Artigo em XML
Referências do artigo
Tradução automática
Enviar este artigo por email
Citado por SciELO 
Similares em
SciELO 
Permalink
PUNTOS CLAVE
• La pandemia COVID-19 obl igó a implementar cambios en los sistemas de atención de los servicios de emergencia.
• Evaluamos como el uso de la IA (RAPID-AI) en el análisis de las imágenes junto a cambios en el triage de los pacientes repercutieron en las métricas asistenciales.
• La implementación de estos cambios se asoció al mejoramiento de las métricas diagnóstico terapéuticas en el horario diurno.
• El horario nocturno se caracterizó por demoras en el arribo de los pacientes, mayor puntaje en el NIHSS basal y menor independencia funcional a 90 días.
El ACVi por oclusión de gran vaso cerebral (OGVC) genera alta tasa de discapacidad y muer te cuando no es tratado con los estándares actua les de reperfusión. Para lograr mejores resultados en el manejo inicial de la etapa aguda y reducir la morbimortalidad, deben optimizarse los pasos que componen la cadena de atención. Dicho ma nejo debe estar acorde al concepto “tiempo es ce rebro”, entendiendo al tiempo no como una limi tante, sino más bien como un obstáculo a sortear para lograr acortar el periodo en isquemia.
A fines de marzo de 2020 se inició en argen tina el aislamiento social preventivo obligatorio (ASPO) por la pandemia de SARS-CoV2, provo cando compromiso de las métricas asistenciales pre e intrahospitalarias1. Esto, en parte, debido a equipos profesionales reducidos, cambios en los protocolos de evaluación de emergencia, implementación de normas de protección del personal de salud, de los pacientes, el hisopado diagnóstico precoz y en muchos centros la in corporación de tomografía computada (TC) de tórax para la identificación de casos sospecho sos de coronavirus.
Reportes de distintas partes del mundo han descrito que, durante la pandemia, los pacientes llegaron demorados y con mayor compromiso clínico, producido, en parte, por la preocupación de exponerse al virus dentro del entorno hospi talario2, contribuyendo en la prolongación de las métricas asistenciales, así como también en la disminución del número de procedimientos de reperfusión3-8.
Otro aspecto para tener en cuenta en la aten ción de pacientes con ACVi en ventanas hiperex tendidas (mayor a 6 horas) es que las imágenes utilizadas son más sofisticadas, siendo esto a menudo un paso limitante de tiempo y de recur so humano ya que la experiencia requerida para estas tareas puede no estar disponible en todos los sitios o en todo momento.
La IA puede atenuar las demoras expuestas a través de un software de análisis de neuroimáge nes capaz de precisar rápidamente y en tiempo real, qué zonas del cerebro en isquemia pueden ser reperfundidas con resultado exitoso a pesar de haber transcurridos tiempos antes inimagi nables, prolongando así la ventana terapéutica (VT)9,10. La necesidad de una detección temprana, un diagnóstico preciso y un tratamiento oportu no ha promovido la aplicación cada vez mayor de esta tecnología en la atención del ACVi10. La IA permite determinar si el déficit focal agudo co rresponde a un evento isquémico o hemorrágico, calcular la escala de Alberta Stroke Program Early CT score (ASPECTS) (Fig. 1), si tiene OGVC (Fig. 2), el volumen del core isquémico (Vcore-I) y el área de penumbra isquémica (Fig. 3), información im portante para la toma de conducta en la terapia endovascular (TEV).
Figura 1 Cálculo del APSECTS por RAPID.AI, con el mapa de densidades que mide asimetrías en UH (unidades Hounsfield) en los 10 campos de la escala de ASPECTS: en este caso con un puntaje de 3
Figura 2 Visualización en pantalla de la app para smartphone a: alerta de oclusión de gran vaso cerebral (“LVO detected”); b: imagen de oclusión del segmento M1 de la arteria cerebral media derecha; c: simetría de densidades de estructuras vasculares de arteria cerebral media derecha (área en sombreado en rojo < al 45%)
Figura 3 a: Cálculo de mismatch core/penumbra: core isquémico=CBF<30% (137 ml); penumbra = Tmax > 6seg (185 ml); Mismatch volumen: 48 ml; Mismatch ratio 1.4 b-d: Mapas de perfusión: b: Mapa de Tmax; c: Mapa de volumen sanguíneo cerebral (CBV); d: Mapa de flujo sanguíneo cerebral (CBF). En b) se observa el cálculo del índice de hipoperfusión: 0.7, que estima la relación de perfusión dentro de la penumbra entre tejido con mejor aporte de flujo colateral vs. aquel con menor aporte, si la relación es ≤ 0.5 mejor pronóstico post reperfusión
El beneficio que presenta este análisis es cla ro cuando observamos los resultados de los es tudios DAWN11, DEFUSE-312 y su metodología de selección de pacientes para la TEV por OGVC en VT entre 6 y 24 h. Ambos utilizaron el software de IA RAPID.AI para el analisis de las imágenes por TC o resonancia magnética (RM), sus resul tados cambiaron la forma en que pensamos la isquemia cerebral entendiendo que el tiempo transcurrido en isquemia no es absoluto y, que a pesar de haber transcurrido varias horas en isquemia, existen pacientes que pueden benefi ciarse de la reperfusión6,7. Esto se ve reflejado en las guías terapéuticas dando sustento científico al tratamiento en VT hiperextendidas13-15.
Estos sistemas de IA funcionan mediante al goritmos de Deep Learning (DL) y Machine Lear ning (ML), los cuales son cada vez más utiliza dos para asistir en la interpretación de grandes volúmenes de imágenes médicas y así mejorar la detección de anomalías cerebrales en menor tiempo16.
La manera en que la pandemia de COVID-19 ha afectado a los sistemas de atención, en par ticular, a las emergencias que requieren una respuesta aguda como el ACV, ha sido poco eva luado en nuestro país, siendo nuestro objetivo determinar cómo este periodo afectó la atención de pacientes con ACVi reperfundidos, y si la in corporación de la IA para el analisis de imágenes junto a las medidas implementadas en el triage impactó en las métricas diagnóstico-terapéuti cas durante la pandemia en nuestro centro in tegral de ACV.
Materiales y métodos
Población en estudio y datos de interés
Se analizaron pacientes ingresados en forma conse cutiva con diagnóstico de ACVi por OGVC en VT de has ta 24 h tratados con terapia de reperfusión endovenosa más TEV o TEV directa, entre enero de 2019 y diciembre de 2021. El software RAPID.AI para el análisis de imáge nes de TC y RM, comenzó a utilizarse en la institución en un periodo inicial de instrucción en el mes de febrero de 2020 y formalmente en todos los pacientes con diagnósti co probable de ACVi en el mes de junio del mismo año. El estudio fue aprobado por el Comité de Ética e Investiga ción de la institución.
Se crearon 2 grupos para su análisis. El grupo 1, co rresponde a pacientes ingresados entre enero 2019 y ju nio 2020, la totalidad fueron estudiados con imágenes convencionales de TC o RM (los últimos 3 meses corres pondió al periodo de instrucción en el uso de RAPID.AI del equipo médico cuyos resultados en este periodo no se tuvieron en cuenta para la toma de conducta terapéu tica); mientras que en el grupo 2 todos los que ingresaron durante el periodo del ASPO y de implementación ruti naria del software de análisis de imágenes RAPID.AI para TC o RM, extendiéndose desde julio 2020 hasta diciembre de 2021.
Los criterios de inclusión para el tratamiento de reper fusión ya sea con tPA-IV o tratamiento combinado con TEV o TEV directa se basan en las guías nacionales e internacionales13-15.
Los datos de interés corresponden a edad, género, FR (hipertensión arterial, diabetes, dislipemia, tabaquismo activo, fibrilación auricular al ingreso, coronariopatía, ACV o ataque isquémico transitorio previo), métricas tempora les referidas a la última hora visto al paciente asintomáti co (UHA), la llegada a la institución, el tiempo a la neuroi magen, duración de adquisición de la imagen, tiempos al tPA intravenoso, punción inguinal, recanalización, el pun taje de la National Institute of Health Stroke Scale (NIHSS)17 al ingreso y el puntaje de la escala funcional modificada de Rankin (mRS)18 a los 90 días.
Las métricas de interés evaluadas fueron tiempo de inicio de los síntomas hasta el ingreso (inicio-in greso), siendo el tiempo de inicio el correspondiente a la UHA, tiempo desde el ingreso hasta el inicio de la imagen (puerta-imagen), tiempo de duración de la adquisición de la imagen (tiempo de imagen), tiempo desde el ingreso hasta la administración del bolo de tPA intravenoso (tiempo puerta-aguja), tiempo desde el ingreso hasta la punción inguinal para el tratamien to endovascular (tiempo puerta-ingle), tiempo desde el fin de la imagen hasta la punción inguinal (tiempo imagen-ingle) y el tiempo desde el ingreso hasta la re canalización arterial (tiempo puerta-recanalización). Se considera el tiempo de recanalización al momento de contacto inicial por el sistema de stent retriever o de aspiración con el trombo.
Además, se compararon los grupos según hora de arri bo de 08:00 a 20:00 h (horario diurno) vs. 20:01 a 7:59 h (horario nocturno) y por último se realizó la comparación horaria para cada grupo (diurno vs. nocturno).
Estudio por imágenes según grupo analizado
El grupo 1 fue estudiado con protocolo para ACVi de RM o TC. Se descartó hemorragia, se evaluó arteria com prometida, la magnitud de la isquemia en TC con la esca la de ASPECTS y el Vcore-I en RM.
El grupo 2 fue estudiado con protocolo de TC o RM pro cesados por el software de IA RAPID.AI. El protocolo consta de TC no contrastada de cerebro (TCNC), angio tomogra fía (ATC) de vasos de cuello, de cerebro y perfusión (TCP). En el caso de RM se realizan secuencias de DWI, suscep tibilidad magnética (SWI), angio resonancia sin contraste time-of-flight (ARM-TOF) y perfusión (PWI).
El procesamiento automatizado de las imágenes de per fusión por RM y TC brinda información sobre los siguientes parámetros: el tiempo al pico (TTP), el tiempo de tránsito me dio (MTT), el tiempo al máximo (Tmax), el volumen sanguí neo cerebral (CBV) y el flujo sanguíneo cerebral (CBF). Estos se calculan usando la curva concentración/tiempo obtenida del estudio de perfusión. El paradigma principal que evalúa las imágenes de perfusión es el mismatch (MM) entre el volumen de tejido lesionado irreversiblemente conocido como Core isquémico y el área de tejido hipoperfundido no funcional de nominado Penumbra, el cual que puede recuperar la función si se reperfunde rápidamente. (Figs. 1, 2 y 3)
Estadística
Las variables continuas se informaron como media ± desviación estándar (DS), o como mediana (rango in tercuartílico, RIC) en caso de distribución no gaussiana, y las variables categóricas se informaron como recuen tos y porcentajes. Las diferencias entre los grupos se evaluaron mediante análisis de varianza unidireccional y pruebas t de muestras independientes para variables continuas, y pruebas de chi-cuadrado para variables cate góricas. Las diferencias entre los grupos con distribución no paramétrica se evaluaron utilizando las pruebas U de Mann-Whitney y las pruebas de rango con signos de Wil coxon. El nivel de significación estadística se estableció en 0.05. Se utilizó para el análisis estadístico el software SPSS (23.0.0.0., SPSS Inc., Chicago, IL). Todos los pacientes o sus representantes legales firmaron al ingreso un con sentimiento informado autorizando la TEV, la inclusión de la información en una base de datos y su publicación en forma anónima.
Población y datos demográficos
En el periodo estudiado fueron identificados 948 pa cientes con diagnóstico de ACVi de los cuales 286 (30.2%) recibieron tratamiento de reperfusión, los que se dividie ron en grupo 1 con 153 (32.4%) pacientes y el grupo 2 con 133 (27.9%) (p = 0.13). De estos pacientes recibieron tPA-IV con o sin TEV 46 (9.8%) en el grupo 1 y 50 (10.5%) en el grupo 2 (p = 0.17). La TEV directa se realizo en 107 (22.6%) pacientes del grupo 1 y en 83 (17.4%) del grupo 2.
Los datos demográficos, FR y métricas comparativas se encuentran en la Tabla 1. No se identificaron diferen cias significativas entre grupos respecto a proporción de reperfundidos, edad, género, ni FR (Tabla 1). La mediana de NIHSS de ingreso no mostró diferencias entre grupos.
Con respecto a los pacientes derivados desde otros centros los mismos correspondieron al periodo prepan demia a 46 pacientes (30.0%) y en el periodo de pandemia fueron 64 (48.1%). De estos pacientes, recibieron tPA-IV en el centro primario 10 (21.7%) en el periodo prepandemia y 12 (18.8%) durante la pandemia (p = 0.69).
Métricas
La mediana tiempo de inicio hasta el ingreso fue de 315 minutos (RIC 135-570) para el grupo 1 y de 311 minu tos (RIC 129-622) en el 2 (p = 0.73). En VT mayor a 6 h se reperfundieron en el grupo 1, 83 pacientes (54.2%) y en el grupo 2, 68 pacientes (50.4%). El tiempo puerta-fin de ima gen fue significativamente mayor en el grupo 1; el tiempo de imagen no mostró diferencias entre grupos (a pesar de sumar 5 minutos en los pacientes del grupo 2 estudiados con TC de tórax). Los tiempos puerta-aguja, puerta-ingle y puerta-recanalización tampoco mostraron diferencias (Tabla 1; Fig. 4).
Horario de Ingreso
Al analizar los grupos según la hora de llegada diurna (08:00 a 20:00 h, Tabla 2) o nocturna (20:01 a 07:59 h, Ta bla 3), encontramos un comportamiento diferente (Fig. 5). En el horario diurno (Tabla 2), en el grupo 2 las métricas puerta-inicio de imagen y tiempo de adquisición de imagen fueron significativamente menores. La métrica que engloba los tiempos terapéuticos intrahospitalarios como es el intervalo puerta-recanalización fue significa tivamente menor en el grupo 2; en este intervalo horario los pacientes ingresaron con tiempos de inicio-ingreso 55 minutos mayor en el grupo 1, diferencia que es importan te clínicamente pero no alcanzó diferencia estadística. El NIHSS de ingreso no mostró diferencias entre grupo. Si analizamos los pacientes del grupo 2, los ingresados den tro del horario nocturno (Tabla 4) se caracterizaron por tener NIHSS significativamente mayor y tiempo inicio-ingreso más prolongado.
Figura 5 Métricas de arribo y diagnóstico terapéuticas según rango horario de arribo por grupo 1 y 2
La evolución a los 90 dias no mostró diferencias signi ficativas respecto a la independencia funcional (mRS ≤ 2) entre ambos grupos (Fig. 6). Lo mismo ocurrió cuando comparamos los grupos según hora de llegada, diurna vs. nocturna (Tabla 5).
Figura 6 Comparación según grupo 1 y 2 del puntaje de la escala modificada de Rankin medido a los 90 días del evento
El análisis por horario dentro de un mismo grupo no mostró diferencias significativas en el mRS ≤ 2 en el grupo 1, mientras que dentro del grupo 2 los ingresados en ho rario nocturno tuvieron menor independencia funcional a 90 días (Tabla 6), mayor demora en llegar y peor puntaje en la escala de NIHSS (Tabla 4).
Discusión
A diferencia de las experiencias de otras re giones del mundo y a nivel local, encontramos una atenuación del deterioro de las métricas de la fase diagnóstico-terapéutica reportadas du rante la pandemia en el ACVi mediante la imple mentación de la IA en el analisis de las imágenes junto a la reorganización del equipo de trabajo.
Los datos provenientes de experiencias vivi das en Estados Unidos y Europa a raíz de la lle gada del SARS-CoV 2 mostraron el detrimento de las métricas terapéuticas del ACVi, esto nos permitió enfrentar el tratamiento del mismo durante la pandemia conociendo a priori los as pectos que podían entorpecer sensiblemente el flujo del paciente en el triage inicial y empeorar los tiempos terapéuticos. Las métricas intra hospitalarias están ligadas a la intervención de equipos multidisciplinarios diferentes, viéndose afectadas en la pandemia por los distintos ni veles de protección personal, lo que necesaria mente iba a generar demoras en los tiempos de reperfusión. Otro aspecto relevante fue la implementación en este periodo del software automa tizado de imágenes por IA, que como toda nueva implementación de tecnología requiere de un periodo de entrenamiento tanto del equipo de informática, como técnicos de imágenes y mé dicos. Este periodo de capacitación constó del aprendizaje teórico a través del sistema RAPID-U, realizado online con examen final, para todos los involucrados en la cadena diagnóstico-tera péutica, seguido del periodo de implementación de las técnicas de adquisición de las imágenes que duró 3 meses. También debíamos tener pre sente el tiempo de adquisición del estudio, dado que el mismo involucró cambios en el protocolo de realización sumado a la decisión institucional de realizar TC de tórax de baja radiación como screening inicial junto a la PCR-viral que, como conocemos, su resultado tarda varias horas.
La decisión de realizar TC de tórax de baja radiación inicial en el contexto de la pandemia fue para sumar un dato objetivo al anteceden te clínico/epidemiológico para COVID-19, con la ventaja de ser un método de rápida adqui sición y permitir con esta información asistir al paciente hasta la llegada del resultado de la PCR-viral. Posteriormente, a partir de julio de 2020 se modificó la adquisición de la TC de tó rax simple, realizándose posterior al contraste EV usado en los estudios cerebrales con el ob jetivo de sumar información cardiovascular po tencialmente relacionada con el ACVi como son la detección de trombos en orejuela izquierda o ventrículo izquierdo, injuria o imágenes se cuelares miocárdicas y/o detección de trombo-embolismo de pulmón19-22. Esto, que a priori pa recería retrasar el inicio de la TEV, no ocurrió, ya que durante la adquisición de las imágenes torácicas se realiza en paralelo el procesado mediante la IA de las imágenes cerebrales ad quiridas previamente.
Dicho procesamiento automatizado de los datos aportados por las imágenes ha sido un gran avance en el uso del paradigma de MM para seleccionar pacientes para la terapia de reperfu sión, principalmente en VT de 6 a 24 horas. La detección automática de las curvas de concen tracióntiempo del contraste, es decir, la función de entrada arterial (AIF) y la función de salida venosa (VOF), es un ejemplo de uso de IA en imá genes de perfusión que al ser independiente del operador, ha eliminado la variabilidad entre eva luadores que solía surgir de la selección manual y, por lo tanto, ha dado consistencia al cálculo de la métricas de perfusión y a su interpretación23.
¿Como se posiciona la IA en todo esto? Pen semos que la reciente expansión de la informa cion contenida en las imágenes de pacientes con ACV es un ejemplo, donde los datos se adquie ren universalmente, se conservan digitalmente y, por lo tanto, se pueden utilizar para el entre namiento de algoritmos informáticos a gran es cala en todo el mundo. Es importante destacar que dicha capacidad informática puede brindar información mucho más allá del ritmo y el al cance de lo que podemos lograr como médicos en la atención rutinaria del ACV, donde cada minuto cuenta en los resultados del paciente24. De esta manera la IA, a través del analisis de un gran volumen de información, permite estable cer mapas segmentados a nivel cerebral de los distintos estados de perfusión y asi poder de terminar que zonas son target de la TEV. Estas zonas cerebrales son las que corresponden al tejido en penumbra isquémica. El analisis de las imágenes nos ha enseñado que el tiempo trans currido no tiene una correlación causal con el curso evolutivo de la isquemia cerebral y que no es una limitante terapéutica, sino que lo más importante son los cambios tisulares detectados mediante las neuroimágenes durante el tiempo que duró la isquemia. Es así que si demostra mos con los mapas de perfusión aportados por la IA la existencia de MM core penumbra, pode mos beneficiar a nuestros pacientes con el tratamiento de reperfusión25. Otro aspecto relevante es la utilidad de la IA en el analisis de las imáge nes en ventanas hiperextendidas. Como vimos, la frecuencia de presentación de pacientes con más de 6 h de evolución es alta (Tabla 1) y en estos pacientes la indicación de la reperfusión en la actualidad se basa en los datos aportados por la IA26.
Durante la pandemia la proporción de pa cientes derivados de otros centros ya sea cen tros primarios de ACV o no, fue significativa ma yor. Esta diferencia podría interpretarse debido a la falta de disponibilidad de camas generada durante la pandemia en los centros polivalentes con la consiguiente necesidad de derivación del paciente. No existió diferencia en la proporción de pacientes que habían recibido tPA-IV antes de la derivación (21.7% vs. 18.8%, p = 0.69).
Observamos que el tiempo inicio-ingreso no presentó diferencias significativas entre ambos grupos (Tabla 1). Si consideramos la hora de llegada vemos que los pacientes que arribaron durante la pandemia en el horario diurno pre sentaron un tiempo de arribo 55 minutos menor, si bien esta diferencia no fue significativa desde el punto de vista estadístico, sabemos que lo es desde el punto de vista clínico; una explicación para que los pacientes del grupo 2 lleguen con menos demora puede ser, en parte, la mayor velocidad en el traslado prehospitalario dado la menor congestión de tránsito durante los pri meros meses del ASPO, asociado a una modali dad diferente de derivación de los pacientes en este rango horario por las empresas de asisten cia médicas. Esta diferencia temporal de arribo entre ambos grupos en la franja horaria diurna no impactó en el estado clínico de los pacientes a su ingreso medido por la escala de NIHSS (Ta bla 4).
Ahora bien, si analizamos lo ocurrido dentro de un mismo grupo (Tabla 4), en los pacientes del grupo 2 encontramos diferente compor tamiento según el horario de ingreso. Los pa cientes de este grupo ingresados en el horario nocturno tienen un tiempo inicio-ingreso 151 minutos mayor que en horario diurno, siendo esta diferencia estadística y clínicamente signi ficativa. En cambio, en el grupo 1, los ingresa dos en horario nocturno presentaron un tiempo inicio-ingreso 69 minutos mayor que en el grupo diurno, diferencia que no alcanzó significancia (Tabla 4). Lo que nos habla que de alguna ma nera en el horario nocturno ya sea el sistema de derivación prehospitalaria o el llamado por par te del entorno del paciente, se vio comprometi do durante la pandemia. Esto posiblemente ex plica el mayor deterioro neurológico al ingreso (Tabla 4) encontrado en los pacientes del grupo 2 siendo el NIHSS de 17 en horario nocturno vs. 12 en el diurno.
Uno de los hallazgos más relevantes fue que en los pacientes ingresados en horario diurno, la métrica puerta-recanalización fue significa tivamente menor durante la pandemia (Tabla 2) comparado con aquellos ingresados prepan demia. La reducción de esta métrica es tal vez el logro más importante dentro de la cadena diagnóstico-terapéutica observada durante la pandemia ya que resume el accionar del equipo interviniente en el diagnóstico y tratamiento de las fase hiperaguda del ACV, dependiendo de un equipo multidisciplinario formado por neurólo gos, enfermería de la sala de emergencia, equipo técnico y médico de imágenes y neurorradiolo gía intervencionista, enfermería y anestesista de la sala de angiografía.
El rol que jugó la IA en reducir esta métrica fue fundamental y claramente notorio en el ho rario diurno ya que disminuyó los tiempos de interpretación de las imágenes por los médicos intervinientes, logrando en cuestión de minutos la distribución de los resultados por medio de la aplicación (app) RAPID.AI instalada en los telé fonos celulares de todo el equipo de trabajo la que además se integra con la información clini ca compartida por la app JOIN. De no contar con el analisis por IA ni la capacidad de distribución digital, el procesamiento de dicha información llevaría más tiempo de trabajo en consola por un médico altamente entrenado en diagnóstico por imágenes, que debería estar disponible las 24 horas los 365 días del año y la distribución de los resultados no sería uniforme ni se haría por medios digitales validados para la toma de conducta terapéutica, como lo permiten las 2 app mencionadas. Es importante reconocer que la aprobación del algoritmo RAPID.AI que otor ga la FDA y la ANMAT permite que sea utilizado como complemento en la toma de decisión por profesionales capacitados y no como un sustitu to. Por lo tanto, en la práctica clínica, el uso del software de IA ayuda a los médicos a conocer con precisión el comportamiento del ACV y asis tirlo en la toma de decisión terapéutica indivi dualizada, no para reemplazar elementos en la cadena del diagnóstico-tratamiento, sino como una herramienta que permite, según las posibi lidades de cada centro de atención, reforzar la toma de decisión o bien tomar en consideración algún elemento que puede haber sido pasado por alto27.
El mRS≤ 2 alcanzado a los 90 días no mostró diferencias entre ambos grupos independiente mente de la hora de ingreso (Fig. 6). Si los compa ramos dentro del mismo rango horario tampoco encontramos diferencias significativas (Tabla 5). Ahora bien, los pacientes que ingresaron en pandemia, analizados según horario de ingreso diurno vs. nocturno, presentaron diferencia sig nificativa con mayor proporción de mRS ≤ 2 en los pacientes arribados en horario diurno (Tabla 6), esta diferencia la atribuimos a la mayor de mora en llegar sumado a un peor estado clínico de los pacientes con arribo nocturno reforzando una vez más la importancia del tiempo en la re cuperación funcional (Tabla 4).
Si comparamos con otras series publicadas a nivel nacional, cada una presenta realidades di ferentes (Tabla 7)28-30. En nuestra experiencia no encontramos diferencias en el número de ingre sos con diagnóstico de ACVi pre e intrapandemia. Los tiempos puerta-aguja y puerta-ingle en el periodo de pandemia fueron menores (Tabla 1), pero no fueron significativos en el análisis glo bal. Como limitación de este trabajo encontra mos que el mismo solo analiza datos provenientes de una única institución, por otro lado, solo fueron analizados los pacientes que recibieron tratamiento de reperfusión y no la totalidad de los ingresos con diagnóstico de ACV. Cabe men cionar que no fue analizado el impacto en las métricas diagnóstico-terapéuticas de los cambios realizados en el triage como la modificación en la dinámica de ingreso, la utilización de equipos de protección y la reducción de personal.
En conclusión, a pesar de los cambios ins taurados durante la pandemia en la recepción de los pacientes con diagnóstico de ACVi el uso de la IA para el analisis de las imágenes junto a las medidas adoptadas en el triage inicial per mitieron un menor tiempo puerta inicio de ima gen y tiempo de adquisición de imagen lo que posibilitó acortar el intervalo hasta la punción inguinal. Esto alcanzó su máxima expresión en los pacientes ingresados en pandemia en hora rio diurno que mostraron métricas puerta-fin de imagen, tiempo de imagen y puerta-recanaliza ción significativamente menores que aquellos estudiados previo a la pandemia.
