Imagen: El
algoritmo de aprendizaje profundo de TC de tórax cuantifica la enfermedad
pulmonar por COVID-19 (Fotografía cortesía de Pexels)
Un estudio nuevo para evaluar la
capacidad de un algoritmo de aprendizaje profundo de TC de tórax para la
cuantificación de la enfermedad pulmonar por COVID-19 descubrió que era
altamente predictivo de los resultados de los pacientes hospitalizados y se
desempeñaba a un nivel casi experto.
Investigadores de la Universidad
Médica de Carolina del Sur (Charleston, SC, EUA), evaluaron la capacidad de una
red neuronal convolucional profunda (dCNN) para predecir los resultados de los
pacientes hospitalizados asociados con la neumonía por COVID-19. Para el estudio,
se probó una dCNN previamente entrenada en una cohorte de validación externa de
241 pacientes que se presentaron en el departamento de emergencias y les
practicaron una tomografía computarizada de tórax, 93 con COVID-19 y 168 sin
COVID-19. Los sistemas de puntuación de opacidad del espacio aéreo se
definieron por el grado de opacidad del espacio aéreo en cada lóbulo,
totalizado en todos los pulmones. Los puntajes de expertos y dCNN se evaluaron
simultáneamente para determinar la concordancia entre observadores, mientras
que tanto los valores de dCNN que identificaron el puntaje de opacidad del
espacio aéreo como los valores de opacidad sin procesar se usaron en la
predicción del diagnóstico de COVID-19 y los resultados de los pacientes
hospitalizados.
El estudio reveló que la
concordancia entre observadores para la puntuación de la opacidad del espacio
aéreo fue de 0,892 (IC del 95 %: 0,834-0,930). La probabilidad de cada
resultado se comportó como una función logística de la puntuación de opacidad
(25 % de ingreso en la UCI con una puntuación de 13/25, 25 % de intubación con
17/25 y 25 % de mortalidad con 20/25). El estudio también encontró que la
duración de la hospitalización, la estancia en la UCI y la intubación se
asociaron con una mayor puntuación de opacidad del espacio aéreo (p = 0,032,
0,039, 0,036, respectivamente). Con base en estos hallazgos, los investigadores
concluyeron que la dCNN probada fue altamente predictiva de los resultados de
los pacientes hospitalizados, puede funcionar a un nivel casi experto y
proporcionar valor agregado para los médicos en términos de pronóstico y
gravedad de la enfermedad.
“El uso de modelos de aprendizaje
profundo de inteligencia artificial para pronosticar a partir de imágenes de TC
se identificó desde el comienzo de la pandemia como una forma potencial de
acelerar el proceso de clasificación, mejorar el pronóstico y la utilización de
los recursos como guía”, explicó el autor correspondiente, U. Joseph Schoepf,
MD, de la División de Imágenes Cardiovasculares de la Universidad Médica de
Carolina del Sur en Charleston. “Utilizar la puntuación de gravedad de la IA
puede ser útil para enfrentar el desafío de la clasificación práctica y
reproducible de pacientes con COVID-19 mediante la identificación de pacientes
con alto riesgo de morbilidad y mortalidad”.
Enlaces
relacionados: Universidad Médica de Carolina del Sur
Por el equipo editorial de HospiMedica en español
No hay comentarios.:
Publicar un comentario