Una investigación publicada recientemente en American Journal of Roentgenology propone una forma innovadora de integrar la inteligencia artificial en el tamizaje de cáncer de pulmón con tomografía computada de baja dosis (LDCT, por sus siglas en inglés). En lugar de limitarse a asistir a los radiólogos durante la lectura de los estudios, el uso de la IA como “pre-filtro” permitiría reducir significativamente la carga de trabajo sin sacrificar sensibilidad diagnóstica.
Un diseño de estudio para evaluar escenarios reales de aplicación
El estudio, desarrollado en Corea del Sur por investigadores del Seoul National University Hospital, incluyó 366 participantes (edad promedio: 64 años) que se habían sometido a LDCT como parte de un ensayo clínico anterior de tamizaje.
Los autores compararon tres formas distintas de aplicar la IA en la práctica clínica, utilizando el software comercial LuCAS-Plus:
- IA como asistente: el radiólogo interpreta todos los estudios con apoyo del software.
- IA como pre-filtro: el radiólogo solo revisa los estudios que el sistema considera positivos.
- IA como respaldo: el radiólogo revisa los estudios que inicialmente fueron interpretados como negativos, pero que la IA señala como sospechosos.
Los resultados obtenidos se compararon con la interpretación sin asistencia de IA. La evaluación incluyó tasas de sensibilidad, especificidad, tiempo promedio de lectura y análisis de beneficio neto mediante curvas de decisión.
Mayor eficiencia sin pérdida de sensibilidad
Los hallazgos fueron claros: la estrategia de IA como pre-filtro fue la más eficiente en términos operativos. Esta modalidad logró la mayor especificidad por examen (90,3%) y la menor tasa de recitación (20,8%), superando tanto a los radiólogos no asistidos como a los otros escenarios con IA.
Además, el uso de la IA como pre-filtro permitió un tiempo promedio de lectura significativamente menor (143 segundos) frente a los otros métodos: radiología no asistida (164 s), con IA como asistente (161 s) y como respaldo (225 s).
Notablemente, no se encontró una diferencia significativa en la sensibilidad diagnóstica entre las distintas estrategias: 62,9% para IA como pre-filtro, 64,8% como asistente y 66,4% como respaldo.
Esto sugiere que aplicar la IA para filtrar casos negativos permite conservar la capacidad diagnóstica, pero con mayor eficiencia.
Reducción del trabajo sin comprometer la atención
Los investigadores destacaron que este enfoque permitiría omitir la lectura por parte del radiólogo en 15,3% de los estudios, sin reducir la detección de nódulos pulmonares clínicamente relevantes (clasificados como Lung-RADS ≥3).
Esto se traduce en una reducción real de la carga de trabajo para equipos con recursos limitados, sin perder precisión diagnóstica.
“Solo el escenario con IA como pre-filtro demostró un beneficio neto superior en comparación con la interpretación sin IA. Los otros escenarios no lograron mejorar la tasa de detección, y en algunos casos, incluso aumentaron innecesariamente la tasa de recitación”, escribieron los autores.
Una solución práctica para contextos de baja prevalencia
El tamizaje con LDCT presenta desafíos particulares debido a la baja prevalencia del cáncer de pulmón en la población general. En este contexto, minimizar falsos positivos y tiempos de lectura es clave.
Mientras que el uso de la IA como asistente o respaldo incrementó el tiempo y las tasas de recitación sin mejoras sustanciales en sensibilidad, la estrategia de pre-filtrado mostró una clara ventaja práctica.
También es importante destacar que esta modalidad se adapta bien a programas de tamizaje poblacional, donde se evalúan miles de estudios con una baja proporción de hallazgos significativos.
Aquí, reducir el volumen de estudios que requieren la revisión de un radiólogo puede liberar tiempo valioso para los casos más complejos o ambiguos.
Una implementación que exige precauciones
Si bien los resultados son alentadores, los autores del estudio también señalaron que se requiere una implementación cuidadosa. El software utilizado fue validado con un estándar de referencia definido por un grupo de radiólogos torácicos expertos, y los escenarios simulados pueden no reflejar todas las variables de la práctica clínica diaria.
Aun así, el concepto de IA como pre-filtro representa un modelo escalable y replicable que podría transformar la forma en que los servicios de imágenes enfrentan el aumento de demanda en los programas de detección precoz del cáncer.
PAra conocer más sobre este aporte puede visitar el American Journal of Roentgenology y acceder al artículo completo.
0 comentarios