Cada vez que un paciente recibe una tomografía computarizada en el Rama médica de la Universidad de Texas (UTMB), las imágenes resultantes se envían automáticamente al Área de Cardiología, analizadas por IA y asignadas un puntaje de peligro cardíaco.

En solo unos meses, gracias a un operación simple, la IA ha afectado a varios pacientes con suspensión peligro cardiovascular. La tomografía computarizada no tiene que estar relacionada con el corazón; El paciente no tiene que tener problemas cardíacos. Cada escaneo desencadena automáticamente una evaluación.

Es una atención preventiva sencilla habilitada por AI, lo que permite que la instalación médica finalmente comience a utilizar sus grandes cantidades de datos.

“Los datos están sentados allí”, dijo Peter McCaffrey, director de IA de UTMB, a VentureBeat. “Lo que me encanta de esto es que AI no tiene que hacer ausencia sobrehumano. Está realizando una tarea de inteligencia bajo, pero a un tamaño muy suspensión, y eso todavía proporciona mucho valencia, porque constantemente estamos encontrando cosas que extrañamos”.

Él reconoció: “Sabemos que extrañamos cosas. Antiguamente, simplemente no teníamos las herramientas para regresar y encontrarlo”.

Cómo AI ayuda a UTMB a determinar el peligro cardiovascular

Al igual que muchas instalaciones de atención médica, UTMB está aplicando IA en varias áreas. Uno de sus primeros casos de uso es la detección de riesgos cardíacos. Los modelos han sido entrenados para escanear la calcificación de la arteria coronaria incidental (ICAC), un resistente predictor del peligro cardiovascular. El objetivo es identificar a los pacientes susceptibles a enfermedades cardíacas que de otro modo podrían acontecer sido pasadas por suspensión porque no exhiben síntomas obvios, explicó McCaffrey.

A través del software de detección, cada tomografía computarizada completada en la instalación se analiza automáticamente utilizando AI para detectar la calcificación coronaria. El escaneo no tiene que tener ausencia que ver con la cardiología; Se podría ordenar adecuado a una fractura espinal o un ganglio pulmonar anormal.

Los escaneos se alimentan en una red neuronal convolucional basada en imágenes (CNN) que calcula una puntuación de Agatston, que representa la acumulación de placa en las arterias del paciente. Por lo caudillo, esto sería calculado por un radiólogo humano, explicó McCaffrey.

A partir de ahí, la IA asigna a los pacientes con una puntuación ICAC en o superior a 100 en tres ‘niveles de peligro’ basados ​​en información adicional (como si están en una estatina o han realizado una invitado con un cardiólogo). McCaffrey explicó que esta asignación se fundamento en reglas y puede extraer títulos discretos interiormente del registro de sanidad electrónica (EHR), o la IA puede determinar los títulos procesando texto autónomo como notas de visitas clínicas usando GPT-4O.

Los pacientes marcados con una puntuación de 100 o más, sin circunstancias conocidos de visitas o terapia de cardiología, se envían automáticamente mensajes digitales. El sistema incluso envía una nota a su médico principal. Los pacientes identificados como que tienen puntajes ICAC más graves de 300 o más incluso reciben una citación telefónica.

McCaffrey explicó que casi todo está automatizado, excepto la citación telefónica; Sin confiscación, la instalación está pilotando activamente herramientas con la esperanza de automatizar incluso llamadas de voz. La única ámbito donde los humanos están en el circuito es confirmar el puntaje de calcio derivado de AI y el nivel de peligro antaño de continuar con una notificación automatizada.

Desde el tirada del software a fines de 2024, el centro médico ha evaluado aproximadamente 450 escaneos por mes, y se identifican de cinco a diez de estos casos como de suspensión peligro cada mes, lo que requiere intervención, informó McCaffrey.

“La esencia aquí es que nadie tiene que sospechar que tiene esta enfermedad, nadie tiene que ordenar el estudio para esta enfermedad”, señaló.

Otro caso de uso crítico para la IA está en la detección de suerte cerebrovascular y embolia pulmonar. UTMB utiliza algoritmos especializados que han sido entrenados para detectar síntomas específicos y equipos de cuidado de la bandera interiormente de los segundos de la imagen para acelerar el tratamiento.

Al igual que con la útil de puntuación de ICAC, CNNS, respectivamente entrenados para accidentes cerebrovasculares y embolia pulmonar, recibe automáticamente tomografías computarizadas y buscan indicadores como flujos sanguíneos obstruidos o un corte de vaso escarlata agreste.

“Los radiólogos humanos pueden detectar estas características visuales, pero aquí la detección está automatizada y ocurre en solo segundos”, dijo McCaffrey.

Cualquier TC ordenada “bajo sospecha” de suerte cerebrovascular o embolia pulmonar se envía automáticamente a la IA, por ejemplo, un clínico en la sala de emergencias puede identificar caídas faciales o homogéneo y emitir una orden de “suerte cerebrovascular”, desencadenando el operación.

Los dos algoritmos incluyen una aplicación de correo que notifica a todo el equipo de atención tan pronto como se realiza un hallazgo. Esto incluirá una captura de pantalla de la imagen con una mira sobre la ubicación de la ultraje.

“Estos son casos de uso de emergencia particulares en los que la prontitud con la que inicia el tratamiento es importante”, dijo McCaffrey. “Hemos manido casos en los que podemos vencer varios minutos de intervención porque tuvimos un aviso más rápido de la IA”.

Reducción de alucinaciones, sesgo de atraque

Para respaldar que los modelos funcionen de la modo más óptima posible, UTMB los perfila para la sensibilidad, la especificidad, la puntuación F-1, el sesgo y otros factores, el despliegue previo y el despliegue recurrente.

Entonces, por ejemplo, el operación ICAC se validada previa a la implementación al ejecutar el maniquí en un conjunto sereno de tomografías computarizadas, mientras que los radiólogos anotan manualmente, luego se comparan los dos. Mientras tanto, en la revisión posterior al despliegue, los radiólogos reciben un subconjunto azaroso de tomografías computarizadas con un puntaje de IA y realizan una medición ICAC completa que está cegada a la puntuación AI. McCaffrey explicó que esto permite a su equipo calcular el error del maniquí de modo recurrente y incluso detectar el sesgo potencial (lo que se vería como un cambio en la magnitud y/o direccionalidad de error).

Para ayudar a predisponer el sesgo de atraque, donde la IA y los humanos confían demasiado en la primera información que encuentran, perdiendo detalles importantes al tomar una atrevimiento, UTMB emplea una técnica de “estudios de pares”. Se eligen, se barajan, se anononizan y distribuyen un subconjunto azaroso de exámenes de radiología, y se comparan sus respuestas.

Esto no solo ayuda a catalogar el rendimiento del radiólogo individual, sino que incluso detecta si la tasa de hallazgos perdidos fue viejo en los estudios en los que se usó IA para resaltar específicamente anomalías particulares (lo que condujo a un sesgo de atraque).

Por ejemplo, si la IA se usara para identificar y marcar fracturas óseas en una radiografía, el equipo analizaría si los estudios con banderas para fracturas óseas incluso tenían tasas de fallas para otros factores como el estrechamiento del espacio articular (global en la artritis).

McCaffrey y su equipo han descubierto que las versiones de maniquí sucesivas tanto interiormente de las clases (varias versiones de GPT-4O) como en todas las clases (GPT-4.5 vs 3.5) tienden a tener una tasa de visión más descenso. “Pero esto no es cero y no determinista, así que, aunque agradable, no podemos ignorar la posibilidad y las ramificaciones de la visión”, dijo.

Por lo tanto, generalmente gravitan a herramientas generativas de IA que hacen un buen trabajo al citar sus fuentes. Por ejemplo, un maniquí que resume el curso médico de un paciente al tiempo que surge las notas clínicas que sirvieron como colchoneta para su producción.

“Esto permite al proveedor servir eficientemente como salvoconducto contra la visión”, dijo McCaffrey.

Marcar ‘cosas básicas’ para mejorar la atención médica

UTMB incluso está utilizando IA en varias otras áreas, incluido un sistema automatizado que ayuda al personal médico a determinar si las admisiones hospitalarias están justificadas. El sistema funciona como un copiloto, extrayendo automáticamente todas las notas del paciente del EHR y utilizando Claude, GPT y Gemini para resumirlas y examinarlas antaño de presentar las evaluaciones al personal.

“Esto permite que nuestro personal mire a toda la población de pacientes y filtro/triaje pacientes”, explicó McCaffrey. La útil incluso ayuda al personal a redactar documentación para respaldar la admisión u observación.

En otras áreas, la IA se usa para retornar a examinar informes como interpretaciones de ecocardiología o notas clínicas e identificar la brecha en la atención. En muchos casos, “simplemente está marcando cosas básicas”, dijo McCaffrey.

La atención médica es compleja, con alimentos de datos de todas partes, señaló, imágenes, notas del médico, resultados de laboratorio, pero muy poco de esos datos se han calculado porque simplemente no ha habido suficiente mano de obra humana.

Esto ha llevado a lo que describió como un “cuello de botella intelectual masivo y masivo”. Muchos datos simplemente no se están calculando, a pesar de que existe un gran potencial ser proactivo y encontrar cosas antaño.

“No es una inculpación de ningún oportunidad en particular”, enfatizó McCaffrey. “En caudillo, es generalmente el estado de la atención médica”. En desaparición de IA, “No se puede desplegar la inteligencia, el indagación, el trabajo de pensamiento a la escalera requerida para atrapar todo”.