Daily Arxiv

Esta página recopila y organiza artículos sobre inteligencia artificial publicados en todo el mundo.
La información aquí presentada se resume utilizando Google Gemini y el sitio se gestiona sin fines de lucro.
Los derechos de autor de los artículos pertenecen a sus autores y a las instituciones correspondientes; al compartir el contenido, basta con citar la fuente.

Detección automatizada de enfermedades infradiagnosticadas mediante imágenes oportunistas

Created by
  • Haebom

Autor

Asad Aali, Andrew Johnston, Louis Blankemeier, Dave Van Veen, Laura T Derry, David Svec, Jason Hom, Robert D. Boutin, Akshay S. Chaudhari

Describir

Este estudio evaluó el potencial de la tomografía computarizada (TC) oportunista para diagnosticar afecciones infradiagnosticadas como sarcopenia, hígado graso y ascitis mediante un método de aprendizaje profundo. Analizamos 2674 tomografías computarizadas de pacientes hospitalizados para identificar discrepancias entre los fenotipos de imagen derivados de tomografías computarizadas oportunistas e informes radiológicos y la codificación de la Clasificación Internacional de Enfermedades (CIE). Encontramos que solo el 0,5%, el 3,2% y el 30,7% de los casos de sarcopenia, hígado graso y ascitis diagnosticados mediante imágenes oportunistas o informes radiológicos, respectivamente, se registraron con códigos CIE. Esto sugiere que la TC oportunista puede contribuir al avance de la medicina de precisión al mejorar la precisión diagnóstica y la precisión de los modelos de ajuste de riesgos.

Takeaways, Limitations

Takeaways:
Demostramos que la TC oportunista puede mejorar la precisión diagnóstica de enfermedades subdiagnosticadas como la sarcopenia, el hígado graso y la ascitis.
Estos hallazgos sugieren que la TC oportunista puede contribuir al avance de la medicina de precisión al mejorar la precisión diagnóstica y aumentar la precisión de los modelos de ajuste de riesgos.
Sugiere la necesidad de desarrollar medidas para mejorar la precisión de la codificación de los sistemas de información médica.
Limitations:
Debido a que este estudio se realizó con base en datos de pacientes internados de un hospital específico, la generalización a otros entornos puede ser limitada.
Falta información sobre los detalles del modelo de aprendizaje profundo utilizado en el análisis y las métricas de evaluación del desempeño.
Se carece de un análisis exhaustivo de las causas de las omisiones en la codificación de la CIE. Solo se presenta la tasa de omisión, sin analizar las causas subyacentes.
👍