Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

HospiMedica

Deascargar La Aplicación Móvil
Noticias Recientes COVID-19 Cuidados Criticos Téc. Quirúrgica Cuidados de Pacientes TI Negocios

Perry Health

Modelo automatizado de IA basado en imágenes de TC predice la progresión de la enfermedad y la mortalidad en los pacientes con COVID-19

Por el equipo editorial de HospiMedica en español
Actualizado el 04 May 2021
Los investigadores desarrollaron un modelo automatizado de predicción de supervivencia basado en imágenes, usando el aprendizaje profundo de imágenes de tomografía computarizada (TC) de tórax, para una evaluación clínica rápida y exacta de la progresión y la mortalidad de la COVID-19.

En una evaluación del modelo, denominado U-supervivencia, desarrollado por investigadores del Hospital Brigham and Women's (Boston, MA, EUA), los resultados indicaron que se puede utilizar para proporcionar predicciones pronósticas automatizadas y objetivas para el tratamiento de pacientes con COVID-19.

Ilustración
Ilustración

Las imágenes de tórax pueden ayudar a los médicos a decidir si admitir o dar de alta a los pacientes con síntomas leves de COVID-19, si admitir a pacientes con síntomas de COVID-19 de moderados a graves en una sala regular o en una unidad de cuidados intensivos (UCI), y proporcionar información sobre el manejo terapéutico de pacientes hospitalizados con síntomas de COVID-19 de moderados a graves. La TC es el método de imágenes de tórax más sensible para la COVID-19.

El modelo U-supervivencia integra la información de las imágenes extraídas por aprendizaje profundo (U-Net) directamente en un modelo de riesgos proporcionales de Cox con una penalización de red elástica (modelo de Cox de red elástica) para realizar la predicción de pronóstico de pacientes con COVID-19. Después de entrenar a U-Net para realizar la segmentación semántica de los patrones de tejido pulmonar de las imágenes de TC de tórax, los investigadores sometieron la sección de cuello de botella de U-Net a un modelo de Cox de red elástica que selecciona automáticamente un subconjunto escaso de características para construir un modelo óptimo de supervivencia para los datos de entrada. Su enfoque se inspiró en la radiómica en el sentido de que los investigadores utilizaron una penalización de red elástica para construir una firma radiómica profunda para el análisis de supervivencia a partir de una gran cantidad de características extraídas de las imágenes internamente por U-Net.

Los investigadores demostraron que el aprendizaje profundo de las imágenes de TC de tórax se puede utilizar como parte integral de un modelo automatizado de predicción de supervivencia basado en imágenes usando la metodología de análisis de supervivencia tradicional. Esto hizo posible obtener información de supervivencia completa que no estaba disponible con los modelos de predicción propuestos anteriormente. En su evaluación de 383 pacientes positivos para COVID-19 de dos hospitales, el modelo U-supervivencia superó significativamente las pruebas de laboratorio existentes y los predictores visuales y cuantitativos basados en imágenes en la predicción de la progresión de la enfermedad y la mortalidad de los pacientes con COVID-19. Los resultados indican que el modelo U-supervivencia se puede utilizar para proporcionar predicciones pronósticas automatizadas y objetivas para el tratamiento de los pacientes con COVID-19.

Enlace relacionado:
Hospital Brigham and Women's


Últimas COVID-19 noticias