan imágenes de rayos X usando métodos complejos de aprendizaje automático, asignando un puntaje de anormalidad que indica cuán probable es que existan problemas relacionados con la TB. Los puntajes generalmente se dan en una escala del 0 al 100; números más altos suenan como una alarma, alertando a los doctores que podría ser necesario investigar más.

Un Voto Global de Aprobación

La efectividad de estas herramientas impulsadas por IA ha llamado la atención de las autoridades de salud globales. Tanto CAD4TB como qXR han recibido la aprobación de la OMS para su uso en la detección de TB, específicamente para personas de 15 años o más. ¡Esta aprobación es un gran asunto! Significa que estas herramientas han sido consideradas lo suficientemente confiables como para hacer un impacto significativo en las prácticas de detección de TB en todo el mundo.

Pero Espera-Hay una Brecha

A pesar de todos los avances en tecnología y prácticas de detección, todavía hay una gran brecha en el conocimiento sobre cuán bien funcionan estas herramientas de IA específicamente para las personas con diabetes. La mayoría de los estudios se han centrado en otros grupos de alto riesgo, como aquellos que viven con VIH. Es necesario más investigación para ver si la detección asistida por computadora (CAD) funciona de manera diferente para pacientes diabéticos.

Verás, los pacientes con diabetes pueden enfrentar desafíos de salud únicos. También pueden tener otras condiciones, como obesidad o enfermedades del corazón, que pueden cambiar cómo se ven sus radiografías. Además, los pacientes de TB con diabetes tienden a ser mayores, lo que trae complicaciones adicionales a la mezcla.

Aprovechar todo el potencial de las herramientas de detección impulsadas por IA para este grupo específico es crucial, considerando el mayor riesgo de TB en personas con diabetes. Es hora de ponernos nuestros sombreros de detective e investigar cuán precisas pueden ser estas tecnologías para esta población de alto riesgo.

La Búsqueda de Evidencia

En una búsqueda por reunir más información sobre la precisión de la CAD para la detección de TB activa en individuos con diabetes, los investigadores realizaron una revisión sistemática. Quisieron juntar la mayor cantidad de información posible para ayudar a cerrar esa brecha de conocimiento.

Para hacer esto, buscaron estudios publicados entre enero de 2010 y mayo de 2024 en varias bases de datos. Examinaron las características de los participantes, los detalles de cómo se diagnosticó la diabetes y el tipo de tecnología CAD utilizada. Fue como juntar piezas de un gran rompecabezas para ver el panorama completo.

¿Qué Encontraron?

Cuando los investigadores finalmente examinaron los estudios, encontraron solo cinco que cumplían con sus criterios de inclusión. Estos estudios involucraron un total de 1,879 individuos con diabetes, de los cuales 391 fueron recién diagnosticados con TB. Todos los estudios utilizaron diferentes métodos y entornos, desde clínicas ambulatorias hasta detecciones comunitarias móviles.

Los estudios variaron en las características de la diabetes que reportaron. Algunos ofrecieron información detallada sobre el tipo de diabetes, mientras que otros ni siquiera se molestaron en mencionarlo. Fue como asistir a una cena donde algunos invitados compartían sus recetas favoritas, pero otros solo estaban de pie bebiendo.

Los Resultados: Prometedores, Pero Variables

Los investigadores descubrieron que la precisión de los sistemas CAD para diagnosticar TB variaba ampliamente. La sensibilidad-la capacidad de identificar correctamente a quienes tienen TB-osciló entre 73% y 100%. La especificidad-la habilidad de identificar correctamente a quienes no tienen TB-osciló entre 60% y 88%. Esto significa que mientras algunos sistemas de IA funcionaron excelentemente, otros mostraron resultados mixtos.

Curiosamente, un estudio utilizó dos herramientas de CAD diferentes en el mismo grupo y encontró resultados idénticos. Eso es un buen recordatorio de que la consistencia en la investigación puede ser muy valiosa, ¡y que podría haber algo especial en esas herramientas en particular!

Los estudios también reportaron diferentes umbrales de rendimiento para CAD, así que los resultados fueron difíciles de comparar. Cuando los investigadores graficaron los datos, vieron un amplio rango de rendimiento, indicando que muchos factores influyeron en qué tan bien funcionaron los sistemas CAD.

La Perspectiva General sobre la Calidad Metodológica

Los investigadores evaluaron la calidad de los estudios que incluyeron en su revisión. La mayoría de los estudios obtuvieron buenas calificaciones en métricas de calidad, pero algunos despertaron dudas debido a un flujo de pacientes poco claro o datos faltantes. Un estudio incluso tuvo muchos archivos de pacientes eliminados debido a un desafortunado accidente. ¡Yikes! Parece que incluso en la investigación, las cosas pueden salir mal.

Reflexiones Finales sobre CAD y Diabetes

La revisión destacó que, aunque los sistemas de detección asistida por computadora tienen potencial para mejorar la detección de TB, especialmente en personas con diabetes, aún queda mucho trabajo por hacer. El número limitado de estudios y la concentración geográfica en unos pocos países asiáticos subrayan la necesidad de más investigación amplia.

Es crucial que los futuros estudios comparen directamente el rendimiento de CAD entre personas con diabetes y aquellas sin ella. Esto ayudará a aclarar cuán efectivas son realmente estas herramientas para diagnosticar TB en diferentes poblaciones.

Además, los investigadores deberían buscar estandarizar los métodos de referencia y los umbrales de CAD para facilitar las comparaciones. Explorar la rentabilidad de estas herramientas en varios entornos también podría proporcionar información valiosa.

La investigación cualitativa que examine las perspectivas de los pacientes y proveedores sobre el uso de CAD podría ayudar a identificar barreras potenciales e informar estrategias para promover su adopción.

En Conclusión: Un Rayo de Esperanza

En resumen, aunque los sistemas CAD ofrecen un rayo de esperanza para mejorar la detección de TB entre personas con diabetes, está claro que hay mucho más por aprender. A medida que la tecnología avanza, hay potencial para que estas herramientas se conviertan en pilares en el manejo conjunto de la TB y la diabetes.

Así que, si alguna vez te sientes abrumado por toda esta información de salud, solo recuerda: todos estamos juntos en esto, luchando contra infecciones como la TB, mientras navegamos por las complejidades de la diabetes. ¡Y quién sabe? Tal vez un día tengamos sistemas de IA que no solo detecten, sino que también cocinen recetas saludables para diabéticos. ¡Aferrémonos a ese sueño!

Fuente original

Título: ACCURACY OF COMPUTER-ASSISTED DETECTION IN SCREENING PEOPLE WITH DIABETES MELLITUS FOR ACTIVE TUBERCULOSIS: A SYSTEMATIC REVIEW

Resumen: ObjectivesDiabetes mellitus (DM) significantly increases the risk of tuberculosis (TB), and active TB screening of people with DM has been advocated. This systematic review aimed to evaluate the accuracy of computer-assisted detection (CAD) for identifying pulmonary TB among people living with DM. MethodsMedline, Embase, Scopus, Global Health and Web of science were searched from January 2010 to May 2024 supplemented with grey literature (Conference abstracts, Trial registries, MedRxiv.org). Studies evaluating CAD accuracy for identifying TB in populations living with diabetes were included. Two researchers independently assessed titles, abstracts, full texts, extracted data and assessed the risk of bias. Due to heterogeneity and a limited number of studies, a descriptive analysis was performed instead of statistical pooling. Forest plot and Summary Receiver Operating Curves (SROC) were generated using RevMan 5.4. ResultsFive eligible studies, all conducted in Asia between 2013 and 2023 were identified, including a total of 1879 individuals of whom 391 were diagnosed with TB. Four different Computer Assisted Detection (CAD) software algorithms were used. Sensitivities ranged from 0.73 (95%CI: 0.61-0.83) to 1.00 (95%CI:0.59-1.00), while specificities ranged from 0.60 (95%CI:0.53-0.67) to 0.88 (95%CI: 0.84-0.91). Area Under the receiver Operating Curve (AUC) values varied from 0.7 (95%CI: 0.68-0.75) to 0.9(95%CI: 0.91-0.96). False positive rates ranged from 0.24% to 30.5%, while false negative rates were 0-3.2%. The risk of bias assessment of the five studies was generally good to excellent. ConclusionsCAD tools show promise in screening people living with diabetes for active TB, but data are scarce, and performance varies across settings.

Autores: Emoru Daniel Reagan, Lucy Elauteri Mrema, Nyanda Elias Ntinginya, Irene Andia Biraro, Reinout van Crevel, Julia A Critchley

Última actualización: 2024-12-11 00:00:00

Idioma: English

Fuente URL: https://www.medrxiv.org/content/10.1101/2024.12.10.24318764

Fuente PDF: https://www.medrxiv.org/content/10.1101/2024.12.10.24318764.full.pdf

Licencia: https://creativecommons.org/licenses/by/4.0/

Cambios: Este resumen se ha elaborado con la ayuda de AI y puede contener imprecisiones. Para obtener información precisa, consulte los documentos originales enlazados aquí.

Gracias a medrxiv por el uso de su interoperabilidad de acceso abierto.

Más de autores

Artículos similares