Publicidad
Cálculo automático de la fracción de expulsión
Categoría
Desconocido/No reportado
Raza
Indio americano/Nativo de Alaska
Negro o afroamericano
Blanco
Desconocido/No reportado
Rendimiento del recuento de líneas B: en ambos estudios se calculó el coeficiente de correlación entre
evaluadores (ICC) entre las predicciones de recuento de líneas B del contador automático de líneas B y la verdad
terreno. La verdad terreno se definió como la mediana de 9 anotadores expertos sobre el mismo conjunto de
secuencias. Ambas pruebas superaron el objetivo de rendimiento de demostrar un ICC por encima de un límite
inferior de 0,75. El objetivo de rendimiento se derivó de los estudios publicados
Resultados del Estudio 1
Resultados del Estudio 2
Análisis de subgrupos de recuento de líneas B (Estudio 2)
El Estudio 2 evaluó el carácter generalizable del contador automático de líneas B en una amplia gama de
subgrupos de pacientes clínicamente significativos (edad, sexo, IMC, etnia y raza). La herramienta funcionó de
forma similar en todos los subgrupos.
Rendimiento de la visualización de líneas B (también conocida como segmentación de líneas B): utilizando
solo el Estudio 1, se evaluó el grado de solapamiento en la ubicación de la posición de las líneas B utilizando el
coeficiente de Sorensen-Dice (DSC por sus siglas en inglés) entre la segmentación emparejada con el centroide
de la herramienta contador automático de líneas B y la segmentación de la verdad terreno. La verdad terreno para
la segmentación de líneas B se determinó utilizando 7 anotadores expertos. El DSC se calculó entre una línea B
identificada por la herramienta y una línea B real que presentaba un solapamiento total o parcial, o que colindaba
sin solapamiento. El Estudio 1 superó el objetivo de rendimiento de demostrar que el DSC era igual o superior a
0,52. El objetivo de rendimiento se derivó de los estudios publicados
Resultados del Estudio 1
10.2. Cálculo automático de la fracción de expulsión
NOTA
La herramienta de fracción de expulsión de Simpson no está disponible en los Estados Unidos.
6
Este enfoque sigue el de un análisis de un algoritmo de contador de líneas B basado en IA/aprendizaje automático descrito por Moore et al.,
«Interobserver Agreement and Correlation of an Automated Algorithm for B-Line Identification and Quantification With Expert Sonologist Review
in a Handheld Ultrasound Device» [Acuerdo interobservador y correlación de un algoritmo automatizado para la identificación y cuantificación de
líneas B con la revisión de un ecografista experto en un ecógrafo portátil], J Ultrasound Med 2021.
7
Obtenido de dos artículos: 1) Mason, Harry et al. «Lung Ultrasound Segmentation and Adaptation between COVID-19 and Community-Acquired
Pneumonia» [Segmentación y adaptación de la ecografía pulmonar entre COVID-19 y la neumonía adquirida en la comunidad], 2021, aceptado
en el taller MICCAI ASMUS (https://doi.org/10.48550/arXiv.2108.03138). 2) Roy, S. et al., «Deep Learning for Classification and Localization of
COVID-19 Markers in Point-of-Care Lung Ultrasound» [Aprendizaje profundo para la clasificación y localización de marcadores COVID-19 en
ecografía pulmonar en el punto de atención], en IEEE Transactions on Medical Imaging, vol. 39, no. 8, pp. 2676-2687, agosto de 2020, doi:
10.1109/TMI.2020.2994459
Herramientas con asistencia de IA
N.º de sujetos
4
5
1
22
73
1
Criterios de aceptación
ICC ≥ 0,75
Criterios de aceptación
DSC ≥ 0,52
6
ICC
0.899
0.85
7
.
DSC
0.82
IC del 95 %
[0,867, 0,92]
[0,78, 0,90]
IC del 95 %
[0,78, 0,876]
62
Publicidad
