Aprendizaje automático supera a expertos clínicos en clasificación de fracturas de cadera a partir de rayos X

Dos redes neuronales convolucionales (CNN) desarrolladas en la Universidad de Bath (Somerset, Reino Unido) pudieron identificar y clasificar fracturas de cadera a partir de rayos X con un grado de precisión y confianza un 19 % mayor que el de los médicos hospitalarios. El equipo de investigación se dedicó a crear el nuevo proceso para ayudar a los médicos a hacer que la atención de la fractura de cadera sea más eficiente y respaldar mejores resultados para los pacientes. Utilizaron un total de 3.659 radiografías de cadera, clasificadas por al menos dos expertos, para entrenar y probar las redes neuronales, que lograron una precisión general del 92 % y un 19 % más de precisión que los médicos hospitalarios.

Las fracturas de cadera son una de las principales causas de morbilidad y mortalidad en las personas mayores, lo que genera altos costos para la atención médica y social. Clasificar una fractura antes de la cirugía es crucial para ayudar a los cirujanos a seleccionar las intervenciones adecuadas para tratar la fractura y restaurar la movilidad y mejorar los resultados del paciente. La capacidad de clasificar una fractura de manera rápida, precisa y confiable es clave: los retrasos en la cirugía de más de 48 horas pueden aumentar el riesgo de resultados adversos y mortalidad. Las fracturas se dividen en tres clases: intracapsulares, trocantéricas o subtrocantéricas, según la parte de la articulación en la que se produzcan. Algunos tratamientos, que están determinados por la clasificación de la fractura, pueden costar hasta 4,5 veces más que otros.

Igual de importantes son los resultados de los pacientes a largo plazo: las personas que sufren una fractura de cadera tienen al año siguiente el doble de mortalidad específica por edad que la población general. Por lo tanto, dice el equipo, el desarrollo de estrategias para mejorar el manejo de la fractura de cadera y su impacto en la morbilidad, la mortalidad y los costos de atención médica es una alta prioridad. Un problema crítico que afecta el uso de imágenes de diagnóstico es el desajuste entre la demanda y el recurso. La creciente demanda de los departamentos de radiología a menudo significa que no pueden informar los resultados de manera oportuna.

"Los métodos de aprendizaje automático y las redes neuronales ofrecen un enfoque nuevo y poderoso para automatizar el diagnóstico y la predicción de resultados, por lo que esta nueva técnica que hemos compartido tiene un gran potencial", dijo el profesor Richie Gill, autor principal del artículo y codirector del Centro para la Innovación Terapéutica, dice. "A pesar de que la clasificación de las fracturas determina con tanta fuerza el tratamiento quirúrgico y, por lo tanto, los resultados de los pacientes, actualmente no existe un proceso estandarizado sobre quién determina esta clasificación en el Reino Unido, ya sea que lo hagan cirujanos ortopédicos o radiólogos especializados en trastornos musculoesqueléticos".

Related Links:
Universidad de Bath 

Visitar la expo >

X-ray Diagnostic System

FDX Visionary-A

Computed Tomography System

Aquilion ONE / INSIGHT Edition

New

Adjustable Mobile Barrier

M-458

Digital X-Ray Detector Panel

Acuity G4