Pipeline integral de TC para evaluación automática de hemorragia intracraneal con soporte de decisión clínica...

Área de la Ciencia:

• Neurología
• Radiología
• Inteligencia Artificial

Sus antecedentes:

• La hemorragia intracraneal (HIC) es una emergencia neurológica crítica que requiere una evaluación rápida por TC para el tratamiento.
• La evaluación radiológica actual para HIC puede consumir mucho tiempo, lo que podría retrasar las decisiones críticas de tratamiento.

Objetivo del estudio:

• Desarrollar un pipeline de aprendizaje profundo automatizado para la detección, segmentación y localización mejoradas de HIC.
• Integrar el soporte para la toma de decisiones clínicas utilizando un modelo de lenguaje grande para la atención de emergencia.

Principales métodos:

• Se utilizó un enfoque de aprendizaje semi-supervisado para entrenar el modelo de detección en más de 21 000 TC.
• Se entrenaron modelos de segmentación en conjuntos de datos dedicados para delinear subtipos de HIC, hidrocefalia y desplazamiento de la línea media.
• Se generaron recomendaciones clínicas a través de la API GPT-4o, informadas por pautas y ensayos establecidos.

Principales resultados:

• El modelo de detección logró un AUC de 0.96, con valores de Dice de segmentación que oscilan entre 0.71 y 0.93.
• La localización de la hemorragia intraparenquimatosa mostró una fuerte concordancia (valores κ de 0.85-1.00) en las regiones cerebrales.
• Las recomendaciones clínicas generadas recibieron altas calificaciones de los neurocirujanos para el examen y el tratamiento.

Conclusiones:

• El pipeline de aprendizaje profundo desarrollado combina de manera efectiva el análisis automatizado de imágenes con decisiones clínicas procesables.
• Esta herramienta de IA muestra un potencial significativo para mejorar la velocidad de diagnóstico y la guía de tratamiento en entornos de emergencia.
• El pipeline puede mejorar los resultados de los pacientes al reducir los retrasos en el diagnóstico en emergencias neurológicas críticas.