IA para imágenes puede aliviar las limitaciones del flujo de trabajo radiográfico de emergencia

Durante las últimas décadas, los departamentos de emergencia (DE) de todo el mundo han experimentado una mayor presión en el flujo de trabajo y un aumento correspondiente en la demanda de imágenes médicas las 24 horas del día, los 7 días de la semana. Sin embargo, la mayoría de los departamentos de radiología luchan por proporcionar recursos para una cobertura 24 horas al día, 7 días a la semana. Como resultado, los médicos de urgencias deben interpretar los exámenes radiográficos antes de que esté disponible un informe radiológico, lo que crea nuevos desafíos organizacionales para garantizar la precisión del diagnóstico y un tiempo de respuesta rápido. La inteligencia artificial (IA), específicamente la aplicación del aprendizaje profundo en imágenes radiológicas, se ha convertido en una solución potencial para mejorar el flujo de trabajo del departamento de emergencias. La mayoría de las soluciones comerciales de IA se centran en la clasificación y el diagnóstico de radiografías simples de tórax o musculoesqueléticas (ME). Varios estudios realizados en entornos de salas de urgencias han demostrado un mejor rendimiento del diagnóstico por parte de los médicos de urgencias y/o residentes de radiología para detectar fracturas esqueléticas apendiculares o anomalías torácicas. Sin embargo, el impacto de estas soluciones de IA en todo el flujo de trabajo de emergencia no está claro, ya que se concentran en hallazgos de imágenes individuales, partes del cuerpo o grupos de edad.

Por consiguiente, los investigadores del Hospital General de Valenciennes (Valenciennes, Francia) realizaron un estudio para evaluar la eficacia de una solución comercial basada en el aprendizaje profundo para la clasificación de los flujos de trabajo de emergencias pediátricas y de adultos, específicamente mediante la detección de hallazgos radiográficos ME y de tórax. Además, el estudio tuvo como objetivo determinar su impacto en las discrepancias entre los médicos de emergencia y los radiólogos. La muestra estuvo compuesta por 1.772 casos de pacientes a los que se les realizó radiografías de emergencia de cualquier parte del cuerpo, excepto columna, cráneo y abdomen. Entre ellos, 172 casos (9,7 % de la muestra) tenían discrepancias entre las lecturas iniciales de los médicos de urgencias y las lecturas finales del departamento de radiología. Un radiólogo senior especializado en estructuras ME revisó y adjudicó estos casos, con acceso a todos los registros clínicos relevantes.

El equipo utilizó software de IA disponible comercialmente para clasificar a los pacientes en función de los rayos X y evaluar su desempeño en el manejo de casos con lecturas discrepantes. Los resultados mostraron que el sistema de IA tenía un nivel de sensibilidad comparable al de los médicos de urgencias y logró una tasa de precisión del 90,1 % en los 172 casos que habían sido mal diagnosticados por los mismos lectores. Los investigadores notaron que el modelo de IA probado en este estudio funcionó de manera similar a los utilizados en investigaciones anteriores, pero su estudio puede haber sido el primero en combinar radiografías ME y de tórax. Esta combinación permitió cubrir un rango más amplio de casos en el flujo de trabajo radiográfico a pesar de excluir las imágenes de columna, cráneo y abdomen. Además, el rendimiento de la IA no varió significativamente entre la edad y los subgrupos de partes del cuerpo, lo cual es crucial para su uso generalizado en el entorno clínico.

Enlaces relacionados:
Hospital General de Valenciennes  

Visitar la expo >

New

Miembro Oro

X-Ray QA Meter

T3 AD Pro

New

Imaging Table

CFPM201

Radiology Software

DxWorks

New

Mammography Analytics Platform

Unifi Analytics Software