Validación Multicéntrica de una Plataforma de Análisis de Vídeo Basada en Inteligencia Artificial para la Evaluación...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Trastornos de la Deglución

Sus antecedentes:

• El estudio de deglución videofluoroscópica (VFSS) es crucial para evaluar la función de deglución.
• Los modelos de inteligencia artificial (IA) existentes para VFSS carecen de una validación externa exhaustiva.
• Este estudio aborda la necesidad de una evaluación sólida de la IA en la interpretación de VFSS.

Objetivo del estudio:

• Desarrollar un modelo de IA para el diagnóstico automático de aspiración y penetración a partir de vídeos de VFSS.
• Evaluar el rendimiento del modelo de IA mediante validación externa multicéntrica.
• Evaluar la utilidad clínica de la IA en el diagnóstico de trastornos de la deglución.

Principales métodos:

• Se desarrolló un modelo de IA utilizando la arquitectura YOLOv9_c sobre 2012 imágenes de VFSS para el entrenamiento.
• Se validó internamente el modelo en 309 vídeos de VFSS de grado Q1.
• Se realizó una validación externa utilizando 138 vídeos de VFSS de grado Q1 y Q2 de dos hospitales.

Principales resultados:

• La validación interna mostró una alta precisión en el entrenamiento (98,1 %) y la validación (97,8 %), con una precisión de prueba del 61,5 %.
• El modelo de IA logró una precisión diagnóstica para la aspiración (AUC=0,70) y la penetración (AUC=0,65) en pruebas internas.
• La validación externa demostró un sólido rendimiento: aspiración (precisión 90,2 %, AUC=0,79) y penetración (precisión 78,3 %, AUC=0,80), con una precisión general del 80,4 %.

Conclusiones:

• Se desarrolló con éxito un modelo de IA para el diagnóstico automático de aspiración y penetración a partir de vídeos de VFSS.
• La validación externa multicéntrica confirmó la buena precisión diagnóstica del modelo de IA.
• Se necesita más investigación con conjuntos de datos más grandes y diversos para mejorar la aplicación clínica.