Nuestra historia en la implementación de algoritmos de IA nace en 2018 cuando realizamos un viaje para entrevistarnos con Startups del Silicon Wadi (el Silicon Valley de Israel en Tel Aviv) y conocer de primera mano los proyectos de Machine Learning que estaban desarrollando en salud.
Cálculo de edad ósea
Después del viaje decidimos implementar un primer algoritmo para el cálculo de la edad ósea analizando radiografías de mano. El edad ósea es un examen muy solicitado por los pediatras cuando los niños tienen un desarrollo de estatura más baja de lo esperado (sirve para evaluar si hay un desfase entre la edad cronológica y la edad de los huesos). Dado que era la primera implementación que hacíamos de un algoritmo de “inteligencia artificial” decidimos hacer una validación del producto a la realidad Chilena. Se analizaron 1.500 radiografías ya informadas por uno de nuestros radiólogos con el algoritmo y después se analizó la correlación entre el informe del radiólogo y el resultado del algoritmo. La correlación fue muy buena y nos dio seguridad en la implementación del sistema para todos los informes.
Desde 2018 el 100% de los informes de edad ósea en Clínica Alemana de Santiago se informan utilizando este algoritmo.
Ficha del Algoritmo - BoneXpert
Año de implementación: octubre 2018
Validación local: Correlation in radiological bone age determination using the Greulich and Pyle method versus automated evaluation using BoneXpert software
Certificación: Clase I Comunidad Europea, sin certificado por FDA
Infraestructura: on premise (el algoritmo correo en los servidores de Clínica Alemana)
Interoperabilidad: interopera con nuestro RIS de AGFA a través de llamada a demanda (transmitir)
Uso: más de 9.400 informes anuales
Fortaleza: permite hacer el cálculo de la edad ósea en 20 segundos, cuando a un radiólogo le toma 10 minutos usando el método tradicional buscando la imagen en el Atlas. Ventaja imperdible.
Nivel de emoción: 
Cambio de conducta ante ACV
Los siguientes algoritmos que implementamos son para la evaluación de Accidente Cerebro Vascular (ACV). En los congresos de neurología se presentaban los resultados de un estudio muy importante, el DEFUSE 2, que estaba cambiando la forma de atender el ACV. Un postprocesamiento de imágenes médicas estaba permitiendo realizar tratamientos que salvan neuronas en pacientes que las guías de práctica clínica indicaban que no eran candidatos. Desde 2018 en la Clínica Alemana de Santiago todos los pacientes con sospecha de ACV son evaluados por 5 algoritmos (3 de postprocesamiento de imágenes y 2 que utilizan Machine Learning) y esto nos permite hacer una mejor medicina. Es tan importante implementar esta tecnología que en USA hay un pago extra GRD a las organizaciones que utilizan estos algoritmos ver: USA habilita pago extra en GRD por uso de algoritmo de Inteligencia Artificial en Medicina
Ficha de los Algoritmos - RAPID
Año de implementación: 2018 (CTA, MRI), 2019 (LVO), 2020 (ICH, ASPECTS, APP Móvil)
- Rapid CTA (CT Angiography - 2012) FDA: [K122477] (https://www.accessdata.fda.gov/scripts/cdrh/cfdocs/cfpmn/pmn.cfm?ID=K172477) - No usa Machine Learning
- Rapid MRI (Análisis avanzado de difusión-perfusión de RM para ver tejido cerebral salvable) FDA: K182130 - No usa Machine Learning
- LVO (Large Vessel Occlusion, Oclusión de grandes vasos – 2019) FDA: K200941 - No usa Machine Learning
- Predicción de Hemorragia cerebral en CT sin contraste (ICH) FDA: K193087 - Usa ML
- Cálculo de Alberta Stroke Program Early CT Score (ASPECTS) para evaluar trombectomía FDA: K200760 - Usa ML
Infraestructura: on premise y on cloud
Interoperabilidad: interopera con nuestro RIS de AGFA a través de llamada a demanda (transmitir)
Uso: Más de 200 pacientes por mes son evaluados con estos algoritmos
Fortaleza: cambia una práctica clínica y permite a los pacientes con ACV que atendemos salvar neuronas y disminuir las secuelas de un infarto cerebral. Hoy las instituciones que tienen este tipo de algoritmos realizan una mejor medicina que quienes no lo tienen.
Nivel de emoción:
Predicción de neumonía en Tomografía de Tórax
Con la pandemia muchas empresas comenzaron a proponer algoritmos de procesamiento de imágenes de tórax (tomografía, radiografías) para predecir consolidaciones. Nosotros probamos Pneumonia Analysis (hoy AI Rad Companion) que permite hacer un análisis de la tomografía de tórax y entrega información analítica sobre la consolidación. En la práctica clínica nunca logró ser implementado y actualmente solo lo utilizamos para proyectos de investigación.
Ficha del Algoritmo - AI Rad Companion en tomografías de tórax
Año de implementación: 2020 (durante pandemia Covid)
Infraestructura: on premise y on cloud
Interoperabilidad: interopera con nuestro sistema Syngo.via a través de llamada a demanda
Uso: se utilizó para un proyecto de investigación pero no en la práctica clínica
Nivel de emoción:
Predicción de patologías en Radiografías de Tórax, Mamografías y detección de enfermedad desmielinizante
Interesados en seguir probando algoritmos de machine learning para mejorar la calidad o eficiencia de nuestros procesos decidimos probar 13 algoritmos de análisis de Radiografía de Tórax, 1 algoritmo para la predicción de tumores en mamografía digital y 1 algoritmo para el cálculo de volumen cerebral en resonancia de cerebro y otro para enfermedades desmielinizantes (esclerosis múltiple).
Ficha del Algoritmo - Entelai Pic: Tórax, Mamografía, Volumentría, Desmielinizantes
Año de implementación: 2020
Infraestructura: on cloud
Interoperabilidad: interopera con nuestro RIS de AGFA a través de llamada a demanda (transmitir)
Uso: lo utilizamos 6 meses y se discontinuó su uso por no entregar valor para el grupo de imagenología
Fortaleza: el cálculo del volumen cerebral demanda mucho tiempo si se hace manualmente, el algoritmo de cálculo de volumen cerebral es muy rápido y realiza una actividad que manualmente es tediosa.
Nivel de emoción:
Predicción de imagen final de resonancia magnética ahorrando un 30-50% del tiempo
En los congresos de imagenología comenzaban a presentarse unos algoritmos que maravillaban con los números que presentaban. Disminuían los tiempos de los pacientes dentro de un resonador y obtenían imágenes con mejor resolución para el diagnóstico médico. Teníamos que probarlos.
Ficha del Algoritmo: SIGNA Air Recon DL
Año de implementación: 2022
Infraestructura: on premise (hardware robusto con muchísima GPU)
Certificación FDA: K193282
Paper del algoritmo: Performance characterization of a novel deep learning-based MR
image reconstruction pipeline
Interoperabilidad: es llamado desde la consola del radiólogo de forma automática
Uso: todas las resonancias magnéticas realizadas en los equipos donde está el Hardware instalado utilizan este algoritmo
Fortaleza: sorprendente velocidad y calidad de imagen obtenido. Se reduce un 30-50% del tiempo del paciente en el resonador, lo que permite evitar las incomodidades del paciente dentro de la modalidad (mejor calidad de atención), y se obtienen resultados de mejor calidad diagnóstica.
Nivel de emoción:
Predicción de contornos de órganos en tomografía computada
Con las diferentes implementaciones que hicimos aprendimos que hay ciertos algoritmos que son un must-to-have, ya que hacen de forma mucho más eficiente, actividades que a los humanos nos demanda más tiempo y no aportamos valor. Este es el caso del algoritmo que permite contornear los órganos que NO tienen que recibir rayos X durante un tratamiento de radioterapia. Esta actividad, hasta antes de estos algoritmos, la hacía un tecnólogo que tenía que dibujar en una tomografía computada, todos los órganos en los que el acelerador no tiene que impactar. Una tomografía tiene alrededor de 200 imágenes para contornear, así que esto lleva aproximadamente 3 horas por un humano, y el algoritmo lo hace en 2 minutos.
Ficha del Algoritmo: Limbus.ai
Año de implementación: 2022
Infraestructura: on premise
Certificación FDA: K201232
Interoperabilidad: el software interopera manualmente con carga de archivos (sin conexión a MOSAIQ, nuestro HIS de radioterapia)
Uso: todos los pacientes que son tratados en nuestro Servicio de Radioterapia, sus imágenes son contorneadas utilizando este algoritmo
Fortaleza: disminuye un 99% el tiempo requerido por un tecnólogo para contornear imágenes de tomografía (de 3 horas a 2 minutos)
Nivel de emoción:
Estos son algunos de los algoritmos que tenemos implementados y dan soporte a los pacientes que atendemos diariamente. En nuestro roadmap tenemos otros algoritmos comerciales, y también otros que estamos desarrollando internamente, para aprovechar las ventajas de las tecnologías del Machine Learning en Medicina.