Inteligencia Artificial y Panometría FLIP - Clasificación Automatizada de Patrones de Motilidad Esofágica

Área de la Ciencia:

• Gastroenterología; Imagen Médica; Inteligencia Artificial

Sus antecedentes:

• La panometría de sonda de imagen de lumen funcional (FLIP) evalúa la unión esofagogástrica y la motilidad esofágica durante la endoscopia.; El análisis de los datos de panometría FLIP, guiado por el Consenso de Dallas, es complejo.; Existe una investigación limitada sobre las aplicaciones de inteligencia artificial (IA) en la panometría FLIP.

Objetivo del estudio:

• Desarrollar un modelo de IA para la clasificación automatizada de patrones de motilidad en exámenes de panometría FLIP.; Evaluar el rendimiento de los modelos de aprendizaje automático en la identificación de patrones patológicos de panometría FLIP.

Principales métodos:

• Se analizaron 105 exámenes de panometría FLIP de cinco centros internacionales.; Se entrenaron y validaron modelos de aprendizaje automático utilizando un diseño de división de pacientes.; Se evaluó el rendimiento utilizando precisión y área bajo la curva característica operativa del receptor (AUC-ROC).

Principales resultados:

• Un clasificador AdaBoost logró una precisión del 84,9 % (AUC-ROC 0,92) para patrones patológicos.; Random Forest identificó trastornos de apertura de la unión esofagogástrica con una precisión del 86,7 % (AUC-ROC 0,973).; Gradient Boosting Classifier detectó trastornos de la respuesta contráctil con una precisión del 86,0 % (AUC-ROC 0,933).

Conclusiones:

• Un modelo de aprendizaje automático clasificó con precisión los exámenes de panometría FLIP según el Consenso de Dallas.; La panometría FLIP impulsada por IA ofrece el potencial de revolucionar la estandarización y accesibilidad de los exámenes.; Esta tecnología podría transformar significativamente el manejo del paciente a través de una precisión diagnóstica optimizada.