{"id":37401,"date":"2023-03-16T09:42:08","date_gmt":"2023-03-16T15:42:08","guid":{"rendered":"https:\/\/saluddigital.com\/?p=37401"},"modified":"2025-10-19T23:33:10","modified_gmt":"2025-10-20T05:33:10","slug":"ia-seria-capaz-de-interpretar-radiografias-de-torax","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/ia-seria-capaz-de-interpretar-radiografias-de-torax\/","title":{"rendered":"IA ser\u00eda capaz de interpretar radiograf\u00edas de t\u00f3rax"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

La interpretaci\u00f3n automatizada de radiograf\u00edas de t\u00f3rax a trav\u00e9s de Inteligencia Artificial (IA) podr\u00eda aliviar la carga de trabajo de los radi\u00f3logos.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Las radiograf\u00edas de t\u00f3rax son una de las pruebas de diagn\u00f3stico por imagen m\u00e1s comunes y son utilizadas de manera rutinaria para detectar diversas enfermedades. Sin embargo, durante los \u00faltimos a\u00f1os 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 radiograf\u00eda de t\u00f3rax normal y una anormal.<\/p>

Un estudio recientemente publicado en Radiology explora c\u00f3mo la interpretaci\u00f3n automatizada de radiograf\u00edas de t\u00f3rax podr\u00eda aligerar la carga de trabajo a los radi\u00f3logos, sin embargo, todav\u00eda no se ha establecido el rendimiento de una herramienta de IA para realizar este tipo de comparaci\u00f3n con informes radiol\u00f3gicos cl\u00ednicos.<\/p>

En este sentido los autores del estudio \u201cInforme aut\u00f3nomo de radiograf\u00edas de t\u00f3rax mediante IA: estimaci\u00f3n del impacto cl\u00ednico\u201d, realizaron una evaluaci\u00f3n externa de una herramienta de IA disponible comercialmente para el n\u00famero de radiograf\u00edas notificadas de forma aut\u00f3noma; la sensibilidad para la detecci\u00f3n por IA de radiograf\u00edas anormales; y el rendimiento de IA comparado con el de los informes radiol\u00f3gicos cl\u00ednicos.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Este estudio retrospectivo multic\u00e9ntrico tom\u00f3 en cuenta datos de 1,529 pacientes, la edad media fue de 69 a\u00f1os, de estas radiograf\u00edas 1,110 fueron clasificadas por est\u00e1ndares de referencia como radiograf\u00edas anormales y 617 como radiograf\u00edas anormales cr\u00edticas y 429 como radiograf\u00edas normales.<\/p>

De esta manera, tres radi\u00f3logos tor\u00e1cicos etiquetaron las radiograf\u00edas de t\u00f3rax en un est\u00e1ndar de referencia basado en los hallazgos de las radiograf\u00edas de t\u00f3rax en las siguientes categor\u00edas: cr\u00edticas, otras notables, no notables o normales. Por otro lado, el modelo de IA clasific\u00f3 las radiograf\u00edas de t\u00f3rax como normal de alta confianza (normal) o normal no de alta confianza (anormal).<\/p>

La sensibilidad de la IA fue de 99.1% para radiograf\u00edas anormales u de 99.8% para radiograf\u00edas cr\u00edticas, superando el 73.3% y 93.5%\u00a0 respectivamente, logrado por los radi\u00f3logos.<\/p>

Conoce los hallazgos de este estudio en el siguiente enlace:<\/p>

https:\/\/pubs.rsna.org\/doi\/10.1148\/radiol.222268<\/a><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

RADIOLOGY <\/strong><\/p>

https:\/\/pubs.rsna.org\/doi\/10.1148\/radiol.222268<\/a><\/p>

HEALTH IT ANALYTICS <\/strong><\/p>

https:\/\/healthitanalytics.com\/news\/ai-could-safely-automate-some-x-ray-interpretation<\/a><\/p>

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.<\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

La interpretaci\u00f3n automatizada de radiograf\u00edas de t\u00f3rax a trav\u00e9s de Inteligencia Artificial (IA) podr\u00eda aliviar la carga de trabajo de los radi\u00f3logos. Las radiograf\u00edas de t\u00f3rax son una de las pruebas de diagn\u00f3stico por imagen m\u00e1s comunes y son utilizadas de manera rutinaria para detectar diversas enfermedades. Sin embargo, durante los \u00faltimos a\u00f1os 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 radiograf\u00eda de t\u00f3rax normal y una anormal. Un estudio recientemente publicado en Radiology explora c\u00f3mo la interpretaci\u00f3n automatizada de radiograf\u00edas de t\u00f3rax podr\u00eda aligerar la carga de trabajo a los radi\u00f3logos, sin embargo, todav\u00eda no se ha establecido el rendimiento de una herramienta de IA para realizar este tipo de comparaci\u00f3n con informes radiol\u00f3gicos cl\u00ednicos. En este sentido los autores del estudio \u201cInforme aut\u00f3nomo de radiograf\u00edas de t\u00f3rax mediante IA: estimaci\u00f3n del impacto cl\u00ednico\u201d, realizaron una evaluaci\u00f3n externa de una herramienta de IA disponible comercialmente para el n\u00famero de radiograf\u00edas notificadas de forma aut\u00f3noma; la sensibilidad para la detecci\u00f3n por IA de radiograf\u00edas anormales; y el rendimiento de IA comparado con el de los informes radiol\u00f3gicos cl\u00ednicos. Este estudio retrospectivo multic\u00e9ntrico tom\u00f3 en cuenta datos de 1,529 pacientes, la edad media fue de 69 a\u00f1os, de estas radiograf\u00edas 1,110 fueron clasificadas por est\u00e1ndares de referencia como radiograf\u00edas anormales y 617 como radiograf\u00edas anormales cr\u00edticas y 429 como radiograf\u00edas normales. De esta manera, tres radi\u00f3logos tor\u00e1cicos etiquetaron las radiograf\u00edas de t\u00f3rax en un est\u00e1ndar de referencia basado en los hallazgos de las radiograf\u00edas de t\u00f3rax en las siguientes categor\u00edas: cr\u00edticas, otras notables, no notables o normales. Por otro lado, el modelo de IA clasific\u00f3 las radiograf\u00edas de t\u00f3rax como normal de alta confianza (normal) o normal no de alta confianza (anormal). La sensibilidad de la IA fue de 99.1% para radiograf\u00edas anormales u de 99.8% para radiograf\u00edas cr\u00edticas, superando el 73.3% y 93.5%  respectivamente, logrado por los radi\u00f3logos. Conoce los hallazgos de este estudio en el siguiente enlace: https:\/\/pubs.rsna.org\/doi\/10.1148\/radiol.222268 BIBLIOGRAF\u00cdA 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 por la gloria de mi madre esse jarl aliqua llevame al sircoo. De la pradera ullamco qu\u00e9 dise usteer est\u00e1 la cosa muy malar.<\/p>","protected":false},"author":1,"featured_media":37403,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-37401","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/37401","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=37401"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/37401\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/37403"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=37401"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=37401"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=37401"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}