IA es tan buena como los radiólogos expertos en diagnóstico de fracturas de cadera a partir de rayos X
Actualizado el 25 Mar 2023
Las fracturas de cadera constituyen más del 14 % del total de fracturas entre los ancianos, pero representan un asombroso 72 % de todos los gastos de atención médica relacionados con fracturas. Las predicciones indican que, en todo el mundo, el número de fracturas de cadera se disparará a 6,3 millones para 2050, y se espera que los gastos asociados alcancen los 131.500 millones de dólares anuales. Estas lesiones no solo presentan riesgos significativos de morbilidad y mortalidad, sino que también causan una tasa de mortalidad de 1 año de aproximadamente 25 % a 30 %. Dadas estas estadísticas preocupantes, existe una necesidad urgente de tecnología avanzada que pueda mejorar el manejo de la afección, que lleve a mejores resultados para los pacientes y ventajas económicas para los sistemas de atención médica. Con el advenimiento de la inteligencia artificial (IA), las herramientas de diagnóstico clínico y pronóstico para las fracturas de cadera pueden aprovechar poderosos modelos predictivos, aunque se sabe poco sobre el rendimiento y el impacto de estos nuevos algoritmos. Ahora, los hallazgos de un nuevo estudio sugieren que la IA tiene el potencial de automatizar el diagnóstico de fracturas de cadera, aunque los modelos de IA demasiado complejos e imposibles de interpretar pueden no generar beneficios significativos cuando se trata de predecir resultados específicos del paciente en comparación con los modelos interpretables tradicionales.
Investigadores de la Universidad de Toronto (Toronto, ON, Canadá) evaluaron la efectividad de los algoritmos impulsados por IA para detectar fracturas de cadera en radiografías y predecir los resultados clínicos posoperatorios después de la cirugía de cadera. Para lograr esto, se llevó a cabo una revisión sistemática y un metanálisis de 39 estudios para determinar la precisión del diagnóstico de fractura de cadera tanto por modelos de IA como por profesionales de la salud expertos. El estudio encontró que la precisión diagnóstica de los modelos de IA era comparable a la de los médicos expertos, con tasas de error similares. La precisión diagnóstica de la IA en relación con los médicos expertos se midió mediante índices de probabilidad (OR) con IC del 95 %. Además, los investigadores compararon el área bajo las curvas para la predicción de los resultados posoperatorios entre los modelos estadísticos tradicionales (p. ej., lineal multivariable o regresión logística) y los modelos de aprendizaje automático (ML).
De los 39 estudios que cumplieron con los criterios, 18 (46,2 %) utilizaron modelos de IA para detectar fracturas de cadera a partir de radiografías simples, mientras que 21 (53,8 %) utilizaron modelos de IA para predecir los resultados de los pacientes después de la cirugía de cadera. En total, los estudios utilizaron 39.598 radiografías simples y 714.939 fracturas de cadera para entrenar, validar y probar los modelos de ML específicos para el diagnóstico y la predicción del resultado posoperatorio. Los resultados predichos con mayor frecuencia fueron la mortalidad y la duración de la estancia en el hospital. Después de un análisis de datos agrupados, los modelos ML tuvieron un error de diagnóstico OR de 0,79 (IC del 95 %, 0,48-1,31; P = 0,36; I2 = 60 %) para las radiografías de fractura de cadera en comparación con los médicos. Para los modelos ML, la sensibilidad media (SD) fue del 89,3 % (8,5 %), la especificidad fue del 87,5 % (9,9 %) y la puntuación F1 fue de 0,90 (0,06). El área promedio bajo la curva para la predicción de mortalidad fue de 0,84 con modelos ML en comparación con 0,79 para controles alternativos (P = 0,09).
Según los resultados de esta revisión sistemática y metanálisis, la IA parece muy prometedora para ayudar en el diagnóstico de fracturas de cadera mediante radiografías. Se descubrió que el desempeño de los modelos de IA en la detección de fracturas de cadera es comparable al de los radiólogos y cirujanos expertos. Sin embargo, las implementaciones actuales de IA para la predicción de resultados no parecían ofrecer beneficios significativos sobre las estadísticas predictivas multivariables tradicionales.
Enlaces relacionados:
Universidad de Toronto
