En un comunicado reciente emitido por diversas sociedades de radiología, entre ellas la RSNA y la ACR, investigadores ofrecen consejos prácticos para evaluar herramientas de inteligencia artificial (IA), implementar la IA en los flujos de trabajo actuales y supervisar la tecnología para garantizar un beneficio y efectividad óptimos.
La inteligencia artificial ha sido descrita como “la influencia más disruptiva en la radiología en muchas décadas”, según investigadores de cinco destacadas sociedades de radiología, incluyendo la American College of Radiology (ACR), la Radiological Society of North America (RSNA) y la European Society of Radiology (ESR). Estas sociedades han publicado un comunicado multinacional que aborda consideraciones prácticas en la evaluación, implementación y supervisión de herramientas de IA en radiología.
Publicado simultáneamente en cinco revistas diferentes, incluyendo Radiology: Artificial Intelligence, Insights into Imaging y el Journal of the American College of Radiology (JACR), el comunicado aborda posibles sesgos en el uso de la IA, pasos para evaluar la precisión clínica, establecimiento de objetivos para la supervisión del software de IA, consideraciones de costos y viabilidad a largo plazo.
Aspectos Clave del Comunicado:
Los investigadores enfatizan el análisis diligente de costos y beneficios, así como el retorno de inversión (ROI) en conjunto con el entorno de atención médica y las circunstancias locales al considerar herramientas de IA complementarias o aplicaciones como el cribado oportunista habilitado por IA. Los beneficios tangibles de la IA en centros de imagenología ambulatoria o entornos hospitalarios basados en tarifas pueden variar desde un aumento en el volumen de hallazgos que requieren exámenes de seguimiento hasta una mayor eficiencia en los departamentos de emergencia y una menor duración de las estancias, según los autores del comunicado.
Aunque se ha discutido el potencial de la IA para aliviar la carga de trabajo creciente ante la escasez de radiólogos, los investigadores señalan que la reducción del agotamiento y la mejora en la contratación de radiólogos tienden a ser beneficios “aditivos” que no tienen un impacto tan medible frente a los costos de implementación de la IA.
Se destaca que las implementaciones de IA que solo envían resultados a un sistema de Archivo y Comunicación de Imágenes (PACS) existente son problemáticas debido al riesgo de sesgo de automatización para los radiólogos y a la falta de conocimiento para los médicos remitentes sobre la precisión y otros detalles del modelo de IA utilizado.
Los autores del comunicado enfatizan el uso de un sistema, como un entorno nativo de la nube, que permita a los radiólogos interactuar y posiblemente modificar los resultados de la IA, así como compartir comentarios con los proveedores de IA.
Consideraciones Adicionales con Tasas de Error Reportadas:
- Las tasas de error reportadas en las pruebas de modelos de IA “pueden diferir sustancialmente” de su aplicación en la práctica, según los autores del comunicado. Se enfatiza la consideración de diferencias con fabricantes de escáneres, protocolos, prevalencia de enfermedades y demografía de la comunidad local en la que se implementa el software de IA.
Implementación Dirigida de Software de IA:
Centrar la implementación de modelos de IA en entornos de atención médica donde la prevalencia de enfermedades es más pronunciada puede facilitar una mejor aceptación del modelo en cuestión, según los autores del comunicado.
Los autores del comunicado enfatizan la supervisión continua de los modelos de IA y el intercambio de evaluaciones en múltiples sitios y regiones geográficas a través de un registro de datos de IA. Esto permitiría a los participantes del registro identificar problemas locales que contribuyan al rendimiento del modelo de IA o problemas más sistémicos relacionados con posibles actualizaciones de software.
Factores que Afectan la Aceptación de Modelos de IA:
Identificar casos impactantes puede ayudar a facilitar la aceptación de los interesados en los modelos de IA. Los casos que demuestren un impacto significativo en los resultados del paciente o en eficiencias operativas pueden mostrar ejemplos clave del potencial impacto de la IA a médicos remitentes y administradores de instalaciones.
Sesgo de automatización, sesgo algorítmico y diseño de interfaz de usuario (UI) también pueden influir en la evaluación y aceptación de modelos de IA, según los autores del comunicado. En un estudio, se observó que la salida de texto única superó a los lectores radiólogos para la detección de nódulos pulmonares, mientras que las superposiciones de imagen de IA, preferidas a menudo por los radiólogos en este contexto, no mejoraron el rendimiento de los radiólogos revisores.
Este comunicado conjunto de diversas sociedades de radiología proporciona una guía valiosa para la evaluación, implementación y supervisión efectiva de herramientas de inteligencia artificial en el campo de la radiología. La integración prudente de la IA puede ofrecer beneficios significativos, pero se requiere una aproximación reflexiva para garantizar su éxito continuo en el cuidado de la salud y la práctica radiológica.
Para conocer más sobre este comunicado conjunto recomendamos acceder a Radiology: Artificial Intelligence y leer la publicación completa.
0 comentarios