Arxiv hàng ngày

Đây là trang tổng hợp các bài báo về trí tuệ nhân tạo được xuất bản trên toàn thế giới.
Trang này sử dụng Google Gemini để tóm tắt nội dung và hoạt động phi lợi nhuận.
Bản quyền của các bài báo thuộc về tác giả và tổ chức liên quan; khi chia sẻ, chỉ cần ghi rõ nguồn.

Tự động phát hiện các tình trạng bệnh lý chưa được chẩn đoán thông qua hình ảnh cơ hội

Created by
  • Haebom

Tác giả

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

Phác thảo

Nghiên cứu này đánh giá tiềm năng của chụp cắt lớp vi tính (CT) cơ hội trong việc chẩn đoán các tình trạng chưa được chẩn đoán như teo cơ, gan nhiễm mỡ và cổ trướng bằng phương pháp học sâu. Chúng tôi đã phân tích 2.674 ảnh chụp CT nội trú để xác định sự khác biệt giữa các kiểu hình hình ảnh thu được từ chụp CT cơ hội, báo cáo X-quang và mã hóa Phân loại Bệnh tật Quốc tế (ICD). Chúng tôi nhận thấy chỉ có 0,5%, 3,2% và 30,7% trường hợp teo cơ, gan nhiễm mỡ và cổ trướng được chẩn đoán thông qua hình ảnh cơ hội hoặc báo cáo X-quang được ghi lại bằng mã ICD. Điều này cho thấy CT cơ hội có thể góp phần thúc đẩy y học chính xác bằng cách cải thiện độ chính xác của chẩn đoán và độ chính xác của các mô hình điều chỉnh nguy cơ.

Takeaways, Limitations

Takeaways:
Chúng tôi chứng minh rằng CT cơ hội có thể cải thiện độ chính xác trong chẩn đoán các tình trạng chưa được chẩn đoán như teo cơ, gan nhiễm mỡ và cổ trướng.
Những phát hiện này cho thấy CT cơ hội có thể góp phần thúc đẩy y học chính xác bằng cách cải thiện độ chính xác của chẩn đoán và nâng cao độ chính xác của các mô hình điều chỉnh rủi ro.
Nó gợi ý nhu cầu phát triển các biện pháp nhằm cải thiện độ chính xác mã hóa của hệ thống thông tin y tế.
Limitations:
Vì nghiên cứu này được tiến hành dựa trên dữ liệu bệnh nhân nội trú tại một bệnh viện cụ thể nên khả năng áp dụng cho các bối cảnh khác có thể bị hạn chế.
Thiếu thông tin về chi tiết cụ thể của mô hình học sâu được sử dụng trong phân tích và các số liệu đánh giá hiệu suất.
Thiếu phân tích chuyên sâu về nguyên nhân gây ra tình trạng thiếu sót mã hóa ICD. Bài viết chỉ trình bày tỷ lệ thiếu sót mà không phân tích nguyên nhân cơ bản.
👍