{{{sourceTextContent.title}}}

¿AI ahorra tiempo de los radiólogos triaging radiografías del pecho, pero es clínico posible?

{{{sourceTextContent.subTitle}}}

Se hay un montón de bombo alrededor del potencial de la inteligencia artificial (AI) de facilitar cargas de trabajo de la radiología. Y un nuevo acercamiento circumvolucional de la red neuronal detalló en un estudio de la radiología del 22 de enero redujo grandemente el divulgar de la reserva exactamente triaging radiografías del pecho en tiempo real.

{{{sourceTextContent.description}}}

“Los resultados iniciales divulgados aquí son emocionantes pues demuestran que un sistema del AI se puede entrenar con éxito usando una base de datos muy grande de datos radiológicos rutinario adquiridos,” dijeron al co-autor Giovanni Montana, doctorado, de la universidad de Warwick en Coventry, Inglaterra, en una declaración preparada. “Con la validación clínica adicional, se espera que esta tecnología reduzca la carga de trabajo de un radiólogo por un periodo significativo detectando todos los exámenes normales así que más tiempo se puede pasar en ésos que requieren más atención.”

El equipo utilizó más de 470.000 radiografías del pecho adultas de-identificadas para desarrollar su plataforma del AI. Un algoritmo del proceso de lenguaje natural (NLP) analizaba los informes de la radiología para marcar la imagen como cualquier crítico, no-urgente o el “jalón crítico normal-uno” en el estudio, Montana observó.

Después de probar el sistema en un sistema independiente de 15.887 imágenes, divulgaron las radiografías del pecho normales detectadas plataforma con una sensibilidad del 71 por ciento, especificidad del 95 por ciento, del valor profético positivo del 73 por ciento y del valor profético negativo del 99 por ciento.

Después de simulaciones, Montana y los colegas divulgaron que los hallazgos críticos recibieron una opinión del radiólogo en 2,7 días, por término medio, mucho de más rápido que la media de 11,2 días para una práctica del mundo real. Para los hallazgos urgentes, la información media fue reducida a 4,1 días, abajo a partir de 7,6 días.

Había varias limitaciones citadas por los autores del estudio. En un editorial relacionado, William F. Auffermann, Doctor en Medicina, doctorado, con la universidad de la salud de Utah en Salt Lake City, tomó el problema con el uso del equipo de datos de un solo sistema de la salud. Auffermann sostuvo que un algoritmo entrenado con datos a partir de una institución puede no traducir bien en otros centros.

Un estudio publicó el 6 de noviembre de 2018 en la medicina de PLOS probada esta noción, y encontró algoritmos entrenados para detectar pulmonía en las radiografías del pecho realizadas mal cuando estaba probado en datos de otro sistema de la salud.

Auffermann observó el sistema descrito en el estudio podría tener un impacto “sustancial” en tiempos de cambio de disminución si estuvo utilizado en un ajuste clínico, pero acentuó más prueba es necesario antes de que eso se convierta en una realidad.

“Uno puede imaginarse un sistema futuro de la clasificación del AI donde detienen al paciente brevemente en el departamento de la radiología mientras que un algoritmo del AI realiza una clasificación inicial rápida para los hallazgos críticos antes de que el paciente deje el departamento,” Auffermann concluyó. “La manera exacta de la cual tal sistema puede ser ejecutado requerirá estudio adicional antes de que esté listo para ayudar a cuidado el hospitalizado.”