Sistema de IA aumenta detección de hemorragia intracraneal por parte de radiólogos en TC
Actualizado el 21 Oct 2022
La hemorragia intracraneal (HIC) es una de las muchas afecciones que se pueden diagnosticar fácilmente a partir de una tomografía computarizada (TC) de la cabeza y tiene un mal pronóstico con solo el 20 % de los sobrevivientes que se recuperan por completo seis meses después de la incidencia. Su breve tiempo de adquisición, su amplia disponibilidad y la carga de radiación cada vez menor han convertido a la TC de cabeza en un elemento básico de la atención en todo el mundo, particularmente en el entorno de emergencia. Sin embargo, la cantidad de exámenes de TC adquiridos que requieren la interpretación de un radiólogo está creciendo a un ritmo que supera el crecimiento de la población de radiólogos, lo que genera preocupaciones en torno a la presencia de errores en los diagnósticos basados en imágenes, particularmente para patologías en las que los diagnósticos erróneos pueden provocar retrasos en el tratamiento sensible al tiempo. Un diagnóstico erróneo siempre es dañino, pero principalmente para patologías agudas donde el tiempo juega un papel crítico en los resultados del paciente.
Las tecnologías de inteligencia artificial (IA), específicamente los algoritmos de visión por computadora (CV), han continuado expandiendo sus aplicaciones a la interpretación de diversas modalidades de imágenes médicas, dada su capacidad para interpretar rápidamente estos escaneos en coordinación con su sólido rendimiento demostrado. A pesar de la evidencia que sugiere que un esfuerzo concertado por parte de la IA y los médicos puede producir una mayor precisión diagnóstica que cualquiera de las partes por sí sola, particularmente para los médicos sin experiencia, el papel de una herramienta de IA como complemento de los radiólogos para reducir el error de diagnóstico humano con respecto a la HIC aún no se ha adoptado ampliamente. Además, aunque se han construido algoritmos para evaluar la presencia de HIC en los escaneos, estos tratan la HIC como una patología homogénea, cuando en realidad se observan varios subtipos de HIC y, a menudo, se manejan de diferentes maneras. Un nuevo estudio para evaluar la utilidad de un novedoso algoritmo de aprendizaje profundo diseñado para ayudar al desempeño del diagnóstico del radiólogo mediante la identificación de la presencia de HIC y sus respectivos subtipos en una tomografía computarizada de la cabeza sin contraste (NCCT) descubrió que la herramienta tiene potencial para mejorar los resultados de los pacientes y reducir los diagnósticos erróneos.
En el estudio retrospectivo, de múltiples lectores y de múltiples casos, los investigadores del Centro de Ciencias de la Salud de la Universidad Tecnológica de Texas (Lubbock, TX, EUA) evaluaron la precisión diagnóstica de tres radiólogos certificados por la junta con y sin la ayuda del sistema de aprendizaje profundo Caire ICH de Caire Health Inc. (Tallahassee, FL, EUA). Para el estudio, los investigadores obtuvieron específicamente 100 NCCT negativos para HIC y 100 estudios individuales para cada subtipo de HIC: epidural (EDH), subdural (SDH), subaracnoidea (SAH), intraparenquimatosa (IPH) y hemorragia intraventricular (IVH). Cada radiólogo interpretó cada caso de imagen de forma independiente. Después de un período de eliminación de 48 horas, los radiólogos interpretaron los mismos casos con el apoyo del sistema de aprendizaje profundo. El software Caire ICH es una herramienta de aprendizaje profundo con una única red neuronal convolucional y un largo mecanismo de memoria a corto plazo que proporciona información sobre la presencia o ausencia de una hemorragia intracraneal, los subtipos de hemorragia detectados, la gama completa de cortes donde existe la hemorragia, y los cuatro cortes en los que se puede ver mejor la hemorragia.
Los investigadores encontraron que el sistema mejoró la concordancia entre lectores en un promedio de 5,76 % en un conjunto de datos con una prevalencia de HIC del 74,3 %. La precisión, la sensibilidad y la especificidad aumentaron un 6,15, un 4,6 y un 10,62 %, respectivamente. En comparación con las interpretaciones completadas sin el uso del sistema, los radiólogos detectaron un promedio de 18 HIC adicionales, mientras que también mejoraron su identificación de diferentes subtipos de HIC cuando se utilizó la herramienta.
“Este trabajo se suma a la evidencia de que las estrategias de aprendizaje profundo pueden aumentar el rendimiento de los radiólogos capacitados en el diagnóstico de hallazgos críticos en las exploraciones NCCT de la cabeza”, escribieron los autores. "Como hemos demostrado, esta estrategia puede integrarse perfectamente en el flujo de trabajo clínico de los radiólogos y acelerar potencialmente el diagnóstico y el tratamiento de pacientes con HIC en áreas ricas en recursos o con recursos limitados".
Enlaces relacionados:
Centro de Ciencias de la Salud de la Universidad Tecnológica de Texas
Caire Health
