IA asistida por médico mejora detección del síndrome de dificultad respiratoria aguda en las radiografías de tórax

El síndrome de dificultad respiratoria aguda (SDRA) es una enfermedad crítica altamente mortal, con un diagnóstico que a menudo se pasa por alto o se retrasa, lo que da como resultado que los pacientes no reciban atención basada en la evidencia. Los investigadores ahora han desarrollado un algoritmo de aprendizaje profundo para ayudar a los médicos a identificar el SDRA de manera más rápida y confiable en las radiografías de tórax.

En un nuevo estudio, el equipo de investigación de la Universidad de Michigan (Ann Arbor, MI, EUA) evaluó las fortalezas y debilidades del modelo de IA en comparación con médicos expertos e investigó cómo ambos podrían trabajar juntos para mejorar el diagnóstico del SDRA y los resultados de los pacientes. El equipo utilizó 414 radiografías de tórax de pacientes hospitalizados adultos con insuficiencia respiratoria hipóxica aguda, y puso al modelo de IA y a un grupo de médicos con experiencia en la interpretación de radiografías de tórax a trabajar lado a lado en la detección de SDRA. Evaluaron el rendimiento general en la detección de SDRA, la precisión basada en la dificultad de interpretación de rayos X y el nivel de certeza del médico/IA en sus interpretaciones. El modelo de IA demostró un rendimiento general más alto en la detección de hallazgos de SDRA que los médicos. Sin embargo, los investigadores descubrieron que el modelo de IA superó a los médicos en la interpretación de radiografías de tórax menos desafiantes, mientras que los médicos fueron mejores en la revisión de las más difíciles. Al calificar su confianza en la interpretación de la radiografía de tórax, se encontró que uno tenía menos confianza mientras que el otro se desempeñó mejor.

El análisis del equipo sugiere que la IA y la experiencia médica podrían complementarse entre sí, reduciendo así las tasas de diagnóstico erróneo del SDRA. Probaron varias estrategias en las que una IA y un médico podrían colaborar para lograr el mejor rendimiento. Un método efectivo implicó que el sistema de inteligencia artificial revisara primero la radiografía de tórax y luego remitiera a los médicos si no estaba seguro. Este método permitió a los médicos revisar un subconjunto más pequeño de radiografías de tórax, lo que redujo la carga de trabajo y les permitió concentrarse en casos más desafiantes. Tal método podría transformar en última instancia la prestación de atención a los pacientes con SDRA en la unidad de cuidados intensivos (UCI).

"Comprender cómo poner en funcionamiento de manera efectiva los sistemas de IA en la UCI es realmente importante", dijo el autor principal del estudio, el Dr. Michael Sjoding, director asociado del Instituto Weil y profesor asociado de Medicina Pulmonar y de Cuidados Críticos. “Estos sistemas son cada vez más comunes, pero hasta ahora no se ha trabajado mucho para entender cómo llevarlos al lado de la cama para ayudar a los médicos a brindar la mejor atención. Este trabajo abre la puerta a un futuro en el que los sistemas de IA y los expertos humanos trabajen juntos para brindar una excelente atención del SDRA a todos los pacientes”.

"Debido a que las decisiones médicas suelen ser importantes, sabemos que es probable que los pacientes y los médicos no acepten reemplazar por completo la experiencia humana con algoritmos de IA", agregó la Dra. Negar Farzaneh, investigadora y científica de datos del Instituto Weil, así como autora principal de el estudio. “Sin embargo, las estrategias en las que el modelo complementa el diagnóstico de un médico, en lugar de reemplazarlo, podrían ser una alternativa más razonable. Nuestro trabajo sugiere que estas colaboraciones, cuando se optimizan, pueden dar como resultado una mayor precisión diagnóstica y permitir que los pacientes reciban una atención más consistente”.

Enlaces relacionados:
Universidad de Michigan  

Visitar la expo >

New

Miembro Oro

X-Ray QA Meter

T3 AD Pro

New

Portable Color Doppler Ultrasound Scanner

DCU10

Radiology Software

DxWorks

New

Opaque X-Ray Mobile Lead Barrier

2594M