IA mejora la detección de fracturas en TC de trauma de cuerpo entero

El servicio de emergencia es un entorno con un riesgo potencial de errores de diagnóstico durante la atención traumatológica, en particular de fracturas. En la atención primaria de pacientes con múltiples traumatismos, se recomienda la tomografía computarizada de cuerpo completo como estándar de atención. Está bien establecido que la tomografía computarizada es superior a las radiografías simples en la evaluación de fracturas. No obstante, los diagnósticos pasados por alto son comunes. Los métodos de aprendizaje profundo de la red neuronal convolucional (CNN) ahora se usan ampliamente en medicina porque mejoran la precisión del diagnóstico, disminuyen las interpretaciones erróneas y mejoran la eficiencia. Ahora, un nuevo estudio descubrió que con la asistencia del modelo CNN, los cirujanos mostraron una sensibilidad mejorada para detectar fracturas y se redujo el tiempo de lectura e interpretación de las TC, especialmente para los cirujanos ortopédicos con menos experiencia. Los hallazgos sugieren que la aplicación del modelo CNN puede conducir a reducciones en las fracturas pasadas por alto de las imágenes de TC de cuerpo completo y a flujos de trabajo más rápidos y una mejor atención al paciente a través de un diagnóstico eficiente en pacientes con politraumatismos.

En el estudio, los investigadores de la Universidad de Chiba (Chiba, Japón) investigaron si la localización y clasificación automáticas mediante CNN podrían aplicarse a las fracturas de pelvis, costillas y columna vertebral. También examinaron si este algoritmo de detección de fracturas podría ayudar a los médicos en el diagnóstico de fracturas. Se utilizaron un total de 7.664 cortes axiales de TC de cuerpo entero (tórax, abdomen, pelvis) de 200 pacientes. De esto, 5.217 imágenes de 181 pacientes se usaron para entrenamiento y validación, mientras que 2.447 imágenes de 19 pacientes se reservaron para un conjunto de datos de prueba. El conjunto de datos de prueba incluyó un 5,8 % con fracturas de pelvis, un 5,5 % con fracturas de columna y un 3,6 % con fracturas de costillas.

Los investigadores descubrieron que, por sí solo, el algoritmo producía una sensibilidad del 78,6 %, una precisión del 64,8 % y una puntuación F1 de 0,711. Luego, los investigadores evaluaron el desempeño de tres cirujanos ortopédicos en el conjunto de prueba con y sin la ayuda de la IA. Dos cirujanos ortopédicos tenían tres años de experiencia, mientras que el tercer cirujano ortopédico tenía ocho años de experiencia. Los investigadores encontraron que la IA redujo drásticamente el tiempo de diagnóstico de 278,4 segundos a 162,3 segundos para un cirujano, de 205,2 segundos a 144,5 segundos para el segundo cirujano y de 233,7 segundos a 155,5 segundos para el tercer cirujano. Todas las diferencias fueron estadísticamente significativas (p < 0,0001). Con base en los hallazgos, los investigadores concluyeron que la CNN podría servir como un sistema de clasificación en un departamento de emergencias ocupado y que el uso de IA también puede conducir a tiempos de lectura más cortos.

"Aunque cada examen toma solo unos minutos, una reducción en el tiempo de lectura tiene un impacto significativo para el personal de emergencia que toma múltiples decisiones clínicas cada día", escribieron los autores. "Los médicos de urgencias y los radiólogos en turnos largos pueden experimentar fatiga y tensión oculomotora, lo que reduce la capacidad de enfocar y detectar fracturas. El reconocimiento de fracturas mediante CNN no solo es capaz de detectar hallazgos sutiles que son difíciles de diagnosticar para los médicos sin experiencia, sino que también previene errores cognitivos debido a la fatiga humana y la interpretación sesgada de la imagen".

Enlaces relacionados:
Universidad de Chiba  

Visitar la expo >

X-ray Diagnostic System

FDX Visionary-A

New

Specimen Radiography System

Trident HD

New

HF Stationary X-Ray Machine

TR20G

Portable Color Doppler Ultrasound System

S5000