>
"TRx: La imagen más precisa"
Innova Salud Digital
El preinforme de TRx funciona como una segunda opinión para asistir al médico profesional, en la evaluación de un paciente. TRx, está funcionando en el Hospital Italiano desde noviembre del año pasado, analizando en forma automática las radiografías de tórax del ámbito ambulatorio y de la guardia. Se procesa un promedio de más de tres mil estudios por mes, provenientes del hospital Central, San Justo y periféricos.
¿Qué es el Deep Learning?
Candelaria Mosquera, bioingeniera perteneciente al Departamento de Informática en Salud del Hospital Italiano de Buenos Aires (HIBA), explica que la Inteligencia Artificial (IA), definida de manera general, es un programa que cuenta con la capacidad de razonar como humanos.
Profundizando un poco más, encontramos que existen herramientas de diversos tipos y niveles de complejidad.
Dos grupos importantes dentro de la IA, son el Machine Learning y el Deep Learning.
El Machine Learning, aparece como un cambio de paradigma dentro de la IA, para desarrollar sistemas capaces de aprender a cumplir una tarea. No requieren ser programados explícitamente para realizarla, sino que se entrenan mediante datos. Por eso, resultan especialmente útiles en situaciones que necesiten de la interpretación de datos. Por su parte, el Deep Learning, o aprendizaje profundo, es un campo que aplica las teorías del Machine Learning, pero a gran escala. Esto quiere decir, con muchísima mayor cantidad de datos (millones) y utilizando algoritmos muy complejos. Su aplicación se destaca en tareas, donde es difícil explicitar los pasos que llevarán al resultado, por ejemplo, la interpretación de una imagen, la lectura de un texto o la comprensión de un audio.
¿Cómo surgió TRx?
La IA está en boga y en múltiples campos. Como tal, su uso en el sector salud también fue creciendo a pasos agigantados. Por ello, a finales de 2018, el Hospital Italiano, conforma un equipo de profesionales con el objetivo que se instruyan en prácticas relacionadas con la inteligencia artificial, para luego ponerlas en práctica en el ámbito asistencial y sus procesos, fundándose así el programa de Inteligencia Artificial del Hospital Italiano de Buenos Aires (pIASHIBA).
Es en el marco de pIASHIBA, que comienza la creación de TRx, que es precisamente, Deep Learning orientado a la detección automatizada de hallazgos en radiografías de tórax (RxTx).
El equipo escogió a la RxTx como caso de uso, puesto que es un estudio con una alta demanda, representando un 40% de todas las radiografías realizadas en el mundo; dentro del HIBA se realizan entre doscientas y cuatrocientas por día.
“Las radiografías de tórax de hoy en día cumplen una función orientada hacia el screening” explica Facundo Díaz, médico especialista en diagnóstico por imágenes, en un webinar ofrecido en mayo de 2020 desde el canal de YouTube DIS TV.
¿Qué es esto? Identificar patrones radiológicos sospechosos que en caso de sugerir hallazgos patológicos, promuevan otros métodos de diagnóstico más específicos para confirmarlos.
El equipo desarrolló TRx, como una herramienta para la detección de los principales hallazgos patológicos, visibles como patrones en la imagen. Así TRx permite clasificar las radiografías según encuentre algo, o no, en ellas.
TRx funciona mediante cuatro módulos diferentes, para la detección de cuatro tipos de hallazgos: opacidades pulmonares, neumotórax, derrame pleural y fractura.
Sumado a ese informe, la herramienta también ofrece un mapa de calor que explica al usuario final, los médicos, el por qué de esa decisión, ayudando así a su implementación en el ámbito asistencial.
Proceso de validación
TRx, atravesó un proceso de validación de tres niveles. Candelaria Mosquera, explica que para este proceso se tuvo en cuenta la diferencia entre un modelo y un sistema de Deep Learning. “Hay una diferencia entre el laboratorio de inteligencia artificial y el mundo real, que es el mundo clínico. Por ejemplo en el tipo de imágenes, las que hay en el laboratorio, preseleccionadas y de alta calidad, no son las mismas del mundo clínico, que pueden tener errores en las etiquetas y el orden de las cosas es diferente”.
El primer nivel de validación fue un testeo retrospectivo, con imágenes propias del hospital, perteneciente a un conjunto de radiografías locales, que involucra una variación externa desde un punto de vista estadístico
En el segundo nivel se desarrolló una prueba de concepto, en la que las imágenes se recolectaron de forma prospectiva en la Central de Emergencias del HIBA y se involucró a los usuarios finales de la herramienta, en este caso los médicos de guardia y de Diagnóstico por Imágenes, que son aquellos que están en contacto con la herramienta en el escenario clínico. El objetivo de esta etapa fue evaluar el desempeño real del modelo de Deep Learning ya integrado en el flujo de trabajo, e identificar los puntos fuertes y débiles, para hacer los ajustes necesarios y así, pasar a un piloto implementado en el hospital.
El tercer nivel de validación se realizó al integrar la herramienta en los sistemas de información del hospital: la historia clínica electrónica, el sistema de informes radiológicos y el PACS (sistema de almacenamiento de imágenes). Durante un período de cinco meses se recolectaron datos de uso, desempeño diagnóstico y feedback de usuarios, con el objetivo de hacer un estudio de usabilidad, para medir el impacto clínico y evaluar el desempeño del sistema. Hasta el momento, los resultados sugieren que los profesionales comunicaron una alta satisfacción con la interfaz, resultando cómoda y sencilla de comprender. Además, se identificaron patrones muy positivos en la percepción que tienen los usuarios sobre la utilidad clínica del sistema y sus opiniones resultan clave para la mejora continua de TRx. Actualmente, el equipo de desarrollo continúa con el monitoreo de la herramienta y la incorporación de nuevas funcionalidades, en una búsqueda constante de optimizar la integración exitosa al mundo asistencial.