Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

MedImaging

Deascargar La Aplicación Móvil
Noticias Recientes Radiografía RM Ultrasonido Medicina Nuclear Imaginología General TI en Imaginología Industria

Herramienta de IA predice con precisión los resultados de la extracción de coágulos arteriales

Por el equipo editorial de MedImaging en español
Actualizado el 16 Sep 2024

En los protocolos actuales de tratamiento de los accidentes cerebrovasculares, las técnicas de diagnóstico por imagen avanzadas, en particular la angiografía por tomografía computarizada (ATC), desempeñan un papel crucial en la determinación de la estrategia de manejo para la oclusión de grandes vasos (OVG). La ATC es fundamental no solo para evaluar la elegibilidad del paciente para el tratamiento, sino también para analizar el suministro colateral arterial y predecir el pronóstico de los resultados funcionales del accidente cerebrovascular. Se sabe que es más sensible que la tomografía computarizada (TC) sin contraste para identificar los primeros signos de infarto. Además, investigaciones recientes han demostrado la utilidad de la ATC en el pronóstico a largo plazo. La llegada de la inteligencia artificial (IA) ha introducido modelos innovadores capaces de predecir los resultados a largo plazo basándose en las imágenes iniciales del accidente cerebrovascular. Estos modelos extraen datos pronósticos directamente de las ATC realizadas al momento de la admisión, proporcionando previsiones de los resultados de los pacientes. Ahora, un nuevo modelo de aprendizaje profundo puede predecir con precisión los resultados posquirúrgicos de los pacientes con accidente cerebrovascular por OVG a partir de exploraciones de ATC iniciales.

Un equipo de investigación dirigido por la Escuela de Medicina de Yale (New Haven, Connecticut, EUA) uutilizó datos de pacientes sometidos a trombectomías entre 2014 y 2020 para entrenar tres modelos distintos utilizando ATC de admisión. Estos modelos también consideraron variables como el tiempo hasta la cirugía, la edad, el sexo y las puntuaciones de la escala de accidentes cerebrovasculares del NIH. Esta investigación culminó en un modelo de aprendizaje profundo completamente automatizado que puede determinar con precisión los resultados del accidente cerebrovascular a partir de imágenes de admisión y varios escenarios de tratamiento, logrando una tasa de precisión del 78% en validaciones independientes. Según los investigadores, esta herramienta facilita la toma de decisiones rápida y precisa al establecer un "disparador de tratamiento" que podría iniciar la secuencia de tratamiento después de la cirugía. Los hallazgos de este estudio se publicaron en la revista Frontiers in Artificial Intelligence .


Imagen: La herramienta AI predice los resultados del accidente cerebrovascular después de la eliminación del coágulo arterial con una precisión del 78% (foto cortesía de Adobe Stock)
Imagen: La herramienta AI predice los resultados del accidente cerebrovascular después de la eliminación del coágulo arterial con una precisión del 78% (foto cortesía de Adobe Stock)

"El modelo de aprendizaje profundo desarrollado por nuestro equipo de investigación es el primer paso hacia la mecanización inteligente del protocolo de neuroimagenología del ictus", dijo el Dr. Sam Payabvash, profesor asociado de radiología e imágenes biomédicas y autor principal del estudio. "Cabe destacar que el modelo puede basarse únicamente en las angiografías por TC del cerebro, que invariablemente están presentes en el momento del diagnóstico del ictus. Por lo tanto, nuestro modelo basado en información de imágenes puede proporcionar predicciones rápidas y objetivas independientemente de la experiencia local y otras variabilidades, lo que orienta el tratamiento en comunidades con recursos limitados".

Enlaces relacionados:
Escuela de Medicina Yale


New
Miembro Oro
X-Ray QA Meter
T3 AD Pro
New
Ultrasound System
Aplio go
1.5T Superconducting MRI System
uMR 680
New
Opaque X-Ray Mobile Lead Barrier
2594M

Últimas Imaginología General noticias

Algoritmo de IA reduce la exposición innecesaria a la radiación en las TC neurorradiológicas traumáticas

Nueva solución mejora el control de calidad y diagnóstico basados en IA en imágenes médicas

Herramienta de IA detecta fracturas de la columna cervical a partir de tomografías computarizadas