{{{sourceTextContent.title}}}

AI salva il tempo dei radiologi triaging la radiografia del torace, ma è clinicamente fattibile?

{{{sourceTextContent.subTitle}}}

C'è stato abbondanza di campagna pubblicitaria intorno al potenziale di intelligenza artificiale (AI) facilitare i carichi di lavoro della radiologia. E un nuovo approccio dell'avvolgimento della rete neurale ha dettagliato in uno studio della radiologia del 22 gennaio notevolmente si è ridotto riferire il lavoro arretrato esattamente triaging la radiografia del torace in tempo reale.

{{{sourceTextContent.description}}}

«I risultati iniziali riferiti qui sono emozionanti poichè dimostrano che un sistema di AI può essere preparato con successo facendo uso di base di dati molto grande dei dati radiologici ordinariamente acquistati,» hanno detto il co-author Giovanni Montana, PhD, dell'università di Warwick a Coventry, l'Inghilterra, in una dichiarazione preparata. «Con ulteriore convalida clinica, questa tecnologia si pensa che riduca il carico di lavoro di un radiologo da una quantità significativa individuando tutti gli esami normali in modo da più tempo può essere passato su quelli che richiedono la più attenzione.»

Il gruppo ha usato più di 470.000 de-hanno identificato la radiografia del torace adulta per sviluppare la loro piattaforma di AI. Un algoritmo di elaborazione del linguaggio naturale (NLP) ha analizzato i rapporti della radiologia per segnare l'immagine come qualsiasi critico, non urgente o «la pietra miliare critica» normale-un nello studio, Montana ha notato.

Dopo avere verificato il sistema su un insieme indipendente di 15.887 immagini, hanno riferito la radiografia del torace normale individuata piattaforma con una sensibilità di 71 per cento, una specificità di 95 per cento, di un valore predittivo positivo di 73 per cento e di un valore predittivo negativo di 99 per cento.

Dopo le simulazioni, il Montana ed i colleghi hanno riferito che i risultati critici hanno ricevuto un'opinione del radiologo in più rapida 2,7 giorni, in media, molto della media di 11,2 giorni per una pratica nell'ambiente. Per i risultati urgenti, la segnalazione media è stata ridotta ai 4,1 giorni, giù a partire dai 7,6 giorni.

C'erano una serie di limitazioni citate dagli autori di studio. In un editoriale relativo, William F. Auffermann, il MD, PhD, con l'università di salute di Utah a Salt Lake City, ha contestato l'uso del gruppo dei dati da un singolo sistema di salute. Auffermann ha sostenuto che un algoritmo preparato con i dati da un'istituzione non può tradurre bene in altri centri.

Uno studio ha pubblicato il 6 novembre 2018 nella medicina di PLOS provata questa nozione ed ha trovato gli algoritmi preparati per individuare la polmonite sulla radiografia del torace eseguita male una volta provato sui dati da un altro sistema di salute.

Auffermann ha notato il sistema descritto nello studio potrebbe avere un impatto «sostanziale» sui tempi di ritorno diminuenti se utilizzato in una regolazione clinica, ma ha sottolineato più prova è necessario prima che quella si trasformasse in in una realtà.

«Si può immaginare un sistema futuro della valutazione di AI in cui il paziente è tenuto brevemente nell'instituto della radiologia mentre un algoritmo di AI esegue una valutazione iniziale rapida per i risultati critici prima che il paziente lasci il dipartimento,» Auffermann ha concluso. «Il modo esatto in cui un tal sistema può essere implementatoe richiederà ulteriore studio prima che sia pronto da assistere la cura del ricoverato.»