IA es tan buena como los radiólogos expertos en diagnóstico de fracturas de cadera a partir de rayos X

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