El hospital es el primero en los EE. UU. en usar inteligencia artificial para analizar pacientes con COVID-19
Para cada par de imágenes, la imagen de la izquierda es una imagen de TC que muestra el pulmón segmentado utilizado como entrada para el modelo CNN (algoritmo de red neuronal convolucional) entrenado en Solo imágenes de TC, y la imagen de la derecha muestra el mapa de calor de los píxeles que el modelo de CNN clasificó como infectados por SARS-CoV-2 (el rojo indica una mayor probabilidad). (a) Mujer de 51 años con fiebre y antecedentes de exposición al SARS-CoV-2. El modelo CNN identificó características anormales en el lóbulo inferior derecho (color blanco), mientras que los dos radiólogos etiquetaron esta TC como negativa. (b) Una mujer de 52 años que tenía antecedentes de exposición al SARS-CoV-2 y se presentó con fiebre y tos productiva. Los radiólogos etiquetaron las opacidades en vidrio deslustrado periféricas bilaterales (flechas), y el modelo CNN predijo la positividad en función de las características en las áreas coincidentes. (c) Una mujer de 72 años con antecedentes de exposición al mercado de animales en Wuhan se presentó con fiebre y tos productiva. La imagen de TC segmentada muestra una opacidad en vidrio deslustrado en la cara anterior del pulmón derecho (flecha), mientras que el modelo CNN etiquetó esta TC como negativa. (d) Una mujer de 59 años con tos y antecedentes de exposición. La imagen de TC segmentada no muestra evidencia de neumonía, y el modelo de CNN también etiquetó esta TC como negativa. Crédito: Instituto de Imágenes e Ingeniería Biomédica (BMEII) en la Escuela de Medicina Icahn en Mount Sinai
Los investigadores de Mount Sinai son los primeros en el país en utilizar inteligencia artificial (IA) combinada con imágenes y datos clínicos para analizar pacientes con coronavirus enfermedad (COVID-19). Han desarrollado un algoritmo único que puede detectar rápidamente el COVID-19 en función de cómo se ve la enfermedad pulmonar en una tomografía computarizada (TC) del tórax, en combinación con la información del paciente, incluidos los síntomas, la edad, los análisis de sangre y el posible contacto con alguien infectado con el virus. Este estudio, publicado en la edición del 19 de mayo de Nature Medicine, podría ayudar a los hospitales de todo el mundo a detectar rápidamente el virus, aislar a los pacientes y evitar que se propague durante esta pandemia.
«La IA tiene un gran potencial para analizar grandes cantidades de datos rápidamente, un atributo que puede tener un gran impacto en una situación como una pandemia. En Mount Sinai, lo reconocimos pronto y pudimos movilizar la experiencia de nuestra facultad y nuestras colaboraciones internacionales para trabajar en la implementación de un nuevo modelo de IA utilizando datos de TC de pacientes con coronavirus en centros médicos chinos. Pudimos demostrar que el modelo de IA era tan preciso como un radiólogo experimentado en el diagnóstico de la enfermedad, e incluso mejor en algunos casos. donde no había signos claros de enfermedad pulmonar en la TC», dice uno de los autores principales, Zahi Fayad, Ph.D., Director del Instituto de Imágenes e Ingeniería Biomédica (BMEII) en la Escuela de Medicina Icahn en Mount Sinai. «Ahora estamos trabajando en cómo usar esto en casa y compartir nuestros hallazgos con otros. Este kit de herramientas se puede implementar fácilmente en todo el mundo en otros hospitales, ya sea en línea o integrado en sus propios sistemas».
Esta investigación se expande en un estudio anterior de Mount Sinai que identificó un patrón característico de enfermedad en los pulmones de pacientes con COVID-19 y mostró cómo se desarrolla en el transcurso de una semana y media.
El nuevo estudio involucró escaneos de más de 900 pacientes que recibió Mount Sinai de colaboradores institucionales en hospitales de China. Los pacientes fueron admitidos en 18 centros médicos en 13 provincias chinas entre el 17 de enero y el 3 de marzo de 2020. Las exploraciones incluyeron 419 casos positivos confirmados de COVID-19 (la mayoría había viajado recientemente a Wuhan, China, donde comenzó el brote, o tenía contacto con un paciente infectado con COVID-19) y 486 escaneos negativos para COVID-19. Los investigadores también tenían información clínica de los pacientes, incluidos los resultados de los análisis de sangre que mostraban anomalías en los recuentos de glóbulos blancos o de linfocitos, así como su edad, sexo y síntomas (fiebre, tos o tos con mucosidad). Se centraron en las tomografías computarizadas y los análisis de sangre, ya que los médicos en China utilizan ambos para diagnosticar a los pacientes con COVID-19 si tienen fiebre o han estado en contacto con un paciente infectado.
Se utilizan tres modelos de IA para generar la probabilidad de que un paciente sea COVID-19 (+): la primera se basa en una tomografía computarizada de tórax, la segunda en información clínica; y el tercero en una combinación de tomografía computarizada de tórax e información clínica. Para la evaluación de tomografías computarizadas de tórax, cada corte se clasificó primero según la probabilidad de contener una anomalía parenquimatosa, según lo predicho por el modelo de red neuronal convolucional (selección de corte CNN), que es un modelo PTB preentrenado que tiene una precisión del 99,4 % para seleccione cortes de pulmón anormales de tomografías computarizadas de tórax. Las 10 mejores imágenes de TC anormales por paciente se colocaron en la segunda CNN (diagnóstico CNN) para predecir la probabilidad de positividad de COVID-19 (P1). Los datos demográficos y clínicos (la edad y el sexo del paciente, el historial de exposición, los síntomas y las pruebas de laboratorio) se pusieron en un modelo de aprendizaje automático para clasificar la positividad de COVID-19 (P2). Las características generadas por el modelo CNN de diagnóstico y el modelo de aprendizaje automático de información clínica sin imágenes se integraron mediante una red de perceptrón multicapa (MLP) para generar el resultado final del modelo conjunto (P3). PTB, tuberculosis pulmonar; SVM, máquina de vectores de soporte. Crédito: Instituto de Imágenes e Ingeniería Biomédica (BMEII) de la Escuela de Medicina Icahn en Mount Sinai
El equipo de Mount Sinai integró los datos de esas tomografías computarizadas con la información clínica para desarrollar un algoritmo de IA. Imita el flujo de trabajo que utiliza un médico para diagnosticar COVID-19 y ofrece una predicción final de diagnóstico positivo o negativo. El modelo de IA produce probabilidades separadas de ser COVID-19 positivo en función de imágenes de TC, datos clínicos y ambos combinados. Los investigadores inicialmente entrenaron y ajustaron el algoritmo con datos de 626 de 905 pacientes, y luego probaron el algoritmo en los 279 pacientes restantes en el grupo de estudio (divididos entre casos positivos y negativos de COVID-19) para juzgar la sensibilidad de la prueba; una mayor sensibilidad significa un mejor rendimiento de detección. Se demostró que el algoritmo tiene una sensibilidad estadísticamente significativamente mayor (84 por ciento) en comparación con el 75 por ciento para los radiólogos que evalúan las imágenes y los datos clínicos. El sistema de IA también mejoró la detección de pacientes positivos para COVID-19 que tuvieron tomografías computarizadas negativas. Específicamente, reconoció el 68 por ciento de los casos positivos de COVID-19, mientras que los radiólogos interpretaron todos estos casos como negativos debido a la apariencia negativa de la TC. La detección mejorada es particularmente importante para mantener a los pacientes aislados si las exploraciones no muestran enfermedad pulmonar cuando los pacientes presentan síntomas por primera vez (ya que el estudio anterior mostró que la enfermedad pulmonar no siempre aparece en la TC en los primeros días) y síntomas de COVID-19 a menudo son inespecíficos, se asemejan a una gripe o un resfriado común, por lo que puede ser difícil de diagnosticar.
Las tomografías computarizadas no se usan ampliamente para el diagnóstico de COVID-19 en los Estados Unidos; sin embargo, el Dr. Fayad explica que las imágenes aún pueden desempeñar un papel importante.
«Las imágenes pueden ayudar a brindar un diagnóstico rápido y preciso. Las pruebas de laboratorio pueden demorar hasta dos días, y existe la posibilidad de falsos negativos, lo que significa que las imágenes pueden ayude a aislar a los pacientes de inmediato si es necesario y administre los recursos del hospital de manera efectiva. La alta sensibilidad de nuestro modelo de IA puede proporcionar una «segunda opinión» a los médicos en los casos en que la TC sea negativa (en el curso temprano de la infección) o muestre hallazgos inespecíficos, que puede ser común. Es algo que se debe considerar a mayor escala, especialmente en los Estados Unidos, donde actualmente tenemos más capacidad disponible para la tomografía computarizada que en los laboratorios para las pruebas genéticas», dijo el Dr. Fayad, quien también es profesor de Radiología diagnóstica, molecular e intervencionista en la Escuela de Medicina Icahn en Mount Sinai.
«Este estudio es importante porque muestra que se puede entrenar un algoritmo de inteligencia artificial para ayudar con la identificación temprana de COVID-19, y esto se puede usar en el entorno clínico para clasificar o priorizar la evaluación de pacientes enfermos al principio de su ingreso a la sala de emergencias», dice Matthew Levin, MD, Director del Equipo de Ciencia de Datos Clínicos del Sistema de Salud Mount Sinai, y miembro del Centro de Informática COVID de Mount Sinai. «Este es un concepto de prueba temprana que podemos aplicar a nuestros propios datos de pacientes para desarrollar algoritmos que sean más específicos para nuestra región y poblaciones diversas».
Los investigadores de Mount Sinai ahora se centran en desarrollar aún más el modelo. para encontrar pistas sobre qué tan bien les irá a los pacientes en función de las sutilezas en sus datos de TC e información clínica. Dicen que esto podría ser importante para optimizar el tratamiento y mejorar los resultados.
Explore más
Siga las últimas noticias sobre el brote de coronavirus (COVID-19) Más información: Xueyan Mei et al, Diagnóstico rápido de pacientes con COVID-19 mediante inteligencia artificial, Nature Medicine (2020). DOI: 10.1038/s41591-020-0931-3 Información de la revista: Nature Medicine
Proporcionado por The Mount Sinai Hospital Cita: El hospital es el primero en los EE. inteligencia para analizar pacientes con COVID-19 (2020, 19 de mayo) recuperado el 31 de agosto de 2022 de https://medicalxpress.com/news/2020-05-hospital-artificial-intelligence-covid-patients.html Este documento está sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigación privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona únicamente con fines informativos.