Herramienta de IA predice con precisión los resultados de la extracción de coágulos arteriales

En los protocolos actuales de tratamiento de los accidentes cerebrovasculares, las técnicas de diagnóstico por imagen avanzadas, en particular la angiografía por tomografía computarizada (ATC), desempeñan un papel crucial en la determinación de la estrategia de manejo para la oclusión de grandes vasos (OVG). La ATC es fundamental no solo para evaluar la elegibilidad del paciente para el tratamiento, sino también para analizar el suministro colateral arterial y predecir el pronóstico de los resultados funcionales del accidente cerebrovascular. Se sabe que es más sensible que la tomografía computarizada (TC) sin contraste para identificar los primeros signos de infarto. Además, investigaciones recientes han demostrado la utilidad de la ATC en el pronóstico a largo plazo. La llegada de la inteligencia artificial (IA) ha introducido modelos innovadores capaces de predecir los resultados a largo plazo basándose en las imágenes iniciales del accidente cerebrovascular. Estos modelos extraen datos pronósticos directamente de las ATC realizadas al momento de la admisión, proporcionando previsiones de los resultados de los pacientes. Ahora, un nuevo modelo de aprendizaje profundo puede predecir con precisión los resultados posquirúrgicos de los pacientes con accidente cerebrovascular por OVG a partir de exploraciones de ATC iniciales.

Un equipo de investigación dirigido por la Escuela de Medicina de Yale (New Haven, Connecticut, EUA) uutilizó datos de pacientes sometidos a trombectomías entre 2014 y 2020 para entrenar tres modelos distintos utilizando ATC de admisión. Estos modelos también consideraron variables como el tiempo hasta la cirugía, la edad, el sexo y las puntuaciones de la escala de accidentes cerebrovasculares del NIH. Esta investigación culminó en un modelo de aprendizaje profundo completamente automatizado que puede determinar con precisión los resultados del accidente cerebrovascular a partir de imágenes de admisión y varios escenarios de tratamiento, logrando una tasa de precisión del 78% en validaciones independientes. Según los investigadores, esta herramienta facilita la toma de decisiones rápida y precisa al establecer un "disparador de tratamiento" que podría iniciar la secuencia de tratamiento después de la cirugía. Los hallazgos de este estudio se publicaron en la revista Frontiers in Artificial Intelligence .

"El modelo de aprendizaje profundo desarrollado por nuestro equipo de investigación es el primer paso hacia la mecanización inteligente del protocolo de neuroimagenología del ictus", dijo el Dr. Sam Payabvash, profesor asociado de radiología e imágenes biomédicas y autor principal del estudio. "Cabe destacar que el modelo puede basarse únicamente en las angiografías por TC del cerebro, que invariablemente están presentes en el momento del diagnóstico del ictus. Por lo tanto, nuestro modelo basado en información de imágenes puede proporcionar predicciones rápidas y objetivas independientemente de la experiencia local y otras variabilidades, lo que orienta el tratamiento en comunidades con recursos limitados".

Enlaces relacionados:
Escuela de Medicina Yale

Visitar la expo >

Digital Radiographic System

OMNERA 300M

Ultrasound-Guided Biopsy & Visualization Tools

Endoscopic Ultrasound (EUS) Guided Devices

Ultra-Flat DR Detector

meX+1717SCC

New

Ultrasound Needle Guidance System

SonoSite L25