Mapas de ativação de classe ponderada por gradiente de radiografias torácicas representativas em (A) um homem de 85 anos com síndrome coronariana aguda (SCA), (B) um homem de 77 anos com dissecção aórtica (AD), (C) um homem saudável de 39 anos e (D) mulher saudável de 27 anos. Os mapas mostram quais partes das imagens influenciaram as previsões do modelo de aprendizado profundo (DL) para o resultado composto. O gradiente de cores mostra o nível de ativação daquela determinada área, onde o vermelho indica a ativação mais alta, o azul indica a ativação mais baixa e nenhuma cor indica nenhuma ativação. As áreas do coração e dos pulmões contribuíram com a maioria das previsões do modelo. O ajuste fino melhorou a precisão do diagnóstico de nosso modelo DL e resultou em áreas mais relevantes que contribuem para as previsões. SCA = síndrome coronariana aguda, CTA = angiotomografia coronariana, ICA = angiografia coronariana invasiva, SPECT = TC por emissão de fóton único. Crédito: Sociedade Radiológica da América do Norte
A inteligência artificial (IA) pode ajudar a melhorar o atendimento aos pacientes que chegam ao hospital com dor aguda no peito, de acordo com um estudo publicado na Radiologia.
“Até onde sabemos, nossos aprendizagem profunda Modelo de IA é o primeiro a utilizar radiografias de tórax para identificar indivíduos entre dor aguda no peito pacientes que precisam de atenção médica imediata”, disse o principal autor do estudo, Márton Kolossváry, MD, Ph.D., pesquisador em radiologia do Massachusetts General Hospital (MGH) em Boston.
A síndrome de dor torácica aguda pode consistir em aperto, queimação ou outro desconforto no peito ou uma dor intensa que se espalha para as costas, pescoço, ombros, braços ou mandíbula. Pode ser acompanhada de falta de ar.
A síndrome de dor torácica aguda é responsável por mais de 7 milhões de atendimentos de emergência anualmente nos Estados Unidos, tornando-se uma das queixas mais comuns.
Menos de 8% desses pacientes são diagnosticados com as três principais causas cardiovasculares da síndrome de dor torácica aguda, que são síndrome coronariana aguda, embolia pulmonar ou dissecção aórtica. No entanto, a natureza potencialmente fatal dessas condições e a baixa especificidade dos testes clínicos, como eletrocardiogramas e exames de sangue, levam ao uso substancial de diagnóstico por imagem cardiovascular e pulmonar, muitas vezes com resultados negativos.
Como os departamentos de emergência lutam com um grande número de pacientes e escassez de leitos hospitalares, é importante triar efetivamente os pacientes com risco muito baixo dessas condições graves.
Deep Learning é um tipo avançado de inteligência artificial (AI) que pode ser treinado para pesquisar imagens de raios-X para encontrar padrões associados a doenças.
Para o estudo, o Dr. Kolossváry e seus colegas desenvolveram um Código aberto modelo de aprendizado profundo para identificar pacientes com síndrome de dor torácica aguda que estavam em risco de síndrome coronariana aguda em 30 dias, embolia pulmonar, dissecção aórtica ou mortalidade por todas as causas, com base em uma radiografia de tórax.
O estudo utilizou prontuários eletrônicos de pacientes com síndrome de dor torácica aguda que fizeram uma radiografia de tórax e imagens cardiovasculares ou pulmonares adicionais e/ou testes de esforço no MGH ou Brigham and Women’s Hospital em Boston entre janeiro de 2005 e dezembro de 2015. Para o estudo, 5.750 pacientes (idade média de 59 anos, incluindo 3.329 homens) foram avaliados.
O modelo de aprendizado profundo foi treinado em 23.005 pacientes do MGH para prever um desfecho composto de 30 dias de síndrome coronariana aguda, embolia pulmonar ou dissecção aórtica e mortalidade por todas as causas com base em imagens de radiografia de tórax.
A ferramenta de aprendizado profundo melhorou significativamente a previsão desses resultados adversos além da idade, sexo e marcadores clínicos convencionais, como exames de sangue com dímero d. O modelo manteve sua precisão diagnóstica em idade, sexo, etnia e raça. Usando um limite de sensibilidade de 99%, o modelo foi capaz de adiar testes adicionais em 14% dos pacientes em comparação com 2% ao usar um modelo que incorpora apenas dados de idade, sexo e biomarcadores.
“Analisar a radiografia de tórax inicial desses pacientes usando nosso sistema automatizado modelo de aprendizado profundofomos capazes de fornecer previsões mais precisas sobre os resultados dos pacientes em comparação com um modelo que usa informações de idade, sexo, troponina ou dímero d”, disse o Dr. Kolossváry. “Nossos resultados mostram que as radiografias de tórax podem ser usadas para ajudar triagem de pacientes com dor torácica no departamento de emergência.”
Segundo o Dr. Kolossváry, no futuro, um modelo automatizado desse tipo poderia analisar radiografias de tórax em segundo plano e ajudar a selecionar aqueles que mais se beneficiariam com atendimento médico imediato e ajudar a identificar pacientes que pode ser dispensado com segurança do Departamento de emergência.
Mais Informações:
Márton Kolossváry et al, Deep Learning Analysis of Chest Radiography to Triage Patients with Acute Chest Pain Syndrome, Radiologia (2023). DOI: 10.1148/radiol.221926
Fornecido por
Sociedade Radiológica da América do Norte
Citação: Pesquisadores usam IA para triagem de pacientes com dor no peito (2023, 17 de janeiro) recuperado em 17 de janeiro de 2023 em https://medicalxpress.com/news/2023-01-ai-triage-patients-chest-pain.html
Este documento está sujeito a direitos autorais. Além de qualquer negociação justa para fins de estudo ou pesquisa privada, nenhuma parte pode ser reproduzida sem a permissão por escrito. O conteúdo é fornecido apenas para fins informativos.
