La interpretación automatizada de radiografías de tórax a través de Inteligencia Artificial (IA) podría aliviar la carga de trabajo de los radiólogos.
Las radiografías de tórax son una de las pruebas de diagnóstico por imagen más comunes y son utilizadas de manera rutinaria para detectar diversas enfermedades. Sin embargo, durante los últimos años se ha combinado con el uso de modelos de IA basados en aprendizaje profundo, de hecho, varios estudios se han enfocado en desarrollar modelos para diferenciar entre una radiografía de tórax normal y una anormal.
Un estudio recientemente publicado en Radiology explora cómo la interpretación automatizada de radiografías de tórax podría aligerar la carga de trabajo a los radiólogos, sin embargo, todavía no se ha establecido el rendimiento de una herramienta de IA para realizar este tipo de comparación con informes radiológicos clínicos.
En este sentido los autores del estudio “Informe autónomo de radiografías de tórax mediante IA: estimación del impacto clínico”, realizaron una evaluación externa de una herramienta de IA disponible comercialmente para el número de radiografías notificadas de forma autónoma; la sensibilidad para la detección por IA de radiografías anormales; y el rendimiento de IA comparado con el de los informes radiológicos clínicos.
Este estudio retrospectivo multicéntrico tomó en cuenta datos de 1,529 pacientes, la edad media fue de 69 años, de estas radiografías 1,110 fueron clasificadas por estándares de referencia como radiografías anormales y 617 como radiografías anormales críticas y 429 como radiografías normales.
De esta manera, tres radiólogos torácicos etiquetaron las radiografías de tórax en un estándar de referencia basado en los hallazgos de las radiografías de tórax en las siguientes categorías: críticas, otras notables, no notables o normales. Por otro lado, el modelo de IA clasificó las radiografías de tórax como normal de alta confianza (normal) o normal no de alta confianza (anormal).
La sensibilidad de la IA fue de 99.1% para radiografías anormales u de 99.8% para radiografías críticas, superando el 73.3% y 93.5% respectivamente, logrado por los radiólogos.
Conoce los hallazgos de este estudio en el siguiente enlace:
RADIOLOGY
https://pubs.rsna.org/doi/10.1148/radiol.222268
HEALTH IT ANALYTICS
https://healthitanalytics.com/news/ai-could-safely-automate-some-x-ray-interpretation
Lorem fistrum for the glory of my mother esse jarl aliqua take me to the sircoo. From the ullamco prairie what do you say is the very bad thing.
