← Volver al inicio

Más allá de los datos de Europa y Estados Unidos: la IA para patología prostática supera una validación externa con muestras de pacientes iraquíes

¿Sigue siendo fiable la interpretación de la IA cuando cambian la población de pacientes, el laboratorio y los equipos de escaneo? Un estudio con 185 pacientes iraquíes aporta datos de validación que faltaban en Oriente Medio. La concordancia en la gradación se acerca a la observada entre patólogos, aunque aún quedan obstáculos para su uso en el diagnóstico cotidiano.

By SURL BioNews

Una IA capaz de interpretar cortes de tejido de pacientes de Europa y Estados Unidos no necesariamente mantiene el mismo rendimiento en otro entorno sanitario. La composición de la población de pacientes, los procedimientos de tinción y los equipos de imagen pueden modificar los detalles que percibe el modelo. Un estudio publicado el 10 de octubre en *Virchows Archiv* evaluó una IA para patología del cáncer de próstata con muestras del Kurdistán iraquí, aportando evidencia sobre una población de Oriente Medio para la que desde hace tiempo faltaban datos de validación.

El estudio incluyó 339 portaobjetos de biopsias prostáticas con aguja de 185 pacientes correspondientes al período de 2013 a 2024. Cada portaobjetos se digitalizó con tres escáneres, lo que generó 1,017 imágenes de portaobjetos completos. Estas imágenes procedían del mismo conjunto de muestras y no representaban pacientes adicionales. La tarea del modelo consistía en identificar el cáncer y asignar una gradación de Gleason según la arquitectura del tejido; esta gradación es una referencia importante para evaluar el riesgo del cáncer de próstata y discutir las opciones de tratamiento.

El equipo comparó un modelo diseñado específicamente para patología prostática con dos modelos fundacionales, UNI y Virchow2. Los modelos fundacionales aprenden primero características generales a partir de grandes cantidades de imágenes de patología y luego se aplican a tareas específicas de interpretación. Un resumen previo de la conferencia DDLS ya había presentado el mismo conjunto de muestras iraquíes y señalado que la población de pacientes, el entorno del laboratorio y los equipos de escaneo constituían condiciones de validación externa. Los resultados preliminares de ese resumen deben considerarse por separado de los resultados del artículo formal.

El estudio comunicó un valor de κ con ponderación cuadrática de 0.801 para la concordancia en la gradación entre la IA y los patólogos, frente a 0.799 entre los propios patólogos. Una prepublicación del mismo estudio, difundida en diciembre de 2025, también presentó estos valores, con un valor de p de 0.9824 para la comparación. El valor de κ mide el grado de concordancia entre las interpretaciones y no puede convertirse directamente en «un 80 % de diagnósticos correctos». La ausencia de una diferencia significativa entre ambos tampoco equivale a haber demostrado que la IA y los médicos sean equivalentes en todas las situaciones.

Las diferencias entre equipos plantean otra prueba. Tras escanear el mismo conjunto de portaobjetos con equipos de Hamamatsu, Leica y Grundium, todos los modelos obtuvieron valores de κ de concordancia en la gradación superiores a 0.90 en todas las comparaciones por pares de escáneres, incluidos los equipos compactos de menor costo. Esto respalda que los laboratorios con recursos limitados comiencen a generar datos de validación local con equipos digitales de menor escala. Sin embargo, que un modelo dé respuestas similares con distintos escáneres no garantiza, por sí solo, que esas respuestas sean correctas.

Esta evidencia también tiene límites claros: el estudio fue retrospectivo, el número de pacientes fue limitado y hubo pocas muestras de cáncer de bajo grado. Los escaneos con los tres equipos se realizaron en un mismo lugar, por lo que aún no se han contemplado las variaciones entre distintos miembros del personal de laboratorio y entornos operativos. Utilizar la interpretación de los médicos como referencia tampoco permite determinar si la IA puede mejorar los resultados de los pacientes o reducir realmente los diagnósticos omitidos y la carga de trabajo en la práctica cotidiana.

El artículo señala expresamente que el sistema evaluado sigue siendo un algoritmo de investigación y aún no ha obtenido aprobación regulatoria para su uso en el diagnóstico clínico. Esta validación aporta evidencia técnica de su funcionamiento en distintos entornos y ofrece motivos para que más regiones emprendan pruebas locales. A continuación, se necesitan estudios multicéntricos más amplios y evaluaciones de los procesos clínicos para transformar la concordancia observada en los cortes histológicos en beneficios diagnósticos reales para los pacientes.

References

  1. Virchows Archiv
  2. arXiv
  3. SciLifeLab