← Volver al inicio

La IA mejora la precisión al identificar un cáncer renal raro, pero también facilita que los médicos acepten recomendaciones erróneas

Un estudio de interpretación anatomopatológica con 21 médicos muestra el potencial de la IA para ayudar a identificar un cáncer renal raro y revela el coste de confiar en ella: quienes más se benefician de las recomendaciones correctas también son más propensos a seguir las erróneas.

By SURL BioNews

El diagnóstico de los cánceres raros a veces se atasca en si el médico llega a considerar esa posibilidad. Si el aspecto del tejido se asemeja al de un cáncer frecuente, es posible que no se soliciten las pruebas adicionales necesarias para confirmar la causa. Un estudio anunciado por el Asan Medical Center de Seúl, Corea del Sur, muestra que la IA puede ayudar a los médicos a identificar este tipo de cáncer renal que fácilmente pasa inadvertido entre las posibilidades diagnósticas. Sin embargo, cuando los médicos están más dispuestos a aceptar su valoración, también son más susceptibles a dejarse guiar por recomendaciones erróneas.

El comunicado en inglés del hospital del 19 de noviembre presenta un estudio ya publicado en *npj Digital Medicine*, no un artículo científico nuevo publicado ese día; el comunicado en coreano se había publicado el 12 de noviembre, y *Digital Chosun Ilbo* señaló que el artículo apareció en línea el 13 de agosto. El estudio, dirigido por Namkug Kim y Yong Mee Cho, buscaba ayudar a detectar el «carcinoma de células renales deficiente en fumarato hidratasa» (FHdRCC) e identificar los casos que requieren más pruebas.

Según el hospital, el FHdRCC representa menos del 0.4% de los cánceres renales y progresa rápidamente, pero su morfología tisular puede parecerse a la de otros cánceres renales. Para confirmar el diagnóstico se necesitan pruebas adicionales, incluidas pruebas genéticas. De los 39 pacientes con este tipo de cáncer incluidos en el estudio, solo en el 36% se había sospechado inicialmente esta enfermedad. Esto ilustra la carencia que el modelo intenta subsanar: lograr que una posibilidad poco frecuente entre en el campo de consideración diagnóstica.

El equipo utilizó 335 imágenes digitales de anatomía patológica para desarrollar y evaluar el modelo. El área bajo la curva (AUC), que mide la capacidad para distinguir la enfermedad, fue de 0.954 en la validación interna y de 0.820 y 0.867 en las dos validaciones externas. Cuanto más se aproxima el valor a 1, mejor es la capacidad de discriminación. El rendimiento externo, inferior al interno, también recuerda que la capacidad del modelo varía según la fuente de los datos y que estas cifras no pueden interpretarse directamente como tasas de precisión diagnóstica clínica.

Para comprobar si la herramienta resultaba útil cuando los médicos la utilizaban, se realizó otro experimento de interpretación. Según *Digital Chosun Ilbo*, participaron expertos en patología genitourinaria, especialistas en anatomía patológica de otras áreas y médicos residentes, con 7 participantes en cada grupo. Con un intervalo de dos semanas, interpretaron los mismos 30 casos difíciles, primero sin IA y después con su ayuda; 15 eran casos de FHdRCC y los otros 15 correspondían a otros cánceres renales.

Con la incorporación de la IA, la precisión diagnóstica de los médicos pasó del 60.0% al 73.3%, un aumento de 13.3 puntos porcentuales. También mejoró la concordancia entre los médicos, sin que el tiempo de interpretación aumentara significativamente. Sin embargo, la mejora global ocultaba diferencias según la forma de utilizar la herramienta: un análisis exploratorio dividió a los médicos en 14 que aceptaban más activamente las recomendaciones de la IA y 7 que eran más cautelosos. Los primeros obtuvieron más ayuda de las recomendaciones correctas, pero también aceptaron con mayor facilidad las erróneas.

La mediana del indicador de dependencia excesiva de las recomendaciones erróneas de la IA fue de 0.800 y 0.600, respectivamente, en ambos grupos. Esto refleja el riesgo de sesgo de automatización: una vez que el sistema ofrece una respuesta, las personas pueden modificar su juicio para ajustarse a ella. El estudio no encontró una asociación significativa entre la tendencia a aceptar la IA y los años de experiencia o la subespecialidad de los médicos. Por ello, plantea que la competencia diagnóstica y el uso eficaz de la IA podrían ser capacidades distintas, y que la formación también debería abordar cómo reconocer y cuestionar las recomendaciones erróneas.

Estos resultados tienen límites de aplicabilidad claros. El experimento de interpretación incluyó solo a 21 médicos de una única institución y 30 casos; la IA se equivocó en apenas 5 casos, y la clasificación por comportamiento también fue exploratoria. Además, el cáncer raro representaba la mitad de los casos, una proporción muy alejada de su baja prevalencia en la práctica cotidiana. La evidencia actual respalda su potencial como ayuda en un entorno de interpretación controlado, pero todavía no demuestra que aumente la realización efectiva de pruebas adicionales, adelante la confirmación diagnóstica o mejore la supervivencia. Su capacidad para equilibrar las alertas a los médicos con la prevención de orientaciones erróneas en la práctica clínica aún requiere una validación a mayor escala.

References

  1. Asan Medical Center
  2. Asan Medical Center
  3. Digital Chosun Ilbo