Inteligencia artificial médica · global
Una combinación de IA identifica 63 de 65 casos de cáncer de pulmón, pero su alta sensibilidad aún conlleva numerosos falsos positivos
Un estudio retrospectivo de 5,110 exploraciones de tomografía computarizada de baja dosis muestra el potencial de integrar distintos métodos de interpretación mediante IA; sin embargo, su valor predictivo positivo fue de apenas el 2.7% y aún debe verificarse si puede mejorar la atención en el cribado.
El cribado del cáncer de pulmón busca detectar los tumores de forma temprana, pero también debe evitar que numerosas personas sin cáncer se sometan a pruebas innecesarias. Un estudio publicado en *Radiology: Cardiothoracic Imaging* combinó dos modelos de inteligencia artificial con reglas de interpretación de nódulos e identificó 63 de los 65 casos de cáncer de pulmón diagnosticados en el plazo de un año. Sin embargo, solo el 2.7% de las señales positivas emitidas por el sistema correspondió a cánceres de pulmón diagnosticados durante ese período, lo que pone de relieve el equilibrio entre reducir los cánceres que pasan inadvertidos y controlar los falsos positivos.
El estudio analizó retrospectivamente las imágenes de la primera tomografía computarizada de baja dosis de dos cohortes de cribado del cáncer de pulmón: 2,343 exploraciones del Ensayo Nacional de Cribado del Cáncer de Pulmón de Estados Unidos (NLST) y 2,767 exploraciones del Programa Internacional de Acción Temprana contra el Cáncer de Pulmón de Pamplona (P-IELCAP). Según la descripción del estudio publicada por HeartLung.AI, el criterio de valoración fue el cáncer de pulmón confirmado histológicamente en el año posterior a la exploración, y no la presencia de nódulos sospechosos en las imágenes.
Esta combinación busca que los distintos métodos de interpretación se complementen. Sybil analiza la totalidad de las imágenes de la exploración, mientras que otro modelo, basado en MONAI, se centra en los nódulos pulmonares. El estudio también estableció una regla para generar alertas sobre los nódulos detectados por MONAI con un diámetro superior a 6 milímetros y un valor de confianza de detección superior a 0.95. Este valor refleja la confianza del modelo en la detección del nódulo y no debe interpretarse como una probabilidad de cáncer superior al 95%.
La sensibilidad del modelo combinado alcanzó el 96.9%, aunque dos casos de cáncer pasaron inadvertidos; la especificidad fue del 55.0%, lo que significa que alrededor del 45% de las exploraciones sin cáncer incluidas en este cálculo se clasificaron como positivas. El resumen señala que solo 63 de las 2,297 predicciones positivas correspondieron a cánceres de pulmón diagnosticados en el plazo de un año. En otras palabras, de cada 100 señales positivas, apenas unas tres cumplieron el criterio de valoración de cáncer definido en el estudio. Si estas alertas se incorporan a la práctica clínica, la organización de su revisión y seguimiento será clave para su utilidad práctica.
Las dos cohortes de cribado también presentaron distintos perfiles de riesgo: la incidencia de cáncer de pulmón fue de 17.7 casos por cada mil personas-año en NLST y de 8.7 casos en P-IELCAP. El área bajo la curva de características operativas del receptor (AUC) de Sybil fue de 0.93 en ambos grupos; la del modelo MONAI fue de 0.90 y 0.79, respectivamente. El AUC describe la capacidad del modelo para distinguir entre cáncer y ausencia de cáncer, y no equivale a la exactitud de las predicciones positivas con un umbral de alerta determinado; esta última también depende de la proporción de cáncer en la población sometida al cribado.
La información pública aún contiene aspectos que requieren aclaración. El resumen recoge un total de 5,110 exploraciones, pero las 4,965 exploraciones sin cáncer utilizadas para calcular la especificidad, sumadas a los 65 casos de cáncer, dan un total de 5,030. El resumen no explica por qué las 80 exploraciones restantes no aparecen en ese denominador. Además, la página de HeartLung.AI sigue indicando que el manuscrito ha sido enviado para su publicación, mientras que el registro de PubMed reproducido por Life Science Network ya incluye el volumen, el número de la revista y el número de artículo. Ambas fuentes muestran estados de publicación distintos.
Estos resultados respaldan la continuación de la evaluación del modelo combinado, pero todavía no demuestran que pueda mejorar los resultados en los pacientes. Identificar retrospectivamente cánceres en imágenes existentes y ayudar realmente a los médicos a diagnosticar antes y reducir intervenciones innecesarias representan niveles de evidencia distintos. HeartLung.AI también señala que siguen siendo necesarios estudios prospectivos para confirmar el rendimiento en la práctica clínica habitual y el beneficio clínico. La siguiente cuestión es si la alta sensibilidad puede traducirse en una mejor atención en el cribado con una carga de seguimiento asumible.