Usando IA para Identificar Radiografias de Tórax Inocuas para Relatórios Automáticos

Contexto As práticas de radiologia têm um alto volume de radiografias de tórax inocuas e a inteligência artificial (IA) poderia possivelmente melhorar o fluxo de trabalho ao fornecer um relatório automático. Objetivo Estimar a proporção de radiografias de tórax inocuas, onde a IA pode corretamente excluir patologia (ou seja, especificidade) sem aumentar os erros diagnósticos. Materiais e Métodos Neste estudo retrospectivo, foram obtidas consecutivas radiografias de tórax em pacientes adultos únicos (≥18 anos de idade) entre 1 e 12 de janeiro de 2020, em quatro hospitais dinamarqueses. Os critérios de exclusão incluíam relatórios de radiologia insuficientes ou erro na saída da IA. Dois radiologistas torácicos, que estavam cegos para a saída da IA, rotularam as radiografias de tórax como "notáveis" ou "inocuas" com base em achados inocuos predefinidos (padrão de referência). Os relatórios de radiologia foram classificados de forma semelhante. Uma ferramenta comercial de IA foi adaptada para emitir uma probabilidade de "notabilidade" da radiografia de tórax, que foi usada para calcular a especificidade em diferentes sensibilidades da IA. Radiografias de tórax com achados perdidos pela IA e/ou pelo relatório de radiologia foram classificadas por um radiologista torácico como crítica, clinicamente significativa ou clinicamente insignificante. Proporções emparelhadas foram comparadas usando o teste de McNemar. Resultados Um total de 1961 pacientes foram incluídos (idade média, 72 anos IQR, 58-81 anos; 993 mulheres), com uma radiografia de tórax por paciente. O padrão de referência classificou 1231 de 1961 radiografias de tórax (62,8%) como notáveis e 730 de 1961 (37,2%) como inocuas. Com sensibilidades de 99,9%, 99,0% e 98,0%, a IA teve uma especificidade de 24,5% (179 de 730 radiografias 95% CI: 21, 28), 47,1% (344 de 730 radiografias 95% CI: 43, 51) e 52,7% (385 de 730 radiografias 95% CI: 49, 56), respectivamente. Com a IA fixada para ter uma sensibilidade semelhante aos relatórios de radiologia (87,2%), os achados perdidos da IA e dos relatórios tiveram 2,2% (27 de 1231 radiografias) e 1,1% (14 de 1231 radiografias) classificados como críticos (P = .01), 4,1% (51 de 1231 radiografias) e 3,6% (44 de 1231 radiografias) classificados como clinicamente significativos (P = .46), e 6,5% (80 de 1231) e 8,1% (100 de 1231) classificados como clinicamente insignificantes (P = .11), respectivamente. Com sensibilidades maiores ou iguais a 95,4%, a ferramenta de IA apresentou perdas críticas menores ou iguais a 1,1%. Conclusão Uma ferramenta de IA comercial utilizada fora da etiqueta poderia corretamente excluir patologia em 24,5%-52,7% de todas as radiografias de tórax inocuas com sensibilidade maior ou igual a 98%. A IA teve taxas iguais ou inferiores de falhas críticas em comparação aos relatórios de radiologia com sensibilidades maiores ou iguais a 95,4%. Esses resultados devem ser confirmados em um estudo prospectivo.