Development of a clinical database for the training of AI algorithms and its implementation on the XNAT system

La malaltia de l'artèria coronària (CAD) és una malaltia cardiovascular prevalent i la principal causa de mortalitat a tot el món entre les persones menors de 65 anys. Es caracteritza per l'estrenyiment de les artèries coronàries, que es pot diagnosticar mitjançant la utilització de la tomografia computeritzada coronària (TCA). Dins d'un entorn hospitalari, el procés d'informe manual per als pacients amb sospita de CAD normalment requereix aproximadament 40 minuts per pacient, i aproximadament el 65% d'aquests casos no presenten una oclusió significativa dels vasos. S'ha proposat la integració de la intel·ligència artificial (IA) com a mitjà per optimitzar el flux de treball del metge facilitant el processament automatitzat de casos no crítics. Per formar adequadament i, posteriorment, implementar algorismes d'IA en el diagnòstic de CAD, l'establiment d'una base de dades estructurada esdevé crucial. Aquesta investigació presenta una metodologia integral per a la creació d'una base de dades clínica que incorpori dades derivades de la imatge i dades clíniques. La metodologia comença abordant els criteris de selecció de pacients i establint una distribució adequada dels pacients. Posteriorment, abasta diversos aspectes com la recuperació d'imatges, l'anotació i la validació per part d'un expert clínic. Finalment, s'aclareix la integració de dades tant clíniques com d'imatge en una base de dades compatible amb sistemes d'IA. Per il·lustrar la implementació pràctica de la metodologia, s'utilitza un escenari de casos d'ús que inclou 30 casos distribuïts específicament. Les dades resultants s'emmagatzemen posteriorment en un sistema de gestió de dades a mida dissenyat per adaptar-se als requisits del projecte.La enfermedad de las arterias coronarias (EAC) es una afección cardiovascular prevalente y la principal causa de mortalidad en todo el mundo entre las personas menores de 65 años. Se caracteriza por el estrechamiento de las arterias coronarias, que se puede diagnosticar mediante la utilización de angiografía por tomografía computarizada coronaria (ATCC). Dentro de un entorno hospitalario, el proceso de informe manual para pacientes con sospecha de CAD generalmente requiere aproximadamente 40 minutos por paciente, y aproximadamente el 65% de estos casos no muestran una oclusión significativa del vaso. La integración de la Inteligencia Artificial (IA) se ha propuesto como un medio para optimizar el flujo de trabajo clínico al facilitar el procesamiento automatizado de casos no críticos. Para entrenar adecuadamente, y posteriormente implementar algoritmos de IA en el diagnóstico de CAD, el establecimiento de una base de datos estructurada se vuelve crucial. Esta investigación presenta una metodología integral para la creación de una base de datos clínica que incorpora datos clínicos y derivados de imágenes. La metodología comienza abordando los criterios de selección de pacientes y estableciendo una adecuada distribución de pacientes. Posteriormente, abarca varios aspectos, como la recuperación de imágenes, la anotación y la validación por parte de un experto clínico. Finalmente, se aclara la integración de datos clínicos y de imágenes en una base de datos compatible con los sistemas de IA. Para ilustrar la implementación práctica de la metodología, se emplea un escenario de caso de uso que involucra 30 casos distribuidos específicamente. Los datos resultantes se almacenan posteriormente en un sistema de gestión de datos personalizado diseñado para adaptarse a los requisitos del proyecto.Coronary artery disease (CAD) is a prevalent cardiovascular condition and the leading cause of mortality worldwide among individuals under 65 years of age. It is characterized by the narrowing of the coronary arteries, which can be diagnosed through the utilization of Coronary Computed Tomography Angiography (CCTA). Within a hospital setting, the manual reporting process for patients suspected of CAD typically requires approximately 40 minutes per patient, and approximately 65% of these cases do not exhibit significant vessel occlusion. The integration of Artificial Intelligence (AI) has been proposed as a means to optimize clinician workflow by facilitating automated processing of non-critical cases. To adequately train and subsequently implement AI algorithms in CAD diagnosis, the establishment of a structured database becomes crucial. This research presents a comprehensive methodology for the creation of a clinical database that incorporates both imaging-derived and clinical data. The methodology begins by addressing the patient selection criteria and establishing a suitable patient distribution. Subsequently, it encompasses various aspects such as image retrieval, annotation, and validation by a clinical expert. Finally, the integration of both clinical and imaging data into a database compatible with AI systems is elucidated. To illustrate the practical implementation of the methodology, a use-case scenario involving 30 specifically distributed cases is employed. The resulting data is subsequently stored in a tailored data management system (DMS) designed to accommodate the requirements of the project