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