Korištenje umjetne inteligencije za uspostavljanje modela prepoznavanja rendgenske slike prsnog koša za pomoć u postavljanju ključne dijagnoze kod starijih pacijenata s dispnejom

Podatci o inovaciji (HR)

Naziv inovacije: Korištenje umjetne inteligencije za uspostavljanje modela prepoznavanja rendgenske slike prsnog koša za pomoć u postavljanju ključne dijagnoze kod starijih pacijenata s dispnejom

Kratki opis inovacije: Pneumonija i plućni edem najčešći su uzroci akutnog respiratorno zatajenje u hitnoj i intenzivnoj njezi. Održavanje dišnih putova i očuvanje funkcije srca dva su temelja oživljavanja. Laboratorijski pregledi korišteni su za kliničare na početku razlikovati upalu pluća i plućni edem; međutim, niti jedan ne može pružiti tako brze rezultate kao radiološki pregledi, kao što je prijenosni rendgenski snimak prsnog koša (CXR), koji može brzo dati rezultate bez mobilizacije pacijenata. Međutim, slične značajke između upale pluća i plućnog edema nalaze se u CXR. I dalje je izazov za liječnike odjela hitne pomoći (ED) da donesu trenutne odluke budući da radiolozi ne mogu stalno biti na licu mjesta i pružati podršku. Stoga, točna interpretacija slika ostaje izazov u hitnim slučajevima. Reference su pokazale da duboke konvolucijske neuronske mreže (CNN) imaju visoku osjetljivost u CXR očitanjima. U ovoj retrospektivnoj studiji prikupili smo CXR slike pacijenata starijih od 65 godina hospitaliziranih s dijagnozom upale pluća ili plućnog edema između 2016. i 2020. Nakon korištenja kodova ICD-10 za odabir kvalificiranih zapisa pacijenata i uklanjanja dupliciranih, upotrijebili smo ključne riječi za označavanje slikovna izvješća pronađena u sustavu elektroničkog medicinskog zapisa (EMR). Nakon toga smo njihove CXR slike kategorizirali u pet kategorija: pozitivna korelacija, negativna korelacija, bez korelacije, niska korelacija i visoka korelacija. Potkategorizacija je također provedena kako bi se bolje razlikovale karakteristike. Primijenili smo šest eksperimenata koji uključuju kategorije ometanja i neometanja usjeva prema GoogLeNet-u i primijenili tri puta validacije. U našem najboljem modelu, rezultati F1 za upalu pluća i plućni edem su 0,835 odnosno 0,829; stopa točnosti: 83,2%, stopa prisjećanja: 83,2%, pozitivna prediktivna vrijednost: 83,3%, i F1 rezultat: 0,832. Nakon validacije, najbolja stopa točnosti našeg modela može doseći do 73%. Model ima visoku negativnu prediktivnu vrijednost isključivanja plućnog edema, što znači da CXR ne pokazuje znakove plućnog edema. U to je vrijeme postojala visoka pozitivna prediktivna vrijednost za upalu pluća. Na taj način bismo ga mogli koristiti kao sustav podrške kliničkom odlučivanju (CDS) za isključivanje plućnog edema i prevladavanje upale pluća koja pridonosi kritičnoj njezi starijih osoba.

Duži opis inovacije: Pneumonija i plućni edem najčešći su uzroci akutnog respiratorno zatajenje u hitnoj i intenzivnoj njezi. Održavanje dišnih putova i očuvanje funkcije srca dva su temelja oživljavanja. Laboratorijski pregledi korišteni su za kliničare na početku razlikovati upalu pluća i plućni edem; međutim, niti jedan ne može pružiti tako brze rezultate kao radiološki pregledi, kao što je prijenosni rendgenski snimak prsnog koša (CXR), koji može brzo dati rezultate bez mobilizacije pacijenata. Međutim, slične značajke između upale pluća i plućnog edema nalaze se u CXR. I dalje je izazov za liječnike odjela hitne pomoći (ED) da donesu trenutne odluke budući da radiolozi ne mogu stalno biti na licu mjesta i pružati podršku. Stoga, točna interpretacija slika ostaje izazov u hitnim slučajevima. Reference su pokazale da duboke konvolucijske neuronske mreže (CNN) imaju visoku osjetljivost u CXR očitanjima. U ovoj retrospektivnoj studiji prikupili smo CXR slike pacijenata starijih od 65 godina hospitaliziranih s dijagnozom upale pluća ili plućnog edema između 2016. i 2020. Nakon korištenja kodova ICD-10 za odabir kvalificiranih zapisa pacijenata i uklanjanja dupliciranih, upotrijebili smo ključne riječi za označavanje slikovna izvješća pronađena u sustavu elektroničkog medicinskog zapisa (EMR). Nakon toga smo njihove CXR slike kategorizirali u pet kategorija: pozitivna korelacija, negativna korelacija, bez korelacije, niska korelacija i visoka korelacija. Potkategorizacija je također provedena kako bi se bolje razlikovale karakteristike. Primijenili smo šest eksperimenata koji uključuju kategorije ometanja i neometanja usjeva prema GoogLeNet-u i primijenili tri puta validacije. U našem najboljem modelu, rezultati F1 za upalu pluća i plućni edem su 0,835 odnosno 0,829; stopa točnosti: 83,2%, stopa prisjećanja: 83,2%, pozitivna prediktivna vrijednost: 83,3%, i F1 rezultat: 0,832. Nakon validacije, najbolja stopa točnosti našeg modela može doseći do 73%. Model ima visoku negativnu prediktivnu vrijednost isključivanja plućnog edema, što znači da CXR ne pokazuje znakove plućnog edema. U to je vrijeme postojala visoka pozitivna prediktivna vrijednost za upalu pluća. Na taj način bismo ga mogli koristiti kao sustav podrške kliničkom odlučivanju (CDS) za isključivanje plućnog edema i prevladavanje upale pluća koja pridonosi kritičnoj njezi starijih osoba.

Podatci o inovaciji (EN)

Naziv inovacije: Using Artificial Intelligence to Establish Chest X-Ray Image Recognition Model to Assist Crucial Diagnosis in Elder Patients With Dyspnea

Kratki opis inovacije: Pneumonia and pulmonary edema are the most common causes of acute respiratory failure in emergency and intensive care. Airway maintenance and heart function preservation are two foundations for resuscitation. Laboratory examinations have been utilized for clinicians to early differentiate pneumonia and pulmonary edema; however, none can provide results as prompt as radiology examinations, such as portable chest X-ray (CXR), which can quickly deliver results without mobilizing patients. However, similar features between pneumonia and pulmonary edema are found in CXR. It remains challenging for Emergency Department (ED) physicians to make immediate decisions as radiologists cannot be on-site all the time and provide support. Thus, Accurate interpretation of images remains challenging in the emergency setting. References have shown that deep convolutional neural networks (CNN) have a high sensitivity in CXR readings. In this retrospective study, we collected the CXR images of patients over 65 hospitalized with pneumonia or pulmonary edema diagnosis between 2016 and 2020. After using the ICD-10 codes to select qualified patient records and removing the duplicated ones, we used keywords to label the image reports found in the electronic medical record (EMR) system. After that, we categorized their CXR images into five categories: positive correlation, negative correlation, no correlation, low correlation, and high correlation. Subcategorization was also performed to better differentiate characteristics. We applied six experiments includes the crop interference and non-interference categories by GoogLeNet and applied three times of validations. In our best model, the F1 scores for pneumonia and pulmonary edema are 0.835 and 0.829, respectively; accuracy rate: 83.2%, Recall rate: 83.2%, positive predictive value: 83.3%, and F1 Score: 0.832. After the validation, the best accuracy rate of our model can reach up to 73%. The model has a high negative predictive value of excluding pulmonary edema, meaning the CXR shows no sign of pulmonary edema. At the time, there was a high positive predictive value in pneumonia. In that way, we could use it as a clinical decision support (CDS) system to rule out pulmonary edema and rule in pneumonia contributing to the critical care of the elderly.

Duži opis inovacije: Pneumonia and pulmonary edema are the most common causes of acute respiratory failure in emergency and intensive care. Airway maintenance and heart function preservation are two foundations for resuscitation. Laboratory examinations have been utilized for clinicians to early differentiate pneumonia and pulmonary edema; however, none can provide results as prompt as radiology examinations, such as portable chest X-ray (CXR), which can quickly deliver results without mobilizing patients. However, similar features between pneumonia and pulmonary edema are found in CXR. It remains challenging for Emergency Department (ED) physicians to make immediate decisions as radiologists cannot be on-site all the time and provide support. Thus, Accurate interpretation of images remains challenging in the emergency setting. References have shown that deep convolutional neural networks (CNN) have a high sensitivity in CXR readings. In this retrospective study, we collected the CXR images of patients over 65 hospitalized with pneumonia or pulmonary edema diagnosis between 2016 and 2020. After using the ICD-10 codes to select qualified patient records and removing the duplicated ones, we used keywords to label the image reports found in the electronic medical record (EMR) system. After that, we categorized their CXR images into five categories: positive correlation, negative correlation, no correlation, low correlation, and high correlation. Subcategorization was also performed to better differentiate characteristics. We applied six experiments includes the crop interference and non-interference categories by GoogLeNet and applied three times of validations. In our best model, the F1 scores for pneumonia and pulmonary edema are 0.835 and 0.829, respectively; accuracy rate: 83.2%, Recall rate: 83.2%, positive predictive value: 83.3%, and F1 Score: 0.832. After the validation, the best accuracy rate of our model can reach up to 73%. The model has a high negative predictive value of excluding pulmonary edema, meaning the CXR shows no sign of pulmonary edema. At the time, there was a high positive predictive value in pneumonia. In that way, we could use it as a clinical decision support (CDS) system to rule out pulmonary edema and rule in pneumonia contributing to the critical care of the elderly.

Kategorija