Rendimiento de la radiografía de tórax con detección asistida por computadora impulsada por inteligencia artificial...

Área de la Ciencia:

• Imágenes médicas
• Inteligencia artificial en el cuidado de la salud
• Salud pública

Sus antecedentes:

• Filipinas se enfrenta a una alta carga de tuberculosis (TB), lo que requiere soluciones eficientes de detección en el punto de atención.
• La detección asistida por computadora (AI-CAD) que utiliza el aprendizaje profundo en las radiografías de tórax (CXR) ofrece un enfoque prometedor para la detección sistemática de casos de tuberculosis.

Objetivo del estudio:

• Evaluar el rendimiento en el mundo real de AI-CAD para la detección de la tuberculosis en Filipinas.
• Informar sobre el perfeccionamiento de la integración de la IA-CAD en los programas nacionales de eliminación de la TB.

Principales métodos:

• Análisis retrospectivo de CXR y resultados de pruebas de diagnóstico rápido molecular (mWRD) de 5740 individuos (≥15 años) en cuatro regiones filipinas (mayo 2021-marzo 2024).
• Evaluación de la precisión diagnóstica del AI-CAD utilizando un umbral de anomalía fijo, con mWRD como estándar de referencia.
• Utilizó curvas de recuperación de precisión (PRC) y de características de funcionamiento del receptor (ROC) debido a datos desequilibrados; utilizó "pseudo-sensibilidad" y "pseudo-especificidad" para casos parcialmente verificados.

Principales resultados:

• En un umbral de anormalidad de 0,5, AI-CAD demostró una alta pseudo-sensibilidad (95,6%) pero una baja pseudo-especificidad (28,1%) y un valor predictivo positivo (PPV) (18,4%).
• El área bajo la curva ROC fue de 0,820; el área bajo la curva PRC fue de 0,489.
• El aumento del umbral a 0,68 mejoró el ahorro de pruebas (42%), pero aumentó los casos perdidos (10%); el rendimiento varió según los factores demográficos y el entorno.

Conclusiones:

• AI-CAD tiene potencial para ampliar la detección de la tuberculosis y avanzar en los esfuerzos de eliminación de la tuberculosis en Filipinas.
• La calibración del umbral es crucial, adaptándose a la disponibilidad de recursos locales, la prevalencia de la TB y los objetivos del programa.
• Las parcelas ROC y PRC son valiosas para evaluar el rendimiento y la rentabilidad del modelo en entornos de recursos limitados.