de 20 minutos o más a 10 segundos
Investigadores de Intermountain Healthcare y la Universidad de Stanford dicen que 10 segundos se trata de la rapidez con que estudiaron un nuevo sistema que utiliza inteligencia artificial para identificar con precisión los hallazgos clave en las radiografías de tórax de pacientes en el departamento de emergencias sospechosos de tener neumonía.
El estudio encontró que esos hallazgos ultra rápidos pueden permitir a los médicos que leen radiografías confirmar con precisión un diagnóstico de neumonía significativamente más rápido que la práctica clínica actual, lo que permite que el tratamiento comience antes, lo cual es vital para los pacientes gravemente enfermos que padecen neumonía.
Los resultados del estudio colaborativo se presentarán en el Congreso Internacional de la Sociedad Respiratoria Europea 2019, celebrado en Madrid, España, el lunes 30 de septiembre de 2019.
Investigadores de Intermountain y Stanford estudiaron el sistema CheXpert, un modelo automatizado de interpretación de rayos X de tórax desarrollado en la Universidad de Stanford que utiliza inteligencia artificial, para revisar imágenes de rayos X tomadas en varios departamentos de emergencia en los hospitales de Intermountain en todo Utah.
Tras la revisión, los investigadores encontraron que el sistema CheXpert identificó los hallazgos clave en los rayos X de manera muy precisa, con un alto acuerdo con el consenso de tres radiólogos, en aproximadamente 10 segundos, lo que supera significativamente la práctica clínica actual.
"CheXpert será más rápido y preciso que los radiólogos que vean los estudios. Es una nueva y emocionante forma de pensar sobre el diagnóstico y el tratamiento de los pacientes para proporcionar la mejor atención posible", dijo Nathan C. Dean, MD, investigador principal deel estudio y el jefe de sección de medicina pulmonar y de cuidados críticos en el Intermountain Medical Center en Salt Lake City.
El modelo CheXpert fue desarrollado por el Stanford Machine Learning Group, que utilizó 188,000 estudios de imágenes de tórax para crear un modelo que puede determinar qué es y qué no es neumonía en una radiografía. Estas imágenes fueron tomadas del Centro Médico de Stanford en PaloAlto, California
Dado que las poblaciones de pacientes son diferentes según las ubicaciones geográficas, CheXpert se ajustó para Utah al leer 6,973 imágenes adicionales de los departamentos de emergencia de Intermountain.
"Hemos desarrollado un algoritmo de aprendizaje profundo que puede detectar automáticamente la neumonía y los hallazgos relacionados en las radiografías de tórax", dijo Jeremy Irvin, estudiante de doctorado en Stanford y miembro del equipo de investigación ". En este estudio inicial,hemos demostrado el potencial del algoritmo al validarlo en pacientes en los departamentos de emergencias de Intermountain Healthcare. Esperamos que el algoritmo pueda mejorar la calidad de la atención de la neumonía en Intermountain, desde mejorar la precisión del diagnóstico hasta reducir el tiempo de diagnóstico ".
En un departamento de emergencias típico, explicó el Dr. Dean, los pacientes sospechosos de tener neumonía se hacen una radiografía de tórax. Si bien la creación de esas imágenes es un proceso rápido, leerlas puede llevar mucho tiempo ya que esas radiografías entran en una líneacon otras imágenes para ser interpretadas por los radiólogos. Ese proceso puede llevar hasta 20 minutos o más, lo que significa posibles retrasos en el inicio de los antibióticos para pacientes con neumonía muy enfermos.
En los departamentos de emergencia de Intermountain, los informes de radiología se ejecutan a través del procesamiento de lenguaje natural Cerner PNL, que es una herramienta de apoyo que se utiliza actualmente para obtener la información necesaria del informe del radiólogo. Luego, PNL introduce la información en ePNa, un soporte electrónico de decisión clínicaherramienta parte de la atención habitual de neumonía en Intermountain.
Para la mayoría de los departamentos de emergencia donde ePNa no está disponible, el modelo CheXpert podría proporcionar la información de las radiografías de tórax directamente a los médicos, dijo el Dr. Dean.
"Usando el sistema CheXpert, encontramos que el tiempo de interpretación fue muy rápido y la precisión del informe fue muy alta", agregó.
Para el estudio, los radiólogos de Intermountain clasificaron las imágenes de tórax de 461 pacientes de Intermountain como "probable", "probable incierto", "improbable incierto" o "improbable" de tener neumonía. También identificaron imágenes que creían que mostraban neumonía enmúltiples partes de los pulmones, y si estos pacientes tuvieron derrame paraneumónico, que es la acumulación de líquido entre los pulmones y la cavidad torácica.
Los radiólogos diferían entre sí en sus categorizaciones en más de la mitad de los pacientes, como se ha demostrado comúnmente en estudios anteriores. El rendimiento del modelo CheXpert en las mismas imágenes fue comparable al de los radiólogos.
Los investigadores descubrieron que el modelo CheXpert superó el sistema actual de usar un radiólogo para crear informes de radiología para todos los hallazgos clave de neumonía, más PNL. También lo hizo en menos de 10 segundos, en comparación con los 20 minutos a horas de PNL. PNLde los informes de radiología fue la causa más frecuente de errores dentro de ePNa.
"Un estudio de 2013 publicado en JAMA Internal Medicine encontró que el 59 por ciento de los errores cometidos por ePNA se debieron al procesamiento de PNL de los informes del radiólogo, por lo que estamos ansiosos por reemplazarlo con un sistema mejor y más rápido", dijo el Dr. Dean.
Fuera de las preocupaciones de ePNa, los médicos del departamento de emergencias que miran los informes de radiología a menudo tienen el desafío de comprender el lenguaje no estructurado utilizado por los radiólogos para interpretar las sombras en las radiografías de tórax, agregó el Dr. Dead.
El siguiente paso, dijo, es que el modelo CheXpert se use en vivo en los departamentos de emergencias, que espera que suceda en ciertos hospitales de Intermountain Healthcare este otoño.
La Fundación de Investigación y Medicina de Intermountain financió esta investigación.
Fuente de la historia :
Materiales proporcionados por Centro médico Intermountain . Nota: El contenido puede ser editado por estilo y longitud.
Cita esta página :