Los Servicios de Urgencia, por sus características intrínsecas, requieren de la toma rápida de decisiones por medio de técnicas cuantitativas. La inteligencia artificial (IA) puede convertirse en una aliada para mejorar los resultados de los pacientes atendidos y para optimizar el uso de los recursos del Servicio1. Las soluciones de IA de BrainScan y Radiobotics proporcionan soporte en las decisiones clínicas relacionadas con trastornos cerebrales y musculoesqueléticos.
La rapidez en la toma de decisiones es de importancia capital en algunas condiciones patológicas. Por eso, la detección temprana de eventos potencialmente mortales es una capacidad muy demandada y explorada en el área de las aplicaciones de IA en los Servicios de Urgencias1. Esto se debe a que los algoritmos de inteligencia artificial se caracterizan por la alta velocidad a la que realiza inferencias, con una rápida interpretación de los datos clínicos disponibles. Por ello, profesionales sanitarios de todo el mundo reconocen que integrar la IA en sus procesos de trabajo contribuye a solucionar los retos únicos de Urgencias y puede mejorar de forma significativa la calidad del Servicio2,3.
De hecho, la mayoría de estas aplicaciones de inteligencia artificial consisten en herramientas de soporte de decisión clínica y que alivian la sobrecarga de trabajo tan frecuente en Urgencias2. En concreto, según una revisión de los estudios publicados hasta febrero de 20204, un 24.7% de las aplicaciones de IA en los Servicios de Urgencias se orientaban a mejorar el diagnóstico y un 12.7% al diagnóstico por imagen.
Se dispone de múltiples estudios que muestran que la IA sobrepasa en precisión2 a las herramientas de decisión y sistemas de puntuación que se basan en modelos estadísticos tradicionales4. Esta superioridad podría explicarse por la capacidad aumentada de procesar simultáneamente muchas variables de grandes bases de datos4,5.
De esta manera, la IA optimiza la atención médica proporcionada en Urgencias, detectando anomalías difíciles de encontrar y que suelen pasar desapercibidas2. La detección temprana permite tratar la enfermedad de modo más efectivo y prevenir la progresión patológica y la aparición de complicaciones6.
Por otra parte, la toma de decisiones humana está sujeta a sesgos potenciales. La inteligencia artificial podría mitigar las correlaciones ilusorias y los errores metacognitivos en medicina4.
Gracias a los avances de investigación en inteligencia artificial, los algoritmos de IA proporcionan la oportunidad de utilizar las imágenes médicas como fuentes de datos1. La disciplina radiológica se encuentra particularmente dispuesta a las intervenciones con ayuda de la inteligencia artificial por su interfaz tecnológica, la dependencia del reconocimiento de patrones y la relativa riqueza de sus conjuntos de datos. Los avances en detección automática de lesiones y su segmentación conducirán con seguridad a más estudios de radiología con un foco en su aplicación en Urgencias4.
A continuación presentamos un estudio piloto realizado en el Kettering General Hospital de Reino Unido con RBfracture de Radiobotics para la detección de fracturas del esqueleto apendicular. Después, resumimos la experiencia de BrainScan CT system de BrainScan en el Oktoberfest 2023 de Múnich en colaboración con el LMU Klinikum.
Radiobotics: estudio piloto en el Kettering General Hospital (KGH)
El examen radiológico es el principal método de diagnóstico de las fracturas ortopédicas. Sin embargo, se pueden producir errores diagnósticos debido a la sobrecarga de trabajo de los profesionales, la falta de experiencia de algunos especialistas7, los cambios en el personal, las restricciones de los recursos, etc. Precisamente entre los errores diagnósticos más comunes se encuentran las fracturas no detectadas8.
Un mal diagnóstico podría tener complicaciones graves como maluniones o artritis debido al retraso en los tratamientos quirúrgicos7. Un reciente estudio observacional demostró una correlación directa entre el retraso quirúrgico de más de 12 horas en fracturas de cadera y el riesgo incrementado de mortalidad en 30 días. Asimismo, un retraso quirúrgico de más de 24 horas aumentó de manera significativa el riesgo de mortalidad en 90 días9.
La IA consigue resultados en el diagnóstico de las fracturas ortopédicas comparables a los de los profesionales, e incluso superiores al personal que carece todavía de experiencia. Es más, cuando la emplean los residentes de medicina su rendimiento se aproxima al de los expertos, dejando abierta la posibilidad de su utilización para entrenamiento y aprendizaje7.
Por otra parte, los profesionales sanitarios de Urgencias no siempre tienen el acceso oportuno a un especialista en interpretación radiológica10, como es el caso del Kettering General Hospital (KGH). En situaciones como la del KGH, los médicos de Urgencias se encargan con frecuencia de identificar rápidamente patologías que puedan considerarse peligrosas y de actuar en función de los resultados de sus exploraciones antes de que un radiólogo pueda revisarlas11.
El Kettering General Hospital realizó un estudio piloto para evaluar la herramienta RBfracture de Radiobotics de detección de fracturas. Su objetivo era reducir las tasas de fracturas no detectadas en el Servicio de Urgencias del hospital, en particular fuera del horario laboral de los radiólogos. Esto conlleva que los especialistas de imagen realicen con carácter inmediato los exámenes de los trastornos musculoesqueléticos agudos. Así el estudio pretendía medir el impacto de la implantación de RBfracture en un centro del National Health Service (NHS) de Reino Unido.
RBfracture es una solución de IA de soporte de decisiones clínicas, es decir, siempre se requerirá la revisión de un especialista antes de emitir un diagnóstico. RBfracture identifica fracturas en radiografías de pacientes de más de dos años de edad. Proporciona resultados instantáneos en el PACS del hospital mediante imágenes radiográficas anotadas.
La evaluación de RBfracture en el KGH consistió en una auditoría retrospectiva del rendimiento del algoritmo autónomo y en un análisis prospectivo de las tasas de fracturas no detectadas.
Por un lado, el rendimiento se determinó a través de la exactitud de cálculo por medio de la sensibilidad (tasa de incidentes positivos reales) y la especificidad (tasa de negativos reales) en una base de datos de 319 casos seleccionados por el hospital. En esta auditoría, dos radiólogos revisaron de forma independiente las imágenes y su consenso se utilizó como referencia del estándar de calidad para RBfracture. Cuando se producía un desacuerdo entre ambos, se consultaba a un tercer revisor.
Por otro lado, el análisis de las fracturas no detectadas incluyó la comparación del número de incidentes encontrados con RBfracture con respecto a una línea de base del histórico de datos del mismo intervalo de tiempo en años anteriores.
Durante el período que abarcó el estudio piloto, se procesaron los exámenes de 14 791 pacientes. La mediana de tiempo de análisis de RBfracture para cada examen individual fue de 13 segundos y el 90% de los casos se evaluaron en menos de 23 segundos.
Para determinar el rendimiento autónomo de RBfracture se consideraron 319 exámenes de pacientes en los que un 24% de los casos presentaban al menos una fractura. La sensibilidad, especificidad y exactitud obtenidas fueron del 94%. Además, el valor predictivo negativo fue del 98% y el valor predictivo positivo fue del 83%. La concordancia entre evaluadores fue del 96%.
En cuanto a la tasa de fracturas no detectadas, antes de la introducción de RBfracture se extendía del 1.9-4.5 por cada 1000 pacientes examinados. Con RBfracture se reportaron 15 casos de fracturas no detectadas, lo que equivale a una tasa de 1.0 por 1000 pacientes. Por lo tanto, se produjo una reducción del 47-62% en la tasa de fracturas no detectadas en comparación con la segunda mitad de 2021 y 2022, respectivamente. De los 15 casos de fracturas no detectadas, ocho los señaló RBfracture sin que los especialistas los detectaran, dos se produjeron durante el tiempo de parada y cinco se consideraron negativos tanto por el Servicio de Urgencias del KGH como por RBfracture.
Así, RBfracture de Radiobotics redujo errores en el diagnóstico de fracturas, mejorando el rendimiento del Servicio de Urgencias en el estudio piloto del Kettering General Hospital.
BrainScan, soporte de decisiones clínicas en el Oktoberfest 2023 de Múnich
Según la revisión de Kirubajan et al. de 20204, un 10.7% de las aplicaciones de IA para Urgencias se empleaban en entornos extrahospitalarios. Las condiciones extrahospitalarias suponen una situación única. Se debe a las variables clínicas limitadas y la necesidad de tomar decisiones rápidas. Por ejemplo, si trasladar o no al paciente al hospital. La IA puede ayudar debido a su potencia predictiva y la capacidad de emplear gran cantidad de datos en la predicción de los resultados. Por tanto, la inteligencia artificial producirá un impacto significativo en el entorno extrahospitalario4.
Un caso relevante es la utilización de BrainScan, a través de la plataforma de deepc, por el LMU Klinikum de Múnich durante el Oktoberfest 2023. La empresa deepc dispone de una plataforma de IA en radiología, deepcOS, que el LMU ya había empleado para el Oktoberfest de 2022. La experiencia de ese año se publicó como una carta al editor en el New England Journal of Medicine12.
Después de dos años cancelado por la pandemia de COVID-19, en 2022 se reanudó el Oktoberfest de Múnich, el mayor festival folclórico mundial, con más de 390 000 asistentes diarios durante 17 días. En esas fechas se esperaba una alta incidencia de lesiones e intoxicaciones. El LMU Klinikum de Múnich decidió colaborar con la empresa deepc para limitar la sobrecarga de los Servicios de Urgencias. Para ello, buscaba reducir los traslados innecesarios a los centros médicos en los casos de lesiones moderadas de traumatismo craneoencefálico. De hecho, estas lesiones son prevalentes en este tipo de eventos.
Se habilitaron unidades móviles de escáneres de tomografía computarizada (TC) con la plataforma deepcOS integrada y se situaron en las ubicaciones del festival. Esta plataforma incluía una solución de TC cerebral que se pudo incorporar en el flujo de trabajo in situ del LMU, obteniendo resultados notables.
Por un lado, la herramienta de IA identificó 11 casos de hemorragia intracraneal de forma que estos pacientes pudieron recibir atención médica inmediata. Por otra parte, la aplicación de la inteligencia artificial posibilitó que solo 17 de los 205 pacientes atendidos por lesiones de traumatismo moderadas se derivaran al hospital. Es decir, se redujeron los ingresos diarios en los Servicios de Urgencia en comparación con el histórico de datos de anteriores ediciones del festival.
Estos buenos resultados están detrás de la renovación de la colaboración entre LMU y deepc para el pasado Oktoberfest 2023, incluyendo esta vez dentro de su plataforma la solución BrainScan CT system de BrainScan.
El Servicio de Radiología del LMU Klinikum quería optimizar todavía más su prestación sanitaria por medio de información de más patologías. A través de la herramienta de evaluación de soluciones de deepc, LMU Klinikum realizó un análisis de diversos software de IA hasta encontrar la que mejor se ajustaba a sus requerimientos.
BrainScan CT system analiza los escáneres cerebrales de TC a través de inteligencia artificial como soporte de los especialistas de radiología y urgencias. Proporciona un apoyo en la detección de lesiones cerebrales, señalando 30 cambios potencialmente patológicos. Estos incluyen ictus, hemorragias, tumores y mucho más.
Los resultados del análisis de BrainScan CT system se exponen en forma de infografía y texto estructurado. El resumen en formato de gráfica es un modo novedoso de presentación de los resultados predichos por los algoritmos de IA con la información esencial del escáner de TC realizado.
La ventaja de la utilización de la infografía es su disponibilidad en cualquier visualizador DICOM. Así, los médicos pueden verlas como la siguiente serie de un archivo DICOM.
BrainScan CT system se implantó en las unidades móviles ubicadas en el festival Oktoberfest 2023 de Múnich. El objetivo era ayudar, mediante inteligencia artificial, al personal sanitario enfrentado al elevado número de traumatismos craneoencefálicos que se registran en esos días.
El continuo aumento en el número de pacientes referidos a los Servicios de Urgencias tiene como consecuencia que las técnicas tradicionales de diagnóstico podrían no ser suficientes para llevarse a cabo de forma rápida y efectiva. Además, los errores diagnósticos se traducirían en un aumento de los tiempos de espera, en retrasos del tratamiento y en resultados negativos para los pacientes.
Las ventajas de las soluciones de inteligencia artificial como soporte de decisiones clínicas en los Servicios de Urgencias incluyen la reducción de los errores humanos, la disminución de tiempo y de costes económicos, la mejora en los flujos de trabajo del Servicio y una exactitud comparable o incluso superior al personal médico no experto6.
Si desea más información acerca de los casos de aplicación de BrainScan CT system de BrainScan y de RBfracture de Radiobotics en los Servicios de Urgencias, puede contactarnos en el siguiente enlace.
Más información
Reducing Missed Fractures. Radiobotics’ RBfracture™ at Kettering General Hospital (web de Radiobotics)
deepc and LMU Renew Collaboration in Oktoberfest Medical Response (blog de deepc)
BrainScan CT supports the work of doctors from LMU Klinikum München during this year’s Oktoberfest (LinkedIn de BrainScan)
Referencias
- Piliuk, K. & Tomforde, S. Artificial intelligence in emergency medicine. A systematic literature review. Int. J. Med. Inform. 180, 105274 (2023).
- Boonstra, A. & Laven, M. Influence of artificial intelligence on the work design of emergency department clinicians a systematic literature review. BMC Health Serv. Res. 22, 669 (2022).
- Stewart, J., Sprivulis, P. & Dwivedi, G. Artificial intelligence and machine learning in emergency medicine. Emerg. Med. Australas. 30, 870–874 (2018).
- Kirubarajan, A., Taher, A., Khan, S. & Masood, S. Artificial intelligence in emergency medicine: A scoping review. J. Am. Coll. Emerg. Physicians Open 1, 1691–1702 (2020).
- Liu, N., Zhang, Z., Wah Ho, A. F. & Ong, M. E. H. Artificial intelligence in emergency medicine. J. Emerg. Crit. Care Med. 2, 82–82 (2018).
- Shafaf, N. & Malek, H. Applications of machine learning approaches in emergency medicine; a review article. Arch. Acad. Emerg. Med. 7, 34 (2019).
- Zhang, X. et al. Diagnostic accuracy and potential covariates of artificial intelligence for diagnosing orthopedic fractures: a systematic literature review and meta-analysis. Eur. Radiol. 32, 7196–7216 (2022).
- Hussain, F. et al. Diagnostic error in the emergency department: learning from national patient safety incident report analysis. BMC Emerg. Med. 19, 77 (2019).
- Pincus, D. et al. Association between wait time and 30-day mortality in adults undergoing hip fracture surgery. JAMA 318, 1994–2003 (2017).
- Mueller, B., Kinoshita, T., Peebles, A., Graber, M. A. & Lee, S. Artificial intelligence and machine learning in emergency medicine: a narrative review. Acute Med. Surg. 9, e740 (2022).
- Berlyand, Y. et al. How artificial intelligence could transform emergency department operations. Am. J. Emerg. Med. 36, 1515–1517 (2018).
- Flatz, W. et al. Mobile Computed Tomography at Munich Oktoberfest. N Engl J Med 389, 1051–1052 (2023).