La IA mejora la identificación mediante rayos X de los marcapasos
Por el equipo editorial de HospiMedica en español Actualizado el 18 Apr 2019 |
Según un estudio nuevo, el software de inteligencia artificial (IA) puede ayudar a determinar la marca y el modelo de los dispositivos de ritmo cardíaco (DRC) implantados con mayor exactitud y rapidez que los métodos actuales.
El software, desarrollado en el Colegio Imperial de Londres (Imperial; Reino Unido), ayudará al personal de emergencia a eliminar los enfoques actuales para determinar el modelo de un marcapasos o desfibrilador, que implican comparar la apariencia radiográfica de un DRC con un diagrama de flujo manual. Para el estudio, los investigadores extrajeron las imágenes radiográficas de 45 modelos de DRC de cinco fabricantes. Luego desarrollaron una red neuronal convolucional (CNN) usando un conjunto de entrenamiento de 1.451 imágenes. La CNN luego se ensayó en un conjunto que contenía 225 imágenes adicionales, que consta de cinco ejemplos de cada modelo.
La capacidad de la red para identificar al fabricante de un dispositivo se comparó con la de los cardiólogos que utilizaron un diagrama de flujo. Los resultados mostraron que la CNN tenía una exactitud del 99,6% en la identificación del fabricante de un dispositivo y una exactitud del 96,4% en la identificación del grupo del modelo. Entre los cinco cardiólogos que utilizaron el diagrama de flujo, la identificación mediana de la exactitud del fabricante fue del 72%, y la identificación del grupo de modelo no fue posible. El estudio fue publicado el 27 de marzo de 2019 en la revista JACC: Clinical Electrophysiology.
“Los marcapasos y los desfibriladores han mejorado la vida de millones de pacientes. Sin embargo, en algunos casos raros, estos dispositivos pueden fallar y los pacientes se pueden deteriorar como resultado. En estas situaciones, los médicos deben identificar rápidamente el tipo de dispositivo que tiene un paciente para que puedan brindar tratamiento, como cambiar la configuración del dispositivo o reemplazar los cables”, dijo el autor principal James Howard, MD. “Desafortunadamente, los métodos existentes son lentos y desactualizados y hay una necesidad real de encontrar nuevas y mejores formas de identificar los dispositivos en situaciones de emergencia”.
La CNN utiliza una cascada de muchas capas de unidades de procesamiento no lineales para la extracción y transformación de características, y cada capa sucesiva utiliza la salida de la capa anterior como entrada para formar una representación jerárquica.
Enlace relacionado:
Colegio Imperial de Londres
El software, desarrollado en el Colegio Imperial de Londres (Imperial; Reino Unido), ayudará al personal de emergencia a eliminar los enfoques actuales para determinar el modelo de un marcapasos o desfibrilador, que implican comparar la apariencia radiográfica de un DRC con un diagrama de flujo manual. Para el estudio, los investigadores extrajeron las imágenes radiográficas de 45 modelos de DRC de cinco fabricantes. Luego desarrollaron una red neuronal convolucional (CNN) usando un conjunto de entrenamiento de 1.451 imágenes. La CNN luego se ensayó en un conjunto que contenía 225 imágenes adicionales, que consta de cinco ejemplos de cada modelo.
La capacidad de la red para identificar al fabricante de un dispositivo se comparó con la de los cardiólogos que utilizaron un diagrama de flujo. Los resultados mostraron que la CNN tenía una exactitud del 99,6% en la identificación del fabricante de un dispositivo y una exactitud del 96,4% en la identificación del grupo del modelo. Entre los cinco cardiólogos que utilizaron el diagrama de flujo, la identificación mediana de la exactitud del fabricante fue del 72%, y la identificación del grupo de modelo no fue posible. El estudio fue publicado el 27 de marzo de 2019 en la revista JACC: Clinical Electrophysiology.
“Los marcapasos y los desfibriladores han mejorado la vida de millones de pacientes. Sin embargo, en algunos casos raros, estos dispositivos pueden fallar y los pacientes se pueden deteriorar como resultado. En estas situaciones, los médicos deben identificar rápidamente el tipo de dispositivo que tiene un paciente para que puedan brindar tratamiento, como cambiar la configuración del dispositivo o reemplazar los cables”, dijo el autor principal James Howard, MD. “Desafortunadamente, los métodos existentes son lentos y desactualizados y hay una necesidad real de encontrar nuevas y mejores formas de identificar los dispositivos en situaciones de emergencia”.
La CNN utiliza una cascada de muchas capas de unidades de procesamiento no lineales para la extracción y transformación de características, y cada capa sucesiva utiliza la salida de la capa anterior como entrada para formar una representación jerárquica.
Enlace relacionado:
Colegio Imperial de Londres
Últimas TI noticias
- Modelo de aprendizaje automático mejora predicción del riesgo de mortalidad para pacientes de cirugía cardíaca
- Colaboración estratégica para desarrollar e integrar IA generativa en el cuidado de la salud
- Solución de quirófanos habilitada para IA ayuda a hospitales a maximizar la utilización y desbloquear la capacidad
- IA predice cáncer de páncreas tres años antes del diagnóstico a partir de registros médicos de los pacientes
- Primer sistema de autorizaciones médicas personalizadas de IA generativa totalmente autónoma reduce el retraso en la atención
- Según un estudio, registros médicos electrónicos pueden ser clave para mejorar la atención al paciente
- IA entrenada para biomarcadores vocales específicos podría predecir con precisión enfermedad de arterias coronarias
- Inteligencia artificial detecta las fracturas en los rayos X con exactitud
- Lectura capacitada por IA aumenta la exactitud de la mamografía
- Herramienta estadística predice los picos de COVID-19 en todo el mundo
- Sistema inteligente para detectar la fiebre y los contactos ayuda a que los negocios puedan reabrir
- Tecnología nueva permite la identificación a través de una máscara
- Servicio de ciberseguridad protege los dispositivos médicos de ataques
- Inteligencia artificial puede detectar los niveles de glucosa a través del ECG
- Implante neural suave de control inalámbrico estimula las células del cerebro
- Stent pequeño de polímero podría tratar las estenosis uretrales pediátricas