INTRODUCCIÓN: Los pacientes ginecológicos con dolor abdominal agudo con frecuencia presentan líquido en el fondo de saco. Diferenciar el líquido hemorrágico del no hemorrágico es crítico, ya que el hemoperitoneo requiere intervención quirúrgica urgente. Esta distinción es particularmente desafiante cuando las características de imagen del líquido son inconclusas para distinguir entre tipos hemorrágicos y no hemorrágicos, especialmente en situaciones donde el tiempo es crítico. MÉTODOS: Desarrollamos el sistema CLEAR (Evaluación y Reconocimiento de Líquido de Fondo de Saco), un modelo de aprendizaje profundo basado en redes neuronales convolucionales. Se entrenó con 2,200 imágenes de ultrasonido transvaginal y TC de 100 casos quirúrgicos en la Fundación Médica Ilsim, Hospital Woori, Corea del Sur. Las etiquetas de verdad fundamental se derivaron de hallazgos laparoscópicos. CLEAR fue entrenado durante 100,000 iteraciones para analizar la ecogenicidad y atenuación, permitiendo la clasificación del líquido como hemorrágico, infeccioso u otros tipos. RESULTADOS: CLEAR demostró alta precisión diagnóstica, en particular al identificar líquido hemorrágico cuando la imagen convencional fue inconclusa. La integración multimodal de ultrasonido y TC mejoró significativamente el rendimiento diagnóstico. El modelo proporcionó clasificación en tiempo real y mantuvo una precisión consistente entre diversas demografías de pacientes. CONCLUSIONES/IMPLICACIONES: CLEAR permite una interpretación rápida y precisa del líquido en el fondo de saco utilizando modalidades de imagen estándar. Facilita la toma de decisiones clínicas oportunas en casos ambiguos, como cuando es desafiante distinguir entre líquido hemorrágico y no hemorrágico. Al mejorar la confianza y consistencia diagnóstica, CLEAR puede contribuir a mejores resultados para los pacientes. Se justifica una validación multicéntrica adicional para confirmar su aplicabilidad clínica más amplia.
Cheon et al. (Jue,) estudiaron esta cuestión.