Interpretación de radiografía de tórax asistida por IA mejora rendimiento y eficiencia del lector

Ha habido un interés creciente, con el auge de las aplicaciones de aprendizaje profundo e inteligencia artificial (IA) en imágenes médicas, para crear algoritmos de IA para radiografías de tórax que puedan ayudar a los médicos a detectar con precisión y eficiencia hallazgos radiográficos clave. La investigación muestra que los algoritmos de IA pueden mejorar el rendimiento de los lectores cuando se usan de manera simultánea. Sin embargo, existen preocupaciones sobre cuál sería el impacto de la IA en el mundo real, dado que la mayoría de las investigaciones se realizaron en un entorno simulado sin una herramienta de rendimiento del observador que imita el flujo de trabajo del mundo real. También hay una falta de evidencia sobre el impacto de la IA en la eficiencia del lector, especialmente en términos del tiempo que tardan los lectores en completar sus informes. Ahora, un nuevo estudio que exploró el impacto de la IA en el rendimiento del lector, tanto en términos de precisión como de eficiencia, descubrió que un algoritmo de IA puede mejorar el rendimiento del lector y la eficiencia en la interpretación de anomalías en la radiografía de tórax.

Investigadores del Hospital General de Massachusetts (Boston, MA, EUA) realizaron un estudio de cohorte multicéntrico de abril a noviembre de 2021 que involucró a radiólogos, incluidos los radiólogos asistentes, becarios de radiología torácica y residentes, quienes participaron de forma independiente en dos sesiones de prueba de desempeño del observador. El estudio involucró un total de 497 radiografías frontales de tórax de pacientes adultos con y sin cuatro hallazgos objetivo (neumonía, nódulo, neumotórax y derrame pleural). Se utilizó un algoritmo de IA disponible comercialmente (Lunit INSIGHT CXR, versión 3.1.2.0) para procesar las imágenes de radiografía de tórax. Las sesiones incluyeron una sesión de lectura con IA y una sesión sin IA, de forma cruzada aleatoria con un período de lavado de cuatro semanas en el medio. La IA produjo un mapa de calor y la probabilidad a nivel de imagen de la presencia de la lesión referible.

Las verdades básicas de las etiquetas se crearon a través de la lectura consensuada de dos radiólogos torácicos. Cada lector documentó sus hallazgos en una plantilla de informe personalizada, en la que se registraron los cuatro hallazgos objetivo de la radiografía de tórax y la confianza del lector en la presencia de cada hallazgo. También se registró el tiempo necesario para informar cada radiografía de tórax. Se calcularon la sensibilidad, la especificidad y el área bajo la curva característica operativa del receptor (AUROC) para cada hallazgo objetivo. Los hallazgos objetivo se encontraron en 351 de 497 radiografías de tórax. La IA se asoció con una mayor sensibilidad para todos los hallazgos en comparación con los lectores. La interpretación asistida por IA se asoció con una sensibilidad del lector significativamente mejorada para todos los hallazgos objetivo, sin impactos negativos en la especificidad. En general, las AUROC de los lectores mejoraron para los cuatro hallazgos objetivo, con mejoras significativas en la detección de neumotórax y nódulos. El tiempo de información con IA fue un 10 % menor que sin IA.

En conclusión, el uso de un algoritmo de IA se asoció con una mejor sensibilidad para la detección de cuatro hallazgos de radiografía de tórax objetivo (neumonía, nódulos pulmonares, derrame pleural y neumotórax) para radiólogos, becarios de imágenes torácicas y residentes de radiología, manteniendo al mismo tiempo la especificidad Estos hallazgos sugieren que un algoritmo de IA puede mejorar el rendimiento y la eficiencia del lector en la interpretación de anomalías en la radiografía de tórax.

Enlaces relacionados:
Hospital General de Massachusetts