�鶹����

Sadisir: Sistema de Automatizacin da Diagnose a partir de Signos Radiolxicos. Este é o nome dunha ferramenta creada por persoal investigador da Escola Superior de Enxeara Informtica do campus de Ourense que, mediante a combinacin de técnicas de intelixencia artificial e modelos de aprendizaxe automtica, infire automaticamente a ou as diagnoses médicas mis probables a partir dos signos presentes nunha imaxe de raios X. Ademais, automatiza a xeracin de informes que amosan, de xeito conciso, a diagnose atopada.

No marco do grupo Sing (Next Generation Computer Systems Group) da �鶹����, o proxecto estivo dirixido por David A. Ruano e nel participaron as e os investigadores Toms Cotos, Silvana Gmez e Reyes Pavn e os facultativos do Complexo Hospitalario Universitario de Ourense Diego Domnguez e José Manuel Fernndez-Carrera. A iniciativa contou con financiamento das axudas Inou, da Vicerreitora do Campus de Ourense e a Deputacin Provincial, e tamén da Consellara de Educacin, Universidades e Formacin Profesional no marco do financiamento estratéxico como grupo de referencia competitiva. “No campo da medicina, a interpretacin precisa de signos radiolxicos é fundamental para o diagnstico eficaz de enfermidades. Con todo, a abafadora cantidade de datos radiolxicos desafa a capacidade dos profesionais da saúde para analizalos exhaustivamente. Neste sentido, a intelixencia artificial e os algoritmos de aprendizaxe automtica xorden como unha solucin crucial”, comentan os membros do proxecto sobre a relevancia da ferramenta proposta.

Un sistema de apoio para especialistas

Neste contexto Sadisir foi desenvolvida para ser capaz de determinar automaticamente os diagnsticos mis probable para o paciente a partir do signos radiolxicos presentes nas imaxes de raios X e para xerar os informes clnicos especficos para cada paciente. O protocolo experimental deseado realizouse sobre o conxunto de datos PadChest, que proporciona unha coleccin de mis de 160.000 imaxes de radiografas de trax e informacin clnica detallada sobre 67.000 pacientes, e nel optouse, polos resultados obtidos no adestramento realizado do modelo, por RandomForest como o algoritmo de clasificacin mis ptimo neste caso.

O desenvolvemento deste sistema de apoio, indican desde a súa organizacin, pretende axudar ao especialista médico na toma de decisins, xa que axiliza a identificacin da diagnose e diminúe a probabilidade de erro nela, ademais de reducir sobrecarga de traballo, influndo nunha mellora da calidade asistencial do servizo. “É importante ter en conta que as aplicacins orientadas ao mbito sanitario teen que ter unha taxa de falsos negativos moi reducida. Neste senso, todos os diagnsticos emitidos pola aplicacin deben ser validados por un facultativo e o sistema dispn dun mecanismo de aprendizaxe continuo que se activa readestrando os modelos coa informacin obtida polo facultativo coa finalidade de mellorar a eficiencia do sistema, e por tanto, reducir os posibles erros”, comentan.

Co obxectivo de facilitar o uso da ferramenta a calquera tipo de usuario con independencia de seu nivel de dixitalizacin, a ferramenta embebeuse nunha interface grfica de escritorio que permite indicar manualmente os signos radiolxicos atopados na imaxe, mostrar graficamente a probabilidade de cada un dos diagnsticos, seleccionar o diagnostico mis apropiado e xerar o informe coa informacin do paciente, os signos atopados e a diagnose emitida.