Papel de la Inteligencia Artificial en el manejo de los síntomas del tracto urinario inferior

INTRODUCCIÓN

Los síntomas del tracto urinario inferior (STUI) son un variado conjunto sintomatológico

altamente prevalente en ambos sexos, que abarca 3 categorías: llenado, vaciado y postmiccionales. Son uno de los principales motivos de consulta en Urología por su impacto en la calidad de vida, especialmente en hombres de edad media y avanzada, donde la obstrucción prostática benigna ejerce un papel protagonista (1). Si bien el término Hiperplasia Benigna Prostática (HBP) es un término que hace referencia a un hallazgo anatomopatológico que aumenta su prevalencia con la edad (2), no todos los pacientes con HBP presentan obstrucción prostática benigna, y, por ende, STUI. Su tratamiento se basa principalmente en tres pilares: medidas higiénico-dietéticas, tratamiento farmacológico y tratamiento quirúrgico.

La inteligencia artificial (IA) es una disciplina de las ciencias de computación que se ocupa de crear programas informáticos que ejecutan operaciones comparables a las que realiza la mente humana, como el aprendizaje o el razonamiento lógico (3,4). En la actualidad, la IA abarca una gran variedad de ramas, que van desde el aprendizaje y toma de decisiones de forma similar a la mente humana, hasta la robotización de las técnicas quirúrgicas.

El advenimiento de la inteligencia artificial (IA) a la medicina supone un avance de cara a disminuir la variabilidad en la interpretación de pruebas complementarias y en la toma de decisiones, orientándonos a estandarizar el diagnóstico, tratamiento y seguimiento de múltiples patologías, encaminando la práctica clínica diaria hacia la medicina de precisión, disminuyendo la variabilidad en la interpretación de pruebas.

En esta revisión narrativa resumimos las principales novedades que aporta la IA en el diagnóstico, toma de decisiones terapéuticas y tratamiento quirúrgico en los STUI secundarios a HBP.

MATERIALES Y MÉTODOS

Realizamos una búsqueda de artículos originales y de revisión en inglés utilizando PubMed. Se buscaron los términos “Artificial Intelligence BPH treatment”, “Artificial Intelligence BPH”, “Artificial Intelligence BPH diagnostic”, “Artificial Intelligence BPH surgery”, obteniendo en total 307 artículos. Excluimos artículos duplicados, no urológicos, editoriales, sin abstract y/o artículos en otros idiomas, obteniendo un total de 19 artículos. Posteriormente, dividimos los artículos según su temática: diagnóstico, manejo y planificación quirúrgica.

INTELIGENCIA ARTIFICIAL EN EL DIAGNÓSTICO DE LOS STUI

El aprendizaje automático (AA, en inglés Machine Learning: ML), es un subcampo de la IA compuesto por asociaciones de aprendizaje complejas que permiten relacionar resultados u observaciones obtenidos de una muestra. Se crean inicialmente modelos predictivos por medio de expertos en la materia a través de un proceso denominado Ingeniería de Características (IC, en inglés Feature engineering: FE) (5). A través del aprendizaje profundo (AP, en inglés Deep Learning: DL), una rama del AA, se emplean algoritmos para desarrollar Redes Neuronales Artificiales (RNA, en inglés Artificial Neural Networks: ANNs) (Figura 1), sin necesidad de retroalimentación humana, permitiendo la automatización de la toma de decisiones durante el proceso. Estas RNA tienen importancia en el diagnóstico de los STUI, especialmente a la hora de diferenciar entre hiperplasia benigna prostática y cáncer de próstata. Se han descrito múltiples modelos que mejoran la precisión en la interpretación de pruebas de imagen, empleando tanto ecografía transrectal como resonancia magnética multiparamétrica prostática (mpMRI) (5-10), marcadores séricos (5) y muestras histopatológicas (5), mejorando la precisión en comparación con los algoritmos diagnósticos actuales.

^{Figura 1. Diagrama esquemático del proceso de creación de un modelo de inteligencia artificial (11).}

INTELIGENCIA ARTIFICIAL EN EL MANEJO DE LOS STUI

Actualmente, la decisión acerca del manejo médico o quirúrgico de los STUI se basa en la decisión consensuada entre médico y paciente, basándonos en la sintomatología, resultados de pruebas complementarias, volumen prostático y preferencias funcionales, entre otras variables. No obstante, la información que proporcionamos acerca de la patología en nuestra consulta varía según el emisor (médico) y receptor (paciente), generando en ocasiones dificultad para la comprensión de la patología que padece el paciente. Con el fin de homogeneizar y facilitar el acceso a la información, se ha valorado la precisión de diferentes Modelos Extensos de Lenguaje (MEL, en inglés Large Language Models, LLM) (11) para responder preguntas de conocimiento básico y profesional acerca de la HPB. Los MEL constan de RNAs entrenados en grandes cantidades de texto, con aprendizaje autosupervisado o semisupervisado. Los modelos utilizados fueron Generative Pre-trained Transformers (GPT) de la empresa OpenAI, utilizados en los Chatbots ChatGPT 3.5 y ChatGPT 4, así como NewBing Chat (12). Los tres modelos presentaron una precisión entre el 86,7% y el 100%, tanto en conocimiento básico como profesional, abriendo la puerta a utilizar dichas herramientas para mejorar la comunicación entre médico y paciente.

Asimismo, de cara a predecir la tasa de éxito del tratamiento médico en pacientes con STUI, Pham et al. (13) utilizaron los datos disponibles del estudio Medical Therapy of Prostatic Symptoms (MTOPS), incluyendo datos de 2172 pacientes divididos en 3 grupos de tratamiento (Grupo 1: Doxazosina; Grupo 2: Finasteride; Grupo 3: Combinación de ambos). Los algoritmos que presentaron mayor precisión fueron basados en Máquinas de Vectores de Soporte (MVS, en inglés Boosted Support Vector Machines, BSVM), permitiendo el desarrollo de un modelo de AA que presenta una tasa de discriminación aceptable (área bajo la curva: Grupo 1 = 0,729; Grupo 2 = 0,719; Grupo 3 = 0,698). Thorsizi et al. (14) describieron en 2014 un modelo basado en lógica difusa (LD, en inglés Fuzzy Logic o Fuzzy Ontology, FL or FO), que consistía en 2 módulos: el primero recibía la información acerca de los síntomas directamente a través de los pacientes, estimando la severidad por medio de una escala. A continuación, el segundo modelo procesa dichos datos e incorpora más variables relacionadas con el paciente para completar el proceso de toma de decisión terapéutica. En una revisión realizada por Lama et al. (15) en 2024 describen la aplicación de diferentes modelos de AA y AP, con buena capacidad de predicción de los resultados post-tratamiento quirúrgico, abriendo la puerta a la medicina personalizada. No obstante, la limitación actual se encuentra en incorporar dichos modelos en la práctica clínica diaria y conseguir que sean coste-efectivos.

INTELIGENCIA ARTIFICIAL EN EL TRATAMIENTO QUIRÚRGICO DE LOS STUI

En las últimas décadas ha habido un gran desarrollo del instrumental endourológico, aumentando el interés de la comunidad urológica internacional por la cirugía mínimamente invasiva de la hiperplasia benigna prostática (HBP), especialmente la Enucleación Próstatica con Láser de Holmio (HoLEP). Dicha técnica se ha instaurado de forma progresiva en las últimas dos décadas como técnica para el tratamiento quirúrgico de la hiperplasia benigna prostática (HBP). La evidencia actual apoya sus excelentes resultados funcionales y su buen perfil de seguridad (16-18), siendo considerada en las guías de práctica clínica internacionales como técnica quirúrgica de elección para próstatas de gran volumen (19,20). No obstante, sigue siendo considerada como una técnica con una curva de aprendizaje compleja, que ha limitado la difusión de la técnica, estimándose alrededor de 20-50 casos para conseguir suficiente autoconfianza (21). Asimismo, ha presentado una tasa de abandono de la técnica elevada (22) y una tasa de complicaciones de hasta el 18% en cirujanos no expertos en la técnica (17). La inteligencia artificial ha permitido crear plataformas robóticas para poder tratar los STUI derivados de la HBP, evitando pasar por la curva de aprendizaje de la técnica.

En el año 2015, Russo et al (22) presentaron un modelo de cirugía láser prostática asistida por robot, testado in vitro, permitiendo adaptar el instrumental endoscópico habitual, con resultados prometedores. Actualmente existe un proyecto para la creación de una plataforma para realizar HoLEP asistido por robot. Andromeda Surgical™, una empresa estadounidense dedicada al desarrollo de robots quirúrgicos autónomos, se encuentra desarrollando el mismo en fase preclínica.

Otro proyecto que se encuentra actualmente en el mercado es el Aquabeam Robotic System™, el cual ha sido creado por la empresa estadounidense Procept BioRobotics™ (Figura 2) y, a diferencia de las técnicas que emplean energía láser para la enucleación del adenoma o la vaporización durante el tratamiento de la HBP, utiliza agua a presión para realizar una ablación del tejido obstructivo (hidroablación). Mediante la incorporación de imágenes en tiempo real a través de una sonda ecográfica transrectal (Figura 3), se realiza una planificación del área a tratar mediante un software integrado en la plataforma, que permite diseñar con precisión el área a tratar. Los resultados demuestran una alta eficacia en el tratamiento de los STUI, aunque menor que HoLEP (24) pero presenta como ventaja tiempos quirúrgicos menores y una alta tasa de preservación de la eyaculación, comparado con otras técnicas, como la resección transuretral (RTU) (25) o HoLEP (24). La segunda generación de robots de hidroablación prostática (HYDROS Robotic System™) incluye el FirstAssist AI, un sistema de IA construido a partir de datos de la biblioteca de más de 50.000 tratamientos realizados con la primera generación (Figura 4). Este asistente utiliza reconocimiento de imágenes avanzado para sugerir una mejor planificación quirúrgica acorde a la anatomía de cada paciente.

^{Figura 2. Aquabeam Robotic System™.}

^{Figura 3. Planificación quirúrgica guiada por ecografía transrectal.}

^{Figura 4. HYDROS Robotic System™ y sistema de planificación quirúrgica asistida por IA.}

CONCLUSIÓN

La llegada de nuevas tecnologías ha cambiado el diagnóstico y tratamiento de los STUI, dado que disponemos de un abanico más amplio de tratamientos farmacológicos y quirúrgicos. Gracias a los avances en IA, podemos personalizar cada vez más los tratamientos, pudiendo respetar en mayor medida los deseos y expectativas de nuestros pacientes, optimizando su calidad de vida.

BIBLIOGRAFÍA

1. Hughes T, Harper P, Somani BK. Treatment Algorithm for Management of Benign Prostatic Obstruction: An Overview of Current Techniques. Life (Basel). 2023 Oct 18;13(10):2077. doi: 10.3390/life13102077. PMID: 37895457; PMCID: PMC10608556.
2. Lee SWH, Chan EMC, Lai YK. The global burden of lower urinary tract symptoms suggestive of benign prostatic hyperplasia: A systematic review and meta-analysis. Sci Rep. 2017 Aug 11;7(1):7984. doi: 10.1038/s41598-017-06628-8. PMID: 28801563; PMCID: PMC5554261.
3. Nilsson, Nils J. (1998). Artificial Intelligence: A New Synthesis (en inglés) (4.ª edición). San Francisco: Kaufmann. ISBN 978-1558604674.
4. Bellman, Richard (1978). An introduction to artificial intelligence: can computers think? (en inglés). San Francisco: Boyd & Fraser Pub. Co. ISBN 978-0878350667.
5. Hegazi MAAA, Taverna G, Grizzi F. Is Artificial Intelligence the Key to Revolutionizing Benign Prostatic Hyperplasia Diagnosis and Management? Arch Esp Urol. 2023 Nov;76(9):643-656. doi: 10.56434/j.arch.esp.urol.20237609.79. PMID: 38053419.
6. Lu Y, Yuan R, Su Y, Liang Z, Huang H, Leng Q, Yang A, Xiao X, Lai Z, Zhang Y. Biparametric MRI-based radiomics for noninvastive discrimination of benign prostatic hyperplasia nodules (BPH) and prostate cancer nodules: a bio-centric retrospective cohort study. Sci Rep. 2025 Jan 3;15(1):654. doi: 10.1038/s41598-024-84908-w. PMID: 39753878; PMCID: PMC11698716.
7. Huang TL, Lu NH, Huang YH, Twan WH, Yeh LR, Liu KY, Chen TB. Transfer learning with CNNs for efficient prostate cancer and BPH detection in transrectal ultrasound images. Sci Rep. 2023 Dec 9;13(1):21849. doi: 10.1038/s41598-023-49159-1. PMID: 38071254; PMCID: PMC10710441.
8. Zhang Y, Li W, Zhang Z, Xue Y, Liu YL, Nie K, Su MY, Ye Q. Differential diagnosis of prostate cancer and benign prostatic hyperplasia based on DCE-MRI using bi-directional CLSTM deep learning and radiomics. Med Biol Eng Comput. 2023 Mar;61(3):757-771. doi: 10.1007/s11517-022-02759-x. Epub 2023 Jan 4. PMID: 36598674; PMCID: PMC10548872.
9. Luo R, Zeng Q, Chen H. Artificial Intelligence Algorithm-Based MRI for Differentiation Diagnosis of Prostate Cancer. Comput Math Methods Med. 2022 Jun 28;2022:8123643. doi: 10.1155/2022/8123643. PMID: 35799629; PMCID: PMC9256308.
10. Shah M, Naik N, Hameed BZ, Paul R, Shetty DK, Ibrahim S, Rai BP, Chlosta P, Rice P, Somani BK. Current Applications of Artificial Intelligence in Benign Prostatic Hyperplasia. Turk J Urol. 2022 Jul;48(4):262-267. doi: 10.5152/tud.2022.22028. PMID: 35913441; PMCID: PMC9612697.
11. Shah M, Naik N, Somani BK, Hameed BMZ. Artificial intelligence (AI) in urology-Current use and future directions: An iTRUE study. Turk J Urol. 2020 Nov;46(Supp. 1):S27-S39. doi: 10.5152/tud.2020.20117. Epub 2020 May 27. PMID: 32479253; PMCID: PMC7731952.
12. Zhang Y, Dong Y, Mei Z, Hou Y, Wei M, Yeung YH, Xu J, Hua Q, Lai L, Li N, Xia S, Zhou C, Zhou J. Performance of large language models on benign prostatic hyperplasia frequently asked questions. Prostate. 2024 Jun;84(9):807-813. doi: 10.1002/pros.24699. Epub 2024 Apr 1. PMID: 38558009.
13. Pham K, Ray AW, Fernstrum AJ, Alfahmy A, Ray S, Hijaz AK, Ju M, Sheyn D. Development of a machine learning-based predictive model for prediction of success or failure of medical management for benign prostatic hyperplasia. Neurourol Urodyn. 2023 Apr;42(4):707-717. doi: 10.1002/nau.25162. Epub 2023 Feb 24. PMID: 36826466.
14. Torshizi AD, Zarandi MH, Torshizi GD, Eghbali K. A hybrid fuzzy-ontology based intelligent system to determine level of severity and treatment recommendation for Benign Prostatic Hyperplasia. Comput Methods Programs Biomed. 2014;113(1):301-13. doi: 10.1016/j.cmpb.2013.09.021. Epub 2013 Oct 10. PMID: 24184111.
15. Lama J, Winograd J, Codelia-Anjum A, Bhojani N, Elterman D, Zorn KC, Chughtai B. AI for BPH Surgical Decision-Making: Cost Effectiveness and Outcomes. Curr Urol Rep. 2024 Sep 23;26(1):4. doi: 10.1007/s11934-024-01240-6. PMID: 39312102.
16. Cornu JN, Ahyai S, Bachmann A, de la Rosette J, Gilling P, Gratzke C, McVary K, Novara G, Woo H, Madersbacher S. A Systematic Review and Meta-analysis of Functional Outcomes and Complications Following Transurethral Procedures for Lower Urinary Tract Symptoms Resulting from Benign Prostatic Obstruction: An 14/15 Update. Eur Urol. 2015 Jun;67(6):1066-1096. doi: 10.1016/j.eururo.2014.06.017. Epub 2014 Jun 25. PMID: 24972732.
17. Ahyai SA, Gilling P, Kaplan SA, Kuntz RM, Madersbacher S, Montorsi F, Speakman MJ, Stief CG. Meta-analysis of functional outcomes and complications following transurethral procedures for lower urinary tract symptoms resulting from benign prostatic enlargement. Eur Urol. 2010 Sep;58(3):384-97. doi: 10.1016/j.eururo.2010.06.005. Epub 2010 Jun 11. PMID: 20825758.
18. Naspro R, Gomez Sancha F, Manica M, Meneghini A, Ahyai S, Aho T, Fiori C, Vavassori I, DA Pozzo LF, Pansadoro V, Montorsi F, Herrmann TR. From «gold standard» resection to reproducible «future standard» endoscopic enucleation of the prostate: what we know about anatomical enucleation. Minerva Urol Nefrol. 2017 Oct;69(5):446-458. doi: 10.23736/S0393-2249.17.02834-X. Epub 2017 Feb 1. PMID: 28150483.
19. EAU Guidelines. Edn. presented at the EAU Annual Congress Paris April 2024. ISBN 978-94-92671-23-3.
20. Leonardo C, Lombardo R, Cindolo L, Antonelli A, Greco F, Porreca A, Veneziano D, Pastore A, Dalpiaz O, Ceruti C, Verze P, Borghesi M, Schiavina R, Falabella R, Minervini A; AGILE Group. What is the standard surgical approach to large volume BPE? Systematic review of existing randomized clinical trials. Minerva Urol Nefrol. 2020;72(1):22-29. doi: 10.23736/S0393-2249.19.03589-6. Epub 2019 Oct 10. PMID: 31619035.
21. Kampantais S, Dimopoulos P, Tasleem A, Acher P, Gordon K, Young A. Assessing the Learning Curve of Holmium Laser Enucleation of Prostate (HoLEP). A Systematic Review. Urology. 2018 Oct;120:9-22. doi: 10.1016/j.urology.2018.06.012. Epub 2018 Jul 4. PMID: 30403609.
22. Robert G, Cornu JN, Fourmarier M, Saussine C, Descazeaud A, Azzouzi AR, Vicaut E, Lukacs B. Multicentre prospective evaluation of the learning curve of holmium laser enucleation of the prostate (HoLEP). BJU Int. 2016 Mar;117(3):495- 9. doi: 10.1111/bju.13124. Epub 2015 Aug 22. PMID: 25781490.
23. Russo S, Dario P, Menciassi A. A novel robotic platform for laser-assisted transurethral surgery of the prostate. IEEE Trans Biomed Eng. 2015 Feb;62(2):489-500. doi: 10.1109/TBME.2014.2358711. Epub 2014 Sep 17. PMID: 25248176.
24. Bhatia A, Titus R, Porto JG, Goradia R, Shah K, Lopategui D, Herrmann TRW, Shah HN. Comparing outcomes of Aquablation versus holmium laser enucleation of prostate in the treatment of benign prostatic hyperplasia: A network meta-analysis. BJUI Compass. 2024 Oct 30;5(12):1231-1245. doi: 10.1002/bco2.454. PMID: 39744077; PMCID: PMC11685169.
25. Fiori C, Checcucci E, Gilling P, Amparore D, Volpi G, De Cillis S, Aimar R, Sica M, Cattaneo G, Alleva G, Manfredi M, Porpiglia F; ESUT Lower Tract Group. All you need to know about «Aquablation» procedure for treatment of benign prostatic obstruction. Minerva Urol Nefrol. 2020 Apr;72(2):152-161. doi: 10.23736/S0393-2249.20.03654-1. Epub 2020 Feb 19. PMID: 32083415.