lunes 22 abril, 2024
suscribete al newsletter

Investigadores utilizan IA para clasificar a pacientes con dolor torácico

De un vistazo

El análisis de deep learning de las radiografías de tórax iniciales puede facilitar una clasificación más eficiente de los pacientes que llegan a lsa sala de emergencias con dolor torácico agudo.

El modelo de deep learning mejoró significativamente la predicción del síndrome coronario agudo, la embolia pulmonar y la disección aórtica.

El síndrome de dolor torácico agudo representa más de 7 millones de visitas al departamento de emergencias anualmente en los Estados Unidos, lo que lo convierte en una de las quejas más comunes.

La inteligencia artificial (IA) puede ayudar a mejorar la atención de los pacientes que acuden al hospital con dolor torácico agudo, según un estudio publicado en Radiology, una revista RSNA.

«Hasta donde sabemos, nuestro modelo de IA de deep learning es el primero en utilizar radiografías de tórax para identificar a los pacientes con dolor torácico agudo que necesitan atención médica inmediata», dijo el autor principal del estudio, Márton Kolossváry, MD, Ph. D., investigador de radiología en el Hospital General de Massachusetts (MGH) en Boston.

Márton Kolossváry, MD, Ph.
Márton Kolossváry, MD, Ph.

El síndrome de dolor torácico agudo puede consistir en opresión, ardor u otra molestia en el pecho o un dolor intenso que se extiende a la espalda, el cuello, los hombros, los brazos o la mandíbula. Puede ir acompañada de dificultad para respirar.

Figura 1. Rendimiento diagnóstico de los modelos para predecir el punto final compuesto dentro de los 30 días posteriores al registro en el departamento de emergencias (ED). Modelo 1, edad + sexo; modelo 2, modelo 1 + biomarcador sérico positivo; modelo 3, modelo 2 + predicciones de aprendizaje profundo (DL) a partir de radiografías de tórax; modelar DL, predicciones de DL a partir de radiografías de tórax. Todas las comparaciones estadísticas entre el área bajo los valores de la curva característica operativa del receptor de los modelos 1 a 3 fueron significativas (P < 0,001). Los datos entre paréntesis son IC del 95 %. El criterio de valoración compuesto se definió de la siguiente manera: síndrome coronario agudo o embolia pulmonar o disección aórtica o mortalidad por todas las causas dentro de los 30 días posteriores al registro en el servicio de urgencias.
Figura 1. Rendimiento diagnóstico de los modelos para predecir el punto final compuesto dentro de los 30 días posteriores al registro en el departamento de emergencias (ED). Modelo 1, edad + sexo; modelo 2, modelo 1 + biomarcador sérico positivo; modelo 3, modelo 2 + predicciones de aprendizaje profundo (DL) a partir de radiografías de tórax; modelar DL, predicciones de DL a partir de radiografías de tórax. Todas las comparaciones estadísticas entre el área bajo los valores de la curva característica operativa del receptor de los modelos 1 a 3 fueron significativas (P < 0,001). Los datos entre paréntesis son IC del 95 %. El criterio de valoración compuesto se definió de la siguiente manera: síndrome coronario agudo o embolia pulmonar o disección aórtica o mortalidad por todas las causas dentro de los 30 días posteriores al registro en el servicio de urgencias.

El síndrome de dolor torácico agudo representa más de 7 millones de visitas al departamento de emergencias anualmente en los Estados Unidos, lo que lo convierte en una de las quejas más comunes. Menos del 8% de estos pacientes son diagnosticados con las tres principales causas cardiovasculares del síndrome de dolor torácico agudo, que son el síndrome coronario agudo, la embolia pulmonar o la disección aórtica. Sin embargo, la naturaleza potencialmente mortal de estas afecciones y la baja especificidad de las pruebas clínicas, como los electrocardiogramas y los análisis de sangre, conducen a un uso considerable de diagnóstico por imágenes cardiovascular y pulmonar, que a menudo arroja resultados negativos. Dado que los departamentos de emergencia luchan con un gran número de pacientes y la escasez de camas de hospital, es importante clasificar de manera efectiva a los pacientes con un riesgo muy bajo de estas afecciones graves.

Figura 2. Rendimiento diagnóstico de los modelos en la predicción de puntos finales clínicos específicos de 30 días. Los datos son el área bajo la curva característica operativa del receptor, con el IC del 95 % entre paréntesis. Modelo 1, edad + sexo; modelo 2, modelo 1 + biomarcador sérico positivo; modelo 3, modelo 2 + predicciones de aprendizaje profundo (DL) a partir de radiografías de tórax; modelar DL, predicciones de DL a partir de radiografías de tórax. Rendimiento diagnóstico de los modelos en la predicción de puntos finales clínicos específicos de 30 días. Los datos son el área bajo la curva característica operativa del receptor, con el IC del 95 % entre paréntesis. Modelo 1, edad + sexo; modelo 2, modelo 1 + biomarcador sérico positivo; modelo 3, modelo 2 + predicciones de DL a partir de radiografías de tórax; modelar DL, predicciones de DL a partir de radiografías de tórax.
Figura 2. Rendimiento diagnóstico de los modelos en la predicción de puntos finales clínicos específicos de 30 días. Los datos son el área bajo la curva característica operativa del receptor, con el IC del 95 % entre paréntesis. Modelo 1, edad + sexo; modelo 2, modelo 1 + biomarcador sérico positivo; modelo 3, modelo 2 + predicciones de aprendizaje profundo (DL) a partir de radiografías de tórax; modelar DL, predicciones de DL a partir de radiografías de tórax. Rendimiento diagnóstico de los modelos en la predicción de puntos finales clínicos específicos de 30 días. Los datos son el área bajo la curva característica operativa del receptor, con el IC del 95 % entre paréntesis. Modelo 1, edad + sexo; modelo 2, modelo 1 + biomarcador sérico positivo; modelo 3, modelo 2 + predicciones de DL a partir de radiografías de tórax; modelar DL, predicciones de DL a partir de radiografías de tórax.

El deep learning es un tipo avanzado de inteligencia artificial (IA) que se puede entrenar para buscar imágenes de rayos X para encontrar patrones asociados con enfermedades.

Para el estudio, el Dr. Kolossváry y sus colegas desarrollaron un modelo de deep learning de código abierto para identificar a los pacientes con síndrome de dolor torácico agudo que estaban en riesgo de síndrome coronario agudo de 30 días, embolia pulmonar, disección aórtica o mortalidad por todas las causas, según una radiografía de tórax.

Figura 3. Rendimiento diagnóstico de los modelos en la predicción del punto final compuesto de 30 días estratificado por raza y etnia. Los datos son el área bajo la curva de características operativas del receptor (AUC), con el IC del 95 % entre paréntesis. Modelo 1, edad + sexo; modelo 2, modelo 1 + biomarcador sérico positivo; modelo 3, modelo 2 + predicciones de aprendizaje profundo (DL) a partir de radiografías de tórax; modelar DL, predicciones de DL a partir de radiografías de tórax. Todas las comparaciones estadísticas entre los valores de AUC de los modelos 1–3 fueron significativas (P < 0,001). El criterio de valoración compuesto fue la disección aórtica definida o la mortalidad por todas las causas dentro de los 30 días posteriores al registro en el departamento de emergencias.
Figura 3. Rendimiento diagnóstico de los modelos en la predicción del punto final compuesto de 30 días estratificado por raza y etnia. Los datos son el área bajo la curva de características operativas del receptor (AUC), con el IC del 95 % entre paréntesis. Modelo 1, edad + sexo; modelo 2, modelo 1 + biomarcador sérico positivo; modelo 3, modelo 2 + predicciones de aprendizaje profundo (DL) a partir de radiografías de tórax; modelar DL, predicciones de DL a partir de radiografías de tórax. Todas las comparaciones estadísticas entre los valores de AUC de los modelos 1–3 fueron significativas (P < 0,001). El criterio de valoración compuesto fue la disección aórtica definida o la mortalidad por todas las causas dentro de los 30 días posteriores al registro en el departamento de emergencias.

El estudio utilizó historias clínicas electrónicas de pacientes que presentaban síndrome de dolor torácico agudo a los que se les realizó una radiografía de tórax e imágenes cardiovasculares o pulmonares adicionales y/o pruebas de esfuerzo en MGH o en el Brigham and Women’s Hospital de Boston entre enero de 2005 y diciembre de 2015. En este estudio se evaluaron 5.750 pacientes (edad media 59, incluidos 3.329 hombres).

El modelo de deep learning se entrenó en 23 005 pacientes de MGH para predecir un criterio de valoración compuesto de 30 días de síndrome coronario agudo, embolia pulmonar o disección aórtica y mortalidad por todas las causas según las imágenes de rayos X de tórax.

Figura 4. Mapas de activación de clase con gradiente ponderado de radiografías de tórax representativas en (A) un hombre de 85 años con síndrome coronario agudo (SCA), (B) un hombre de 77 años con disección aórtica (AD), (C) un hombre sano de 39 años, y (D) Mujer sana de 27 años. Los mapas muestran qué partes de las imágenes influyeron en las predicciones del modelo de aprendizaje profundo (DL) para el resultado compuesto. El gradiente de color muestra el nivel de activación de esa área dada, donde el rojo indica la activación más alta, el azul indica la activación más baja y ningún color indica que no hay activación. Las áreas del corazón y los pulmones contribuyeron con la mayoría de las predicciones del modelo. El ajuste fino mejoró la precisión diagnóstica de nuestro modelo DL y resultó en áreas más relevantes que contribuyeron a las predicciones. SCA = síndrome coronario agudo, CTA = angiografía por TC coronaria, ICA = angiografía coronaria invasiva, SPECT = TC por emisión de fotón único.
Figura 4. Mapas de activación de clase con gradiente ponderado de radiografías de tórax representativas en (A) un hombre de 85 años con síndrome coronario agudo (SCA), (B) un hombre de 77 años con disección aórtica (AD), (C) un hombre sano de 39 años, y (D) Mujer sana de 27 años. Los mapas muestran qué partes de las imágenes influyeron en las predicciones del modelo de aprendizaje profundo (DL) para el resultado compuesto. El gradiente de color muestra el nivel de activación de esa área dada, donde el rojo indica la activación más alta, el azul indica la activación más baja y ningún color indica que no hay activación. Las áreas del corazón y los pulmones contribuyeron con la mayoría de las predicciones del modelo. El ajuste fino mejoró la precisión diagnóstica de nuestro modelo DL y resultó en áreas más relevantes que contribuyeron a las predicciones. SCA = síndrome coronario agudo, CTA = angiografía por TC coronaria, ICA = angiografía coronaria invasiva, SPECT = TC por emisión de fotón único.

La herramienta de deep learning mejoró significativamente la predicción de estos resultados adversos más allá de la edad, el sexo y los marcadores clínicos convencionales, como los análisis de sangre del dímero D. El modelo mantuvo su precisión diagnóstica en función de la edad, el sexo, el origen étnico y la raza. Con un umbral de sensibilidad del 99 %, el modelo pudo diferir las pruebas adicionales en el 14 % de los pacientes en comparación con el 2 % cuando se usaba un modelo que solo incorporaba datos de edad, sexo y biomarcadores.

«Al analizar la radiografía de tórax inicial de estos pacientes con nuestro modelo de deep learning automatizado, pudimos proporcionar predicciones más precisas sobre los resultados de los pacientes en comparación con un modelo que utiliza información sobre la edad, el sexo, la troponina o el dímero D», dijo el Dr. Kolossváry «Nuestros resultados muestran que las radiografías de tórax podrían usarse para ayudar a clasificar a los pacientes con dolor de pecho en el departamento de emergencias».

Según el Dr. Kolossváry, en el futuro, un modelo automatizado de este tipo podría analizar las radiografías de tórax en segundo plano y ayudar a seleccionar a aquellos que se beneficiarían más de la atención médica inmediata y podría ayudar a identificar a los pacientes que pueden ser dados de alta del departamento de emergencias de manera segura.

suscribete al newsletter

Artículos relacionados

Cómo tratar una imagen médica cada 3 segundos durante 8 horas

En el mundo de la medicina en constante evolución, los avances tecnológicos nos han llevado a un punto en el que la Inteligencia Artificial...

El perfil del Radiólogo en México

"El perfil del Radiólogo en México" es una obra imprescindible que conmemora el 50° aniversario del Consejo Mexicano de Radiología e Imagen (CMRI). Este...

Como tratar uma imagem médica a cada 3 segundos durante 8 horas

Na constante evolução do mundo da medicina, os avanços tecnológicos noslevaram a um ponto em que a Inteligência Artificial (IA) está revolucionando ocampo da...

Agfa en HIMSS Orlando: Avances en Soluciones RIS PACS para Latinoamérica

Marcelo Espinoza, líder de Agfa para Latinoamérica, comparte las últimas innovaciones en tecnología médica durante el evento HIMSS en Orlando. Desde México hasta Chile, Agfa...

Seguinos

2,319FansMe gusta
0SeguidoresSeguir
1,324SeguidoresSeguir

MÁS LEIDOS