Durante las últimas décadas, los departamentos de emergencia (DE) de todo el mundo han experimentado una mayor presión en el flujo de trabajo y un aumento correspondiente en la demanda de imágenes médicas las 24 horas del día, los 7 días de la semana.
Sin embargo, la mayoría de los departamentos de radiología luchan por proporcionar recursos para una cobertura 24 horas al día, 7 días a la semana.
Le puede interesar:
La inteligencia artificial mejora la precisión de la colonoscopia
Como resultado, los médicos de urgencias deben interpretar los exámenes radiográficos antes de que esté disponible un informe radiológico, lo que crea nuevos desafíos organizacionales para garantizar la precisión del diagnóstico y un tiempo de respuesta rápido.
La inteligencia artificial (IA), específicamente la aplicación del aprendizaje profundo en imágenes radiológicas se ha convertido en una solución potencial para mejorar el flujo de trabajo del servicio de urgencias.
La mayoría de las soluciones comerciales de IA se centran en la clasificación y el diagnóstico de radiografías simples de tórax o musculoesqueléticas (MSK).
Varios estudios realizados en entornos de urgencias han demostrado un mejor rendimiento del diagnóstico por parte de los médicos de urgencias y/o residentes de radiología para detectar fracturas esqueléticas apendiculares o anomalías torácicas.
Le puede interesar:
La inteligencia artificial mejora la precisión de la colonoscopia
Sin embargo, el impacto de estas soluciones de IA en todo el flujo de trabajo de emergencia no está claro, ya que se concentran en hallazgos de imágenes individuales, partes del cuerpo o grupos de edad.
Por lo tanto, los investigadores del Hospital General de Valenciennes (Valenciennes, Francia) realizaron un estudio para evaluar la eficacia de una solución comercial basada en el aprendizaje profundo en la clasificación de los flujos de trabajo de emergencias pediátricas y de adultos, específicamente mediante la detección de MSK y hallazgos radiográficos de tórax.
Además, el estudio tuvo como objetivo determinar su impacto en las discrepancias entre los médicos de emergencia y los radiólogos.
La muestra estuvo compuesta por 1.772 casos de pacientes a los que se les realizó radiografías de emergencia de cualquier parte del cuerpo, excepto columna, cráneo y abdomen.
Entre ellos, 172 casos (9,7% de la muestra) tenían discrepancias entre las lecturas iniciales de los médicos de urgencias y las lecturas finales del departamento de radiología. Un radiólogo senior especializado en MSK revisó y adjudicó estos casos, con acceso a todos los registros clínicos relevantes.
Le puede interesar:
Beneficios de la inteligencia artificial en la atención en salud
El equipo utilizó software de inteligencia artificial disponible comercialmente para clasificar a los pacientes en función de los rayos X y evaluar su desempeño en el manejo de casos con lecturas discrepantes.
Los resultados mostraron que el sistema de IA tenía un nivel de sensibilidad comparable al de los médicos de urgencias y logró una tasa de precisión del 90,1 % en los 172 casos que habían sido mal diagnosticados por los mismos lectores, https://www.medimaging.net/radiography/a.
Los investigadores notaron que el modelo de IA probado en este estudio funcionó de manera similar a los utilizados en investigaciones anteriores, pero su estudio puede haber sido el primero en combinar MSK y radiografías de tórax.
Esta combinación permitió cubrir una gama más amplia de casos en el flujo de trabajo radiográfico a pesar de excluir las imágenes de columna, cráneo y abdomen. Además, el rendimiento de la IA no varió significativamente entre la edad y los subgrupos de partes del cuerpo, lo cual es crucial para su uso generalizado en el entorno clínico.
