Una nueva investigación publicada esta semana en la revista Radiology encontró que un sistema de aprendizaje profundo (DL) desarrollado por funciona a la par con los radiólogos en la detección de tuberculosis pulmonar (TB) activa mediante radiografías de tórax.
Organización Mundial de la Salud (OMS), la TB es una infección bacteriana que generalmente afecta los pulmones y se propaga cuando una persona infectada tose, estornuda o escupe.
La enfermedad crea una importante carga de salud global, con 10 millones de personas que enferman cada año en todo el mundo.
De estos, 1,5 millones de personas mueren anualmente, a pesar de que la TB es prevenible y curable.
La OMS señala además que la enfermedad es una de las principales causas de muerte en el mundo en términos de enfermedades infecciosas, y es una de las principales causas de muerte entre las personas con .
Se estima que una cuarta parte de la población mundial está infectada con la bacteria de la TB, pero la mayoría de las personas que enferman de TB viven en países de ingresos bajos y medianos.
Esta carga global de enfermedades ha llevado a esfuerzos significativos para detectar y eliminar la TB, pero numerosos desafíos han limitado el progreso.
Como parte de su estrategia para facilitar la detección temprana de TB, la OMS recomienda radiografías de tórax para facilitar la detección de TB.
Sin embargo, los autores del estudio señalan que la falta de experiencia en interpretación de radiografías de tórax en muchas regiones obstaculiza estos esfuerzos.
Para abordar esto, los investigadores buscaron desarrollar un modelo de DL capaz de detectar la TB pulmonar activa.
El modelo fue entrenado y probado utilizando un conjunto de datos retrospectivos de radiografías de tórax adquiridas entre 1996 y 2020.
Los datos se obtuvieron de pacientes en 10 países con resultados positivos de TB confirmados mediante pruebas microbiológicas o pruebas de amplificación de ácido nucleico (NAAT).
Google se evaluó utilizando un conjunto de prueba de cuatro países que contenía datos de China, India, EE.
UU.
Zambia, y un conjunto de datos que contenía radiografías de una población minera en .
Luego se comparó el desempeño del modelo con el de 14 radiólogos.
El modelo fue diseñado para lograr objetivos de 90 por ciento de sensibilidad o 70 por ciento de especificidad, en línea con las pautas de la OMS para este tipo de tecnología.
En general, el modelo funcionó a la par con los radiólogos.
El modelo logró una sensibilidad del 88 por ciento en comparación con el 75 por ciento de los radiólogos.
Pero logró una especificidad del 79 por ciento en comparación con el 84 por ciento de los radiólogos.
Estos hallazgos indican que el modelo puede facilitar la detección de TB en áreas con recursos radiológicos limitados, concluyeron los investigadores.
Sin embargo, se necesita más investigación y validación clínica del modelo antes de que pueda integrarse en entornos clínicos.
Esta investigación es la última de un esfuerzo creciente por utilizar Twitter para mantenerte informado.
Síguenos en Facebook y entérate de las noticias trend de la semana
No hay comentarios.:
Publicar un comentario