El triaje simple asistido por computadora ( CAST ) son métodos o sistemas computarizados que ayudan a los médicos en la interpretación y clasificación inicial de imágenes médicas. CAST es una subclase de diagnóstico asistido por computadora (CAD). Los sistemas de software CAST realizan un triaje inicial (clasificación) completamente automático de estudios de diagnóstico por imágenes médicas . CAST está destinado principalmente al diagnóstico por imágenes de emergencia , donde se requiere un diagnóstico rápido de una condición crítica que pone en peligro la vida. [1]
El triaje simple asistido por computadora (CAST, por sus siglas en inglés) es una combinación del diagnóstico asistido por computadora (CAD, por sus siglas en inglés) y el triaje simple y el tratamiento rápido (START, por sus siglas en inglés). CAST realiza una interpretación inicial completamente automática de un estudio: una "lectura en húmedo". Los estudios se clasifican automáticamente en algunas categorías significativas, por ejemplo, positivo/negativo, crítico/menor/normal, difícil/simple/no diagnóstico, etc. [1]
El CAST está destinado principalmente a la obtención de imágenes de diagnóstico de emergencia . A diferencia del CAD tradicional, que se utiliza principalmente para detectar lesiones malignas, el CAST se ocupa de afecciones agudas y potencialmente mortales, en las que un diagnóstico rápido es fundamental. Si bien el objetivo principal del CAD tradicional es mejorar la precisión diagnóstica de un lector humano, el CAST aborda otros dos problemas:
Al igual que el CAD tradicional, el CAST no sustituye al médico. Solo alerta sobre la posibilidad de una condición aguda, crítica o sugiere que el estudio está libre de enfermedad grave. En ambos casos, el diagnóstico debe ser verificado por un médico capacitado. El beneficio clínico se logra:
Los sistemas CAD tradicionales suelen desempeñar el papel de "segundo lector" y se utilizan después o durante la interpretación realizada por el médico. Por otro lado, CAST analiza el estudio antes que el médico, en un modo totalmente automático y en segundo plano. Cuando el médico llega para leer el estudio, ya está disponible el triaje inicial o "lectura húmeda" preparado por CAST. El sistema CAST puede enviar un mensaje a un médico para informarle de un caso urgente que requiere atención inmediata.
Como cualquier sistema CAD, CAST, en general, no puede garantizar una precisión diagnóstica del 100%. Dado que CAST opera en un modo totalmente automatizado, se espera que el sistema presente una sensibilidad muy alta , generalmente superior al 90%. Además, la necesidad de proporcionar un diagnóstico a nivel "por estudio" también impone requisitos estrictos para la especificidad de CAST. El promedio de una o más falsas alarmas por estudio, tolerable para un CAD tradicional, no es aceptable para CAST, ya que casi todos los estudios se informarían como positivos. Por lo tanto, para la mayoría de las aplicaciones clínicas, la especificidad de CAST debe ser superior al 60-70% para que sea útil.
Dado que CAST funciona en un modo completamente automático, debería ser capaz de abordar cualquier estudio, independientemente de la calidad de la imagen, la anatomía del paciente, etc. Por lo tanto, los sistemas CAST deberían implementar un mecanismo de control de calidad para garantizar un alto nivel de confianza en el diagnóstico. Si el sistema decide (basándose en la calidad de la imagen evaluada, los artefactos detectados , las anomalías anatómicas, etc.) que no se puede lograr un diagnóstico confiable de forma automática, informa de un fallo.
El enfoque CAST es aplicable para la detección automática de enfermedades agudas potencialmente mortales a partir de imágenes médicas de diagnóstico, como:
El sistema CAST puede analizar imágenes adquiridas con diversas modalidades, incluidas radiografías , tomografías computarizadas , resonancias magnéticas , ultrasonidos y otras.
El sistema CAST está disponible para la detección de estenosis coronaria significativa (>50%) en estudios de angiografía coronaria por TC (cCTA). El sistema exhibe una especificidad "por estudio" del 60-70%, mientras que mantiene la sensibilidad por encima del 90%. [3] [4] [5] [6] [7] Se puede utilizar para la clasificación de pacientes con dolor torácico en la sala de emergencias.
Hay un sistema de aprendizaje profundo disponible para la detección automática de hemorragias intracraneales en entornos de atención aguda. [8]