Informes más rápidos y precisos: la IA generativa transforma la lectura de radiografías de tórax
Un estudio reciente publicado en la revista Radiology ha demostrado que el uso de inteligencia artificial generativa multimodal puede reducir significativamente el tiempo de lectura de radiografías de tórax, además de mejorar la detección de ciertas anormalidades pulmonares.
El hallazgo representa un avance relevante para optimizar el flujo de trabajo radiológico sin comprometer la calidad del diagnóstico.
IA que genera informes preliminares
La investigación retrospectiva evaluó 758 radiografías de tórax interpretadas por cinco radiólogos, comparando los resultados obtenidos con y sin el uso de informes preliminares generados por inteligencia artificial (modelo AIRead, de Soombit.ai).
El tiempo promedio de lectura se redujo en un 42% con la asistencia de la IA (de 34,2 segundos a 19,8 segundos por estudio), lo que supone una mejora considerable en eficiencia operativa, especialmente en entornos con alta carga de trabajo.
Mejora en la detección de anormalidades torácicas
Más allá de la reducción de tiempos, la IA también mejoró la sensibilidad diagnóstica en varios hallazgos clave.
En un subconjunto de 258 estudios, se observó un incremento del 9,7% en la sensibilidad para detectar lesiones pleurales (87,4% con IA vs. 77,7% sin IA) y un aumento del 6,5% para la silueta mediastinal ensanchada (90,8% con IA vs. 84,3% sin IA).
El modelo generativo también logró mayores tasas de detección para consolidaciones pulmonares (+17,9%) y opacidades (+22,5%).
Sin embargo, presentó menor sensibilidad para nódulos pulmonares (80% con IA vs. 86,7% sin IA), lo que indica que aún existen áreas de mejora para su uso clínico universal.
Homogeneización del desempeño entre radiólogos
Uno de los aspectos destacados del estudio fue la capacidad del modelo de IA para reducir la variabilidad interobservador. Sin la asistencia de IA, las sensibilidades de los cinco radiólogos fluctuaron entre el 54,2% y el 80,7%.
Con los informes generados por IA, el rango se estrechó a entre 71,1% y 80,8%, evidenciando una mayor consistencia diagnóstica.
Asimismo, los puntajes de calidad del informe, evaluados mediante una escala de cinco puntos, mostraron una leve mejora con IA (mediana de 4,5 con un IQR de 4,5–5,0) frente a los informes sin asistencia (mediana de 4,5, IQR 4,0–5,0). Esta diferencia, aunque sutil, fue estadísticamente significativa (P < .001).
Un paso adelante en la integración clínica de la IA
Según la Dra. Eun Kyoung Hong, autora principal del estudio, los resultados “demuestran que la introducción de informes generados por IA puede aumentar de manera general la eficiencia y calidad de las interpretaciones radiológicas, disminuir los tiempos de lectura y mejorar la precisión de los informes”.
Este modelo representa un avance en el uso clínico de IA generativa aplicada a imágenes médicas, destacando el valor de herramientas diseñadas específicamente para dominios clínicos concretos.
Aunque todavía requiere validación adicional en escenarios reales y con diversos tipos de patologías, su implementación podría aliviar parte de la carga laboral del radiólogo y mejorar la calidad de los reportes en entornos de alta demanda.
Para conocer más sobre esta investigación puede visitar Radiology y acceder al artículo completo.
0 comentarios