Evaluación piloto prospectiva de un modelo de aprendizaje profundo para la detección de cálculos renales en TC...

Área de la Ciencia:

• Radiología e Imágenes Médicas.
• Inteligencia Artificial en el cuidado de la salud.
• Tecnología de diagnóstico Tecnología de diagnóstico.

Sus antecedentes:

• La TC abdominal sin contraste es crucial para la detección rápida de cálculos renales en situaciones de emergencia.
• El aumento de los volúmenes de imágenes requiere el apoyo de la IA para administrar la carga de trabajo del radiólogo.
• Existen evaluaciones prospectivas limitadas de modelos de IA en flujos de trabajo clínicos realistas.

Objetivo del estudio:

• Evaluar prospectivamente el rendimiento, la usabilidad y la compatibilidad del flujo de trabajo de un modelo de detección de cálculos renales basado en el aprendizaje profundo.
• Para evaluar el rendimiento del modelo de IA dentro de una plataforma basada en la web que simula la práctica de radiología de rutina.
• Establecer un marco para la transición del sistema de IA de la validación retrospectiva al despliegue prospectivo.

Principales métodos:

• Se desarrolló y validó una red neuronal convolucional de doble etapa.
• El modelo de IA se integró en una plataforma segura basada en navegador para la evaluación prospectiva.
• Tres radiólogos anotaron 5.152 tomografías computarizadas anónimas durante seis meses, registrando las interacciones entre humanos y IA.

Principales resultados:

• El modelo de IA logró un alto rendimiento de diagnóstico: 97.83% de precisión, 94.64% de sensibilidad, 98.27% de especificidad, 88.50% de precisión y un kappa de Cohen de 0.90.
• La concordancia entre los radiólogos y el modelo de IA mostró una estabilidad creciente a lo largo del piloto.
• El flujo de trabajo simulado permitió la evaluación futura en el tiempo sin la integración directa de PACS/RIS.

Conclusiones:

• El modelo de detección de cálculos renales de IA demostró un fuerte rendimiento de diagnóstico y estabilidad en un entorno simulado del mundo real.
• El estudio proporciona un marco reproducible para el posible despliegue piloto de IA en radiología.
• La evaluación en la etapa piloto es crucial para la implementación clínica y la aprobación regulatoria de las herramientas de IA.