Sistema IA de rayos X de tórax ayuda a verificar colocación del tubo endotraqueal
Actualizado el 08 Jun 2023
Las radiografías de tórax (RxT) sirven como una herramienta vital en las unidades de cuidados intensivos (UCI) para monitorear pacientes en estado crítico que están en dispositivos de soporte vital. Los tubos endotraqueales (TET) se utilizan especialmente para asegurar la apertura de las vías respiratorias y facilitar la ventilación pulmonar. Después de la intubación, se toma una RxT para confirmar la colocación del tubo, que necesita ajuste en alrededor del 15 % de los pacientes. Las UCI de alta capacidad pueden producir cientos de RxT diariamente para verificar la colocación del tubo. Dado el gran volumen de casos y la necesidad urgente de intervención en caso de colocación incorrecta del TET, los médicos de la UCI a menudo revisan preliminarmente la RxT para rectificar instantáneamente un tubo fuera de lugar, en lugar de esperar las lecturas de radiología. Sin embargo, debido a la baja visibilidad de los tubos, la superposición de la anatomía y los dispositivos médicos y las preocupaciones sobre la calidad de la imagen, evaluar la colocación del tubo puede ser un desafío sin monitores de alta calidad y habilidades de interpretación de radiología refinadas.
En esta situación, un sistema de inteligencia artificial (IA) puede proporcionar un soporte de decisión dual: ayuda de detección de TET y alerta de verificación de posición. A pesar de la abundante literatura sobre IA en radiología, pocos sistemas se utilizan de forma rutinaria en la práctica clínica. Muchos sistemas tienen pruebas experimentales limitadas y rara vez se someten a evaluación en aplicaciones del mundo real. Anteriormente, investigadores de UCLA (Los Ángeles, CA, EUA) desarrollaron y probaron un sistema de IA que podría ayudar a verificar la colocación del TET y enviar alertas a los médicos si la punta está colocada incorrectamente. En un nuevo estudio, este sistema de IA se aplicó para verificar la colocación de TET en la práctica clínica y evaluar su desempeño en el mundo real a través de los comentarios de los usuarios para evaluar la posibilidad de un uso más amplio. La evaluación clínica demostró un rendimiento encomiable del sistema de IA de rayos X de tórax y los hallazgos coincidieron con las pruebas experimentales anteriores.
Durante un lapso de 17 meses en la práctica clínica, se obtuvieron 214 imágenes de RxT para verificar la colocación del TET con asistencia de IA por parte de médicos de la UCI. El sistema, basado en la plataforma de inteligencia artificial cognitiva SimpleMind e integrado en un flujo de trabajo clínico, reconoció automáticamente el TET y verificó su posición en relación con la tráquea y la carina. La superposición del TET generada por el sistema de IA y los mensajes de alerta de mala colocación se compararon con los informes de radiología como punto de referencia. También se realizó una encuesta para evaluar la utilidad del sistema de IA en la práctica clínica. Los mensajes de alerta que significan mala colocación o no detección del TET tuvieron un valor predictivo positivo del 42 % (21/50) y un valor predictivo negativo del 98 % (161/164) según los informes de radiología. En la encuesta, tanto los radiólogos como los médicos de la UCI confirmaron que estaban de acuerdo con los resultados de la IA y los encontraron beneficiosos.
Por lo tanto, los resultados de la encuesta de usuarios revelaron un amplio acuerdo con los resultados de la IA y la idoneidad de las alertas entre los radiólogos y los médicos de la UCI. Con respecto a la utilidad del sistema, las calificaciones de los usuarios sugirieron que, si bien la IA no ahorra tiempo, mejora su confianza y se alinea con sus expectativas de flujo de trabajo para la IA. Los investigadores concluyeron que el rendimiento del sistema de IA en el uso clínico real era comparable al observado en experimentos anteriores. Con base en esto y en los resultados de la encuesta de los médicos, el sistema se puede implementar aún más, utilizando la información de esta evaluación para refinar el algoritmo y mejorar la garantía de calidad del sistema de IA.
Enlaces relacionados:
UCLA
