IA diagnostica fracturas de muñeca tan bien como radiólogos

En el campo de las imágenes médicas, la radiografía convencional es el método principal para diagnosticar las fracturas de muñeca. Sin embargo, desafíos como el posicionamiento, la técnica, la cooperación del paciente y los errores de interpretación subóptimos, que a menudo surgen de la inexperiencia del médico, la fatiga o las malas condiciones de visualización, pueden afectar la precisión de estas radiografías. Los errores de interpretación más frecuentes en los departamentos de emergencia (DE) son las fracturas omitidas, lo que provoca retrasos en el tratamiento. Los médicos, en particular aquellos con formación limitada en imágenes musculoesqueléticas, a menudo tienen dificultades para identificar las fracturas de muñeca, especialmente cuando los signos son sutiles. El avance del aprendizaje profundo (DL) en la automatización del diagnóstico de fracturas de muñeca podría ayudar significativamente a los médicos, y los desarrollos recientes han visto mejoras sustanciales en las tasas de error de clasificación de imágenes de los modelos de DL. Ahora, un nuevo metanálisis revela que los algoritmos de inteligencia artificial (IA), especialmente las redes neuronales convolucionales (CNN), son muy eficaces para detectar fracturas de muñeca a partir de rayos X simples y tienen un desempeño a la par de profesionales sanitarios capacitados.

El estudio realizado por investigadores del Hospital Universitario del Sur de Dinamarca (Odense, Dinamarca) implicó analizar varias bases de datos médicas desde enero de 2012 hasta marzo de 2023. El equipo identificó seis estudios que aplicaron IA de aprendizaje profundo para diagnosticar fracturas radiales y cubitales mediante radiografías. Los estudios incluyeron colectivamente 33.026 imágenes de rayos X. Cada estudio empleó modelos de CNN entrenados en un conjunto de datos de imágenes y comparó su precisión diagnóstica con la de expertos sanitarios especializados en diagnóstico de fracturas. El enfoque en las fracturas de muñeca en este metanálisis se debió a su alta tasa de diagnóstico erróneo en los DE, donde su detección mediante rayos X puede ser compleja.

Una revisión exhaustiva de estos estudios indicó que las CNN, comparadas con el consenso de expertos sanitarios, lograron una tasa de sensibilidad del 92 % y una tasa de especificidad del 93 %. Este hallazgo posiciona a las CNN como una herramienta preliminar eficaz para revisar radiografías, lo que potencialmente reduce las fracturas pasadas por alto cuando se realiza un seguimiento mediante un examen de un profesional de la salud. Sin embargo, el estudio reconoce la necesidad de realizar más investigaciones y enfatiza la importancia de las pruebas de conjuntos de datos externos, metodologías uniformes y estándares de referencia de expertos independientes para determinar completamente la efectividad de los algoritmos de diagnóstico de IA. Los estudios futuros también deberían centrarse en los resultados de los pacientes como punto de referencia para comprender el impacto de las CNN en el mundo real en entornos clínicos.

“Para los médicos, la IA podría utilizarse potencialmente para mejorar la confianza en el diagnóstico, especialmente en los campos de la radiología. Los algoritmos de IA pueden resultar especialmente útiles para los médicos menos experimentados”, concluyeron los investigadores.

Enlaces relacionados:
Hospital Universitario del Sur de Dinamarca  

Visitar la expo >

Multi-Use Ultrasound Table

Clinton

Radiology Software

DxWorks

X-ray Diagnostic System

FDX Visionary-A

Ultra-Flat DR Detector

meX+1717SCC