Aprendizaje profundo para radiografía de tórax en el Departamento de Emergencias
A medida que los costes de la atención sanitaria han aumentado en las últimas décadas, el diagnóstico por imagen ha sido uno de los responsables. Al mismo tiempo, los radiólogos enfrentan un aumento de la carga de trabajo y las tasas de agotamiento. Acentuando la necesidad de mejorar la eficiencia del flujo de trabajo. Un posible enfoque para mejorar el flujo de trabajo es el uso de la inteligencia artificial (IA) para reducir la brecha entre la demanda clínica y el rendimiento de los radiólogos.
¿Cómo se utilizaría esta herramienta?
Recientemente, Nam y colegas estudiaron un algoritmo de detección automática de aprendizaje profundo (DL) para detectar y clasificar nódulos pulmonares. Los resultados fueron prometedores, ya que el algoritmo de DL superó a los médicos en detección de nódulos. Sin embargo, ese sistema no tenía en cuenta las anomalías radiográficas comunes, como la neumonía y la enfermedad intersticial.
Por otro lado, Hwang investigó un algoritmo de DL disponible en el mercado de urgencias. Informan sobre la evaluación retrospectiva de las radiografías de tórax obtenidas durante 3 meses. Los autores compararon la eficacia del algoritmo de DL con de los residentes de radiología. Hwang informó que la sensibilidad del algoritmo DL fue superior a la de los residentes de radiología en la primera interpretación. Por otra parte, la especificidad de los residentes fue superior a la del algoritmo DL.
¿Cómo se aplicaría en la práctica?
La radiografía de tórax se utiliza con frecuencia como herramienta de cribado en el servicio de urgencias. Por lo tanto, una ligera reducción de la especificidad es probablemente aceptable para mejorar y/o reducir la tasa de falsos negativos.
Para validar aún más la idea de utilizar dichos algoritmos en la práctica clínica, los estudios futuros deberían abordar algunas de las limitaciones de este estudio. En primer lugar, se trata de un estudio retrospectivo; tomar una decisión basada en datos para emplear un algoritmo IA en la práctica clínica. En segundo lugar, aunque proporciona información positiva sobre el rendimiento de aprendices de radiología, será valioso comparar éste y otros algoritmos de DL con el rendimiento de un radiólogo plenamente capacitado.
Independientemente de estas limitaciones, el estudio se basó en la clínica y proporciona una ventana actual de lo que se puede esperar de esta nueva tecnología. En el entorno de los servicios de urgencias, es importante reducir la tasa de exámenes falsos negativos. Se sugiere la utilidad potencial de la DL en entornos de formación en los que no se dispone de una cobertura de 24 horas.
También podemos esperar con optimismo que la especificidad del algoritmo de DL mejora con el aumento de la formación y la exposición a los casos.
¿Qué se tiene previsto para el futuro?
Aunque nuestro sistema médico y la sociedad parecen estar dispuestos a absorber los costes asociados al aumento del diagnóstico por imagen, la creciente tasa de utilización del diagnóstico por imagen parece seguir prácticamente sin control. Por lo tanto, esperamos que se siga desarrollando un software interno y/o comercial que se integre perfectamente con el entorno del sistema de comunicación y archivo de imágenes, la interpretación del radiólogo y el flujo de trabajo de los informes. Al dejar que el radiólogo se ocupe de tareas de orden como la formulación de una síntesis de un caso, la prescripción de un tratamiento adecuado y la resolución de casos difíciles, se cree que las herramientas de IA mejorarán la atención al paciente y beneficiarán al radiólogo al aumentar la eficiencia y la satisfacción en el trabajo.
Munera, F., & C. Infante, J. (2019, 22 octubre). Aprendizaje profundo para la radiografía de tórax en el servicio de urgencias. RSNA: Radiology. https://doi.org/10.1148/radiol.2019192079
