Para cada par de im\u00e1genes, la imagen de la izquierda es una imagen de TC que muestra el pulm\u00f3n segmentado utilizado como entrada para el modelo CNN (algoritmo de red neuronal convolucional) entrenado en Solo im\u00e1genes de TC, y la imagen de la derecha muestra el mapa de calor de los p\u00edxeles que el modelo de CNN clasific\u00f3 como infectados por SARS-CoV-2 (el rojo indica una mayor probabilidad). (a) Mujer de 51 a\u00f1os con fiebre y antecedentes de exposici\u00f3n al SARS-CoV-2. El modelo CNN identific\u00f3 caracter\u00edsticas anormales en el l\u00f3bulo inferior derecho (color blanco), mientras que los dos radi\u00f3logos etiquetaron esta TC como negativa. (b) Una mujer de 52 a\u00f1os que ten\u00eda antecedentes de exposici\u00f3n al SARS-CoV-2 y se present\u00f3 con fiebre y tos productiva. Los radi\u00f3logos etiquetaron las opacidades en vidrio deslustrado perif\u00e9ricas bilaterales (flechas), y el modelo CNN predijo la positividad en funci\u00f3n de las caracter\u00edsticas en las \u00e1reas coincidentes. (c) Una mujer de 72 a\u00f1os con antecedentes de exposici\u00f3n al mercado de animales en Wuhan se present\u00f3 con fiebre y tos productiva. La imagen de TC segmentada muestra una opacidad en vidrio deslustrado en la cara anterior del pulm\u00f3n derecho (flecha), mientras que el modelo CNN etiquet\u00f3 esta TC como negativa. (d) Una mujer de 59 a\u00f1os con tos y antecedentes de exposici\u00f3n. La imagen de TC segmentada no muestra evidencia de neumon\u00eda, y el modelo de CNN tambi\u00e9n etiquet\u00f3 esta TC como negativa. Cr\u00e9dito: Instituto de Im\u00e1genes e Ingenier\u00eda Biom\u00e9dica (BMEII) en la Escuela de Medicina Icahn en Mount Sinai <\/p>\n
Los investigadores de Mount Sinai son los primeros en el pa\u00eds en utilizar inteligencia artificial (IA) combinada con im\u00e1genes y datos cl\u00ednicos para analizar pacientes con coronavirus enfermedad (COVID-19). Han desarrollado un algoritmo \u00fanico que puede detectar r\u00e1pidamente el COVID-19 en funci\u00f3n de c\u00f3mo se ve la enfermedad pulmonar en una tomograf\u00eda computarizada (TC) del t\u00f3rax, en combinaci\u00f3n con la informaci\u00f3n del paciente, incluidos los s\u00edntomas, la edad, los an\u00e1lisis de sangre y el posible contacto con alguien infectado con el virus. Este estudio, publicado en la edici\u00f3n del 19 de mayo de Nature Medicine, podr\u00eda ayudar a los hospitales de todo el mundo a detectar r\u00e1pidamente el virus, aislar a los pacientes y evitar que se propague durante esta pandemia. <\/p>\n
\u00abLa IA tiene un gran potencial para analizar grandes cantidades de datos r\u00e1pidamente, un atributo que puede tener un gran impacto en una situaci\u00f3n 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 implementaci\u00f3n de un nuevo modelo de IA utilizando datos de TC de pacientes con coronavirus en centros m\u00e9dicos chinos. Pudimos demostrar que el modelo de IA era tan preciso como un radi\u00f3logo experimentado en el diagn\u00f3stico de la enfermedad, e incluso mejor en algunos casos. donde no hab\u00eda signos claros de enfermedad pulmonar en la TC\u00bb, dice uno de los autores principales, Zahi Fayad, Ph.D., Director del Instituto de Im\u00e1genes e Ingenier\u00eda Biom\u00e9dica (BMEII) en la Escuela de Medicina Icahn en Mount Sinai. \u00abAhora estamos trabajando en c\u00f3mo usar esto en casa y compartir nuestros hallazgos con otros. Este kit de herramientas se puede implementar f\u00e1cilmente en todo el mundo en otros hospitales, ya sea en l\u00ednea o integrado en sus propios sistemas\u00bb.<\/p>\n
Esta investigaci\u00f3n se expande en un estudio anterior de Mount Sinai que identific\u00f3 un patr\u00f3n caracter\u00edstico de enfermedad en los pulmones de pacientes con COVID-19 y mostr\u00f3 c\u00f3mo se desarrolla en el transcurso de una semana y media.<\/p>\n
El nuevo estudio involucr\u00f3 escaneos de m\u00e1s de 900 pacientes que recibi\u00f3 Mount Sinai de colaboradores institucionales en hospitales de China. Los pacientes fueron admitidos en 18 centros m\u00e9dicos 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 mayor\u00eda hab\u00eda viajado recientemente a Wuhan, China, donde comenz\u00f3 el brote, o ten\u00eda contacto con un paciente infectado con COVID-19) y 486 escaneos negativos para COVID-19. Los investigadores tambi\u00e9n ten\u00edan informaci\u00f3n cl\u00ednica de los pacientes, incluidos los resultados de los an\u00e1lisis de sangre que mostraban anomal\u00edas en los recuentos de gl\u00f3bulos blancos o de linfocitos, as\u00ed como su edad, sexo y s\u00edntomas (fiebre, tos o tos con mucosidad). Se centraron en las tomograf\u00edas computarizadas y los an\u00e1lisis de sangre, ya que los m\u00e9dicos en China utilizan ambos para diagnosticar a los pacientes con COVID-19 si tienen fiebre o han estado en contacto con un paciente infectado.<\/p>\n
Se utilizan tres modelos de IA para generar la probabilidad de que un paciente sea COVID-19 (+): la primera se basa en una tomograf\u00eda computarizada de t\u00f3rax, la segunda en informaci\u00f3n cl\u00ednica; y el tercero en una combinaci\u00f3n de tomograf\u00eda computarizada de t\u00f3rax e informaci\u00f3n cl\u00ednica. Para la evaluaci\u00f3n de tomograf\u00edas computarizadas de t\u00f3rax, cada corte se clasific\u00f3 primero seg\u00fan la probabilidad de contener una anomal\u00eda parenquimatosa, seg\u00fan lo predicho por el modelo de red neuronal convolucional (selecci\u00f3n de corte CNN), que es un modelo PTB preentrenado que tiene una precisi\u00f3n del 99,4 % para seleccione cortes de pulm\u00f3n anormales de tomograf\u00edas computarizadas de t\u00f3rax. Las 10 mejores im\u00e1genes de TC anormales por paciente se colocaron en la segunda CNN (diagn\u00f3stico CNN) para predecir la probabilidad de positividad de COVID-19 (P1). Los datos demogr\u00e1ficos y cl\u00ednicos (la edad y el sexo del paciente, el historial de exposici\u00f3n, los s\u00edntomas y las pruebas de laboratorio) se pusieron en un modelo de aprendizaje autom\u00e1tico para clasificar la positividad de COVID-19 (P2). Las caracter\u00edsticas generadas por el modelo CNN de diagn\u00f3stico y el modelo de aprendizaje autom\u00e1tico de informaci\u00f3n cl\u00ednica sin im\u00e1genes se integraron mediante una red de perceptr\u00f3n multicapa (MLP) para generar el resultado final del modelo conjunto (P3). PTB, tuberculosis pulmonar; SVM, m\u00e1quina de vectores de soporte. Cr\u00e9dito: Instituto de Im\u00e1genes e Ingenier\u00eda Biom\u00e9dica (BMEII) de la Escuela de Medicina Icahn en Mount Sinai <\/p>\n
El equipo de Mount Sinai integr\u00f3 los datos de esas tomograf\u00edas computarizadas con la informaci\u00f3n cl\u00ednica para desarrollar un algoritmo de IA. Imita el flujo de trabajo que utiliza un m\u00e9dico para diagnosticar COVID-19 y ofrece una predicci\u00f3n final de diagn\u00f3stico positivo o negativo. El modelo de IA produce probabilidades separadas de ser COVID-19 positivo en funci\u00f3n de im\u00e1genes de TC, datos cl\u00ednicos 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 detecci\u00f3n. Se demostr\u00f3 que el algoritmo tiene una sensibilidad estad\u00edsticamente significativamente mayor (84 por ciento) en comparaci\u00f3n con el 75 por ciento para los radi\u00f3logos que eval\u00faan las im\u00e1genes y los datos cl\u00ednicos. El sistema de IA tambi\u00e9n mejor\u00f3 la detecci\u00f3n de pacientes positivos para COVID-19 que tuvieron tomograf\u00edas computarizadas negativas. Espec\u00edficamente, reconoci\u00f3 el 68 por ciento de los casos positivos de COVID-19, mientras que los radi\u00f3logos interpretaron todos estos casos como negativos debido a la apariencia negativa de la TC. La detecci\u00f3n mejorada es particularmente importante para mantener a los pacientes aislados si las exploraciones no muestran enfermedad pulmonar cuando los pacientes presentan s\u00edntomas por primera vez (ya que el estudio anterior mostr\u00f3 que la enfermedad pulmonar no siempre aparece en la TC en los primeros d\u00edas) y s\u00edntomas de COVID-19 a menudo son inespec\u00edficos, se asemejan a una gripe o un resfriado com\u00fan, por lo que puede ser dif\u00edcil de diagnosticar.<\/p>\n
Las tomograf\u00edas computarizadas no se usan ampliamente para el diagn\u00f3stico de COVID-19 en los Estados Unidos; sin embargo, el Dr. Fayad explica que las im\u00e1genes a\u00fan pueden desempe\u00f1ar un papel importante.<\/p>\n
\u00abLas im\u00e1genes pueden ayudar a brindar un diagn\u00f3stico r\u00e1pido y preciso. Las pruebas de laboratorio pueden demorar hasta dos d\u00edas, y existe la posibilidad de falsos negativos, lo que significa que las im\u00e1genes 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 \u00absegunda opini\u00f3n\u00bb a los m\u00e9dicos en los casos en que la TC sea negativa (en el curso temprano de la infecci\u00f3n) o muestre hallazgos inespec\u00edficos, que puede ser com\u00fan. Es algo que se debe considerar a mayor escala, especialmente en los Estados Unidos, donde actualmente tenemos m\u00e1s capacidad disponible para la tomograf\u00eda computarizada que en los laboratorios para las pruebas gen\u00e9ticas\u00bb, dijo el Dr. Fayad, quien tambi\u00e9n es profesor de Radiolog\u00eda diagn\u00f3stica, molecular e intervencionista en la Escuela de Medicina Icahn en Mount Sinai.<\/p>\n
\u00abEste estudio es importante porque muestra que se puede entrenar un algoritmo de inteligencia artificial para ayudar con la identificaci\u00f3n temprana de COVID-19, y esto se puede usar en el entorno cl\u00ednico para clasificar o priorizar la evaluaci\u00f3n de pacientes enfermos al principio de su ingreso a la sala de emergencias\u00bb, dice Matthew Levin, MD, Director del Equipo de Ciencia de Datos Cl\u00ednicos del Sistema de Salud Mount Sinai, y miembro del Centro de Inform\u00e1tica COVID de Mount Sinai. \u00abEste es un concepto de prueba temprana que podemos aplicar a nuestros propios datos de pacientes para desarrollar algoritmos que sean m\u00e1s espec\u00edficos para nuestra regi\u00f3n y poblaciones diversas\u00bb.<\/p>\n
Los investigadores de Mount Sinai ahora se centran en desarrollar a\u00fan m\u00e1s el modelo. para encontrar pistas sobre qu\u00e9 tan bien les ir\u00e1 a los pacientes en funci\u00f3n de las sutilezas en sus datos de TC e informaci\u00f3n cl\u00ednica. Dicen que esto podr\u00eda ser importante para optimizar el tratamiento y mejorar los resultados. <\/p>\n
Explore m\u00e1s<\/p>\n
Siga las \u00faltimas noticias sobre el brote de coronavirus (COVID-19) M\u00e1s informaci\u00f3n:<\/strong> Xueyan Mei et al, Diagn\u00f3stico r\u00e1pido de pacientes con COVID-19 mediante inteligencia artificial, Nature Medicine (2020). DOI: 10.1038\/s41591-020-0931-3 Informaci\u00f3n de la revista:<\/strong> Nature Medicine <\/p>\n Proporcionado por The Mount Sinai Hospital Cita<\/strong>: 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 est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Para cada par de im\u00e1genes, la imagen de la izquierda es una imagen de TC que muestra el pulm\u00f3n segmentado utilizado como entrada para el modelo CNN (algoritmo de red neuronal convolucional) entrenado en Solo im\u00e1genes de TC, y la imagen de la derecha muestra el mapa de calor de los p\u00edxeles que el modelo … Continuar leyendo \u00abEl hospital es el primero en los EE. UU. en usar inteligencia artificial para analizar pacientes con COVID-19\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-26643","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/26643","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=26643"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/26643\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=26643"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=26643"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=26643"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}