Investigadores de Mass General Bergham han desarrollado una nueva herramienta de IA en asociación con el Departamento de Asuntos de Veteranos de los Estados Unidos (VA) para investigar los primeros tomografías computarizadas acumuladas e identificar los niveles altos de calcio coronario de calcio (CAC) que tienen más riesgo de incidentes cardiovasculares. Su investigación, apareció en Nejm queSe demostró que el peaje ICAC cuesta un ataque cardíaco futuro y una alta precisión y predicción durante 10 años de muerte. Sus resultados sugieren que la implementación extensa de dicho dispositivo puede ayudar a los médicos a evaluar el riesgo cardiovascular de sus pacientes.
“Cada año, millones de exploraciones de CTCT, como personas sanas, son a menudo la clave del riesgo de cáncer de pulmón”, dijo Hugo Aerot, autor principal de Madison (AIM), inteligencia artificial, inteligencia artificial, inteligencia artificial de Madison (AIM). “Nuestros estudios muestran que la IA tiene la capacidad de lograr un cambio en el que los médicos practican las drogas y permiten a los médicos interactuar con los pacientes antes, antes de que su enfermedad cardíaca avance en el evento cardíaco”.
Las tomografías computarizadas en el pecho pueden detectar reservas de calcio en corazones y arterias que aumentan el riesgo de ataque cardíaco. Para corregir la cantidad de CAC, el estándar de oro utiliza tomografías computarizadas “cerradas”, que son compatibles con los latidos del corazón para reducir el movimiento durante el escaneo. Pero la mayoría de los escaneos de pecho obtenidos para fines médicos normales están “desnudos”.
Los investigadores reconocieron que el CAC aún se puede detectar en estos escaneos desnudos, lo que hace que produzcan el AI-CAC, lo que hizo la cantidad de CAC para ayudar a investigar el algoritmo de aprendizaje profundo a través de escaneos desnudos y predecir el riesgo de eventos cardiovasculares. Entrenó el modelo en las tomografías computarizadas de cofre recolectadas como parte del cuidado habitual de los veteranos en 98 centros médicos de VA y luego probó el rendimiento de AICAC a 8,052 ct de exploración para imitar la detección de CAC en pruebas de imágenes normales.
Los investigadores encontraron que el modelo AI-CAC era un 89.4 % preciso para determinar si el escaneo tenía CAC. El modelo de CAC, el modelo fue de 87.3 % preciso para determinar si la puntuación fue más de 100 o menos, lo que indica una amenaza cardiovascular moderada. AI-CAC también predijo que todo tipo de puntajes de muerte-CAC de más de 400 son 3.49 veces más altos en un período de 10 años que los pacientes con puntaje cero. El modelo entre los pacientes ha sido identificado como demasiada puntuación CAC (más de 400), con cuatro especialistas en tarjetas cardiovasculares cardiovasculares que casi todas (99.2 %) se beneficiarán de la terapia de reducción de lípidos.
“Actualmente, el sistema de imágenes VA incluye millones de tomografías computarizadas de tórax desnudas que se han tomado para otro propósito, alrededor de 50,000 estudios con recaudación. Proporciona la oportunidad de aumentar los escaneos acumulados y el mantenimiento habituales para el diagnóstico de riesgo cardiovascular para la IA-CAC”. Sistema de atención médica de playa. “El uso de IA para tareas como la detección de CAC puede ayudar a cambiar el medicamento a partir de un enfoque de reacción para la prevención activa de la enfermedad, lo que puede reducir los pacientes a largo plazo, las muertes y los costos de atención médica”.
Los límites del estudio incluyen el hecho de que el algoritmo se desarrolló especialmente en la población experimentada. El equipo espera obtener una educación futura en la población general y probar si el dispositivo puede evaluar los efectos de los medicamentos para reducir los lípidos en la puntuación CAC.
Escrito por: Además de las artes, los autores del general de Mass Bergham incluyen a Simon Bernatez y Leonard Norenberg. Los autores adicionales incluyen Rafi Hegupin, Timothy Straibal, Gregory A. Myers, Eric Offerman, Eric Zunega, Siyi Kim, Ang Tng, James Aiwas, Sunp Singh, Ivan Perry, Michael Jay Kim, R. Spencer Sheffer, Jenny Yu y Ameel Jandi.
Fondos: El trabajo fue proporcionado por el Sistema de Salud de Asuntos de Veteranos.
