Daily Arxiv

Cette page résume et organise les publications en intelligence artificielle du monde entier.
Les contenus sont synthétisés grâce à Google Gemini et le service est proposé à but non lucratif.
Les droits d'auteur des articles appartiennent à leurs auteurs ou institutions respectives ; en cas de partage, il suffit d'en mentionner la source.

Détection automatisée des pathologies sous-diagnostiquées par imagerie opportuniste

Created by
  • Haebom

Auteur

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

Contour

Cette étude a évalué le potentiel de la tomodensitométrie (TDM) opportuniste pour le diagnostic de pathologies sous-diagnostiquées telles que la sarcopénie, la stéatose hépatique et l'ascite, grâce à une méthode d'apprentissage profond. Nous avons analysé 2 674 scanners de patients hospitalisés afin d'identifier les divergences entre les phénotypes d'imagerie dérivés des scanners opportunistes et des comptes rendus radiologiques, et le codage de la Classification internationale des maladies (CIM). Nous avons constaté que seulement 0,5 %, 3,2 % et 30,7 % des cas de sarcopénie, de stéatose hépatique et d'ascite diagnostiqués par imagerie opportuniste ou par comptes rendus radiologiques, respectivement, étaient enregistrés avec les codes CIM. Cela suggère que la TDM opportuniste peut contribuer aux progrès de la médecine de précision en améliorant la précision diagnostique et celle des modèles d'ajustement au risque.

Takeaways, Limitations_

Takeaways:
Nous démontrons que la TDM opportuniste peut améliorer la précision diagnostique de maladies sous-diagnostiquées telles que la sarcopénie, la stéatose hépatique et l’ascite.
Ces résultats suggèrent que la TDM opportuniste peut contribuer à l’avancement de la médecine de précision en améliorant la précision du diagnostic et en renforçant la précision des modèles d’ajustement des risques.
Cela suggère la nécessité de développer des mesures pour améliorer la précision du codage des systèmes d’information médicale.
Limitations:
ÉTant donné que cette étude a été menée sur la base de données de patients hospitalisés provenant d’un hôpital spécifique, la généralisabilité à d’autres contextes peut être limitée.
Il existe un manque d’informations sur les spécificités du modèle d’apprentissage profond utilisé dans l’analyse et les mesures d’évaluation des performances.
Les causes des omissions de codage CIM font l'objet d'une analyse approfondie. Seul le taux d'omission est présenté, sans analyse des causes sous-jacentes.
👍