INTELIGENCIA ARTIFICIAL PARA APOYO EN EL DIAGNÓSTICO DE LEISHMANIASIS CUTANEA

DESCRIPCIÓN DEL PROBLEMA La Leishmaniasis es una enfermedad causada por un parásito intracelular del género Leishmania que se transmite mediante la picadura de un mosquito de la familia Psychodidae infectado. Esta enfermedad es endémica en Asia, África, América y la región mediterránea. Presenta tres tipos de representación clínica que son Leishmaniasis Cutánea (LC), leishmaniasis mucocutánea (LM) y leishmaniasis visceral (LV), la manifestación de cada tipo varia desde leve (L. Cutánea) produciendo lesiones cutáneas a crónica (LV) donde afecta los órganos internos (en particular, el bazo, el hígado y la médula ósea). En algunos casos la enfermedad tiene un desenlace fatal, esto depende tanto de la especie de parásito involucrado como de la respuesta inmune del hospedero y el tratamiento ofrecido. Según la Organización Mundial de la Salud (OMS), en el mundo se producen de 700.000 a 1 millón de casos nuevos, aproximadamente 70.000 muertes por año, y se encuentran en riesgo 350 millones de personas a contraer la enfermedad debido a su característica endémica ADDIN RW.CITE{{doc:6240fddd8f08eceebc6f55a6 OMS 2022}}(OMS, 2022). En los últimos 20 años en las Américas, se han notificado a la Organización Panamericana de la Salud (OPS) 1.067.759 casos de leishmaniasis cutánea (LC) y mucosa (LM), con un promedio de 53.387 por año. En el 2020, los países que notificaron el mayor número de casos fueron Brasil (16.432), Colombia (6.161), Perú (4.178), Nicaragua (3.443) y Bolivia (2.059), que juntos representaron 81% de los casos de la Región. La tasa de incidencia regional fue de 18,37 casos por 100.000 habitantes (Informe Epidemiológico de las Américas Dic 2021). En Colombia, según el informe epidemiológico de instituto nacional de salud, se presentaron 5242 casos positivos de Leishmaniasis Cutánea en 2021 ADDIN RW.CITE{{doc:6241184ec9e77c00011bbe69 INS,InstitutoNacionaldeSalud 2022}}(INS, Instituto Nacional de Salud, 2022) en comparación con los 5025 casos reportados en el 2020 ADDIN RW.CITE{{doc:610484bf8f082d65e4946ce6 INS,InstitutoNacionaldeSalud 2021}}(INS, Instituto Nacional de Salud, 2021), lo que evidencia un aumento del 4,32% en los casos reportados, y el impacto reflejado por el cambio climático debido a los cambios de temperatura y humedad que contribuyen directamente a la proliferación del vector transmisor en este tipo de patologías, que al ser endémicas presentan un alto riesgo de transmisión ADDIN RW.CITE{{doc:6074751bc9e77c0001e69ab7 InstitutoNacionaldeSalud 2020}}(Instituto Nacional de Salud, 2020). Colombia cuenta con presencia de este vector en 29 de los 32 departamentos del territorio nacional, lo que genera alarma y requiere la incorporación de medidas que permitan diagnosticar a tiempo con el fin de controlar y mitigar la transmisión de la enfermedad ADDIN RW.CITE{{doc:60747386c9e77c0001e69a82 InstitutoNacionaldeSalud 2019}}(Instituto Nacional de Salud, 2019). El método de diagnóstico más utilizado en el mundo para la Leishmaniasis cutánea es el examen directo por microscopía, el cual permite la visualización del parásito. Esta muestra se fija en metanol, después se tiñe con colorante de Giemsa y se observa en el microscopio de luz con aceite de inmersión. Para realizar la detección de los amastigotes, que son la forma que presenta el parásito en el hospedero vertebrado, este se observa como estructuras redondeadas u ovaladas, de color azuloso o morado, donde se distingue el núcleo y cinetoplasto, este último de color más intenso ADDIN RW.CITE{{doc:609a0d0fc9e77c0001357e4c OrganizaciónMundialdelaSalud 2018}}(Organización Mundial de la Salud & Organización Panamericana de la Salud, 2018). La efectividad en la visualización del parásito depende de muchos factores que van desde la calidad de los insumos para realizar la prueba, el tiempo de evolución de la lesión, la especie del parásito, la respuesta inmune del huésped, y la experticia de quien realiza el diagnostico. Es aquí donde surge la principal problemática y es que la sensibilidad del diagnóstico puede variar desde 60% al 90% a raíz de los factores mencionados anteriormente, siendo este proceso altamente dependiente de la habilidad del personal que realiza la prueba, debido a que requiere experticia y de un amplio lapso de tiempo ya que el examen directo estandarizado en las Américas requiere que se realice a partir de la muestra de la lesión con un total de 3 láminas por paciente, cada una con tres impresiones 8 a 10 mm de diámetro. Un resultado es positivo es declarado cuando se observa claramente la presencia de al menos un amastigote intracelular o extracelular con sus características específicas: Núcleo: color azul-violeta oscuro, Cinetoplasto: Color violeta intenso, Citoplasma: color azul claro y membrana celular definida. Por el contrario, un resultado es negativo cuando al examinar visualmente las 9 impresiones en las 3 láminas no se observan amastigotes, este diagnóstico puede tomar en promedio de 2 a 3 horas de trabajo generando un alto costo en talento humano. El amplio tiempo requerido para la realización de las pruebas, dadas las características de la muestra y del parásito, ocasionan fatiga visual, por ende, es propenso a presentar errores por parte del personal que realiza el diagnóstico ADDIN RW.CITE{{doc:6240e8c3c9e77c0001c9b37a OPS 2019}}(OPS & OMS, 2019). En muchos casos las muestras deben ser enviadas al laboratorio de Salud Pública de la secretaría de salud regional, y estos a su vez envían al Instituto Nacional de Salud, ocasionando un retardo en el diagnóstico eficaz y retraso en el inicio del tratamiento según el caso. Esto es en detrimento de un diagnóstico certero y oportuno, el cual es esencial para la formulación del tratamiento del paciente y tomar medidas de prevención y control en el lugar donde el paciente contrajo la enfermedad, evitando brotes con nuevos casos de transmisión. Existen otros métodos de diagnóstico más complejos como técnica de PCR (Reacción en cadena de polimerasa), técnicas serológicas, técnica de ELISA (ensayo por inmunoadsorción ligado a enzimas) y método IFI (Inmunofluorescencia), siendo estas, técnicas que requieren de insumos y dispositivos más complejos para su implementación, los cuales ocasionan un alto costo al sistema de salud y no se encuentran disponibles en entidades de primer nivel donde principalmente se presentan este tipo de enfermedades, gracias a que por su ubicación geográfica es un ambiente óptimo para la proliferación del vector y transmisión del parásito ADDIN RW.CITE{{doc:61048bc98f0834a34c0abfa7 Rodríguez,Gerzaín 2016}}(Rodríguez, Arenas, Ovalle, Hernández, & Camargo, 2016). JUSTIFICACIÓN DEL PROYECTO Al desarrollar un sistema que permita realizar la detección automática del parásito basada en técnicas de aprendizaje de máquina se busca contribuir directamente a obtener un proceso más certero, rápido y, hipotetizamos, más eficiente que el convencional. Lo anterior es soportado por estudios previos donde se ha empleado tecnología similar con buenos resultados, incluyendo la mejora de la sensibilidad en el conteo de parásitos y la reducción del tiempo de diagnóstico. A continuación, algunos estudios previos que sirven como antecedentes y corroboran la intensión del presente trabajo. Modelos de inteligencia artificial (en aprendizaje de máquina, profundo, otros) aplicados en malaria, otra enfermedad parasitaria usualmente diagnosticada por medio de microscopia, han sido ya estudiados por varios años. Aunque su aplicación en campo sigue siendo difícil, han logrado muy buenos resultados a nivel de paciente con una precisión del 97.47% en glóbulos rojos infectados (Quan et al. 2020). Rosado et al. (2017) detectaron la presencia de trofozoítos de Plasmodium Falciparum utilizando umbrales adaptativos para la detección de candidatos y características de geometría, color y textura para entrenar un clasificador SVM (Máquina de Soporte Vectorial). La detección automática de trofozoítos alcanzó una sensibilidad del 80,5%, una especificidad del 93,8% y una precisión del 91,8% a nivel del recorte (a nivel parasitario). Dave (2017) utilizó una SVM cúbica para clasificar al parásito en sus diferentes etapas de vida, con un 86,34% y un 96,60% de sensibilidad y especificidad a nivel de recorte, respectivamente. Delahunt et al., utilizó un SVM lineal para la clasificación de parásitos, con una especificidad del 95% a nivel de paciente. Mehanian et al. llegó a utilizar una red neuronal convolucional (CNN) para la extracción y clasificación de características en muestras de malaria con sensibilidad 91.6%, precisión 89.7% y especificidad 94.1% a nivel del recorte. Adicionalmente, reportaron que el algoritmo tardaba unos 20 minutos detectando parásitos por paciente. Adicionalmente ya se encuentran trabajos usando inteligencia artificial particularmente con Leishmaniasis, por ejemplo, Zare et al. (2022) empleo una técnica de aprendizaje de máquina llamada Viola-Jones y obtuvo una precisión entre el 50 y 71%, indicando que las metodologías empleadas (elección del modelo y sus parámetros) aún están en estudio y pueden mejorar. Todo lo anterior brinda el soporte adecuado para hipotetizar que es posible lograr el reconocimiento y conteo de parásitos de Leishmaniasis en imágenes digitales de microscopia con una reducción en el tiempo de diagnóstico y logrando, al menos, un desempeño igual al de un profesional calificado.