En Búsqueda y Galería nos estamos renovando. Para mejorar tu experiencia te pedimos que actualices tus datos. Una vez que completes los datos, tu plan tendrá un precio promocional:
* Podés cancelar el plan en el momento que lo desees
¡Hola !
En Búsqueda y Galería nos estamos renovando. Para mejorar tu experiencia te pedimos que actualices tus datos. Una vez que completes los datos, por los próximos tres meses tu plan tendrá un precio promocional:
* A partir del cuarto mes por al mes. Podés cancelar el plan en el momento que lo desees
+
Tu aporte contribuye a la Búsqueda de la verdad
Suscribite ahora y obtené acceso ilimitado a los contenidos de Búsqueda y Galería.
Suscribite a Búsqueda
DESDE
UYU
299
/mes*
* Podés cancelar el plan en el momento que lo desees
¡Hola !
El venció tu suscripción de Búsqueda y Galería. Para poder continuar accediendo a los beneficios de tu plan es necesario que realices el pago de tu suscripción.
Sanatorio de Canelones utiliza inteligencia artificial en diagnósticos de radiografías torácicas
Un estudio sobre el uso de esta tecnología revela una notable precisión en algunos aspectos pero también limitaciones: complementa, pero no reemplaza, a los radiólogos
Radiografías torácicas, imagen a modo de ilustración
En los últimos años, la inteligencia artificial (IA) emergió como un soporte en el campo de la radiología, transformando la forma en que se analizan las imágenes médicas, y Uruguay no es ajeno a esta innovación tecnológica. Un reciente estudio realizado en el Sanatorio Comeca de Canelones refleja cómo la IA se está empleando para asistir en la lectura de radiografías torácicas, lo que marca un precedente en la adopción de esta tecnología en el país.
¡Registrate gratis o inicia sesión!
Accedé a una selección de artículos gratuitos, alertas de noticias y boletines exclusivos de Búsqueda y Galería.
El venció tu suscripción de Búsqueda y Galería. Para poder continuar accediendo a los beneficios de tu plan es necesario que realices el pago de tu suscripción.
A través de una serie de casos clínicos, el estudio expone tanto los avances como las limitaciones que estas herramientas tienen para el ámbito médico.
La IA en la radiología torácica: una herramienta en desarrollo
El estudio, dirigido por el doctor Federico Aguirre, especialista en imagenología de Comeca, fue publicado en diciembre de 2024 en la revista oficial de la Sociedad de Radiología e Imagenología del Uruguay. El trabajo tiene como foco el uso de un software basado en deep learning para la lectura automática de radiografías de tórax.
Desarrollado por la empresa lituana Oxipit, este software fue entrenado con una base de datos de más de 100.000 radiografías de tórax provenientes de siete países, de forma de abarcar una amplia variedad de patologías y demografías. El sistema funciona mediante un modelo de aprendizaje supervisado, en el que radiólogos expertos etiquetaron y analizaron una gran cantidad de imágenes para entrenarlo.
Según el informe, “el entrenamiento del sistema, su componente de aprendizaje supervisado, estuvo a cargo de médicos radiólogos con al menos 10 años de experiencia en el rubro”. Una vez entrenado, el sistema puede detectar hasta 75 signos diferentes en las radiografías, incluyendo nódulos pulmonares, derrames pleurales, neumotórax y consolidaciones pulmonares. Además, ofrece interpretaciones sobre dispositivos, tales como alertas por tubos de intubación orotraqueal mal posicionados, marcapasos y la ubicación de catéteres, entre otros.
IA-radiografIas-toracicas.png
Caso de un paciente con un nódulo pulmonar de 17 milímetros
Captura informe
Casos clínicos: aciertos y errores de la IA
El estudio presenta una serie de casos clínicos que ilustran tanto las fortalezas como las debilidades del software. En algunos, la IA demostró una precisión notable, como en la detección de radiografías normales y nódulos pulmonares. Por ejemplo, en un caso de un paciente con un nódulo pulmonar de 17 milímetros, el sistema detectó la anomalía que había pasado desapercibida en una primera lectura por un médico clínico.
No obstante, el estudio también mostró limitaciones. Por ejemplo, en un paciente con enfermedad pulmonar obstructiva crónica (EPOC), el software confundió una bulla de enfisema con un posible hemoneumotórax, lo que subraya la necesidad de una supervisión médica continua y el perfeccionamiento constante de estos sistemas de IA.
radiografias-toracicas-ok.png
El software confundió una bulla de enfisema con un posible hemoneumotórax.
Captura informe
El proceso de validación y aprendizaje continuo
Uno de los aspectos más destacados del estudio es el proceso de validación y aprendizaje continuo del software. Cada vez que el sistema comete un error, los radiólogos pueden reportarlo, y estos casos son utilizados para mejorar el algoritmo. Según el informe, “los desaciertos (...), ya sean falsos negativos o positivos, son tenidos en cuenta por el desarrollador, quien los archiva y etiqueta como equivocaciones. Este proceso forma parte del aprendizaje supervisado del sistema”.
Además, el software cuenta con un sistema de triage que clasifica los hallazgos en función de su urgencia. Por ejemplo, un neumotórax o un derrame pleural masivo son marcados en rojo, indicando una emergencia, mientras que un nódulo pulmonar se marca en amarillo, sugiriendo una evaluación más detallada. El informe explica que “el sistema efectúa una especie de triage, etiquetando por colores en un menú previsualizador” y “una casilla de textos al lado del reporte cambia su color en virtud de la eventual urgencia”.
Consideraciones éticas y de privacidad
En Uruguay, el uso de estas herramientas está regulado por la Ley de Protección de Datos Personales (Ley 18.331), que garantiza la anonimización de los datos de los pacientes. En el caso del software utilizado en Comeca, las radiografías son enviadas a la nube, es decir, a servidores remotos accesibles por Internet, donde se les asigna un código identificador que elimina cualquier información personal del paciente. El informe destaca que “estos procesos se realizan bajo los estándares de la Comunidad Europea para la protección de datos personales, mediante la anonimización de los mismos”.
A pesar de estas medidas, el estudio reconoce que el uso de la IA en medicina plantea desafíos éticos importantes, como “la privacidad del paciente, la transparencia en los algoritmos y la formación continua de los profesionales de la salud”. El informe señala que “es esencial abordar las preocupaciones éticas y de seguridad” asociadas con el uso de la IA en radiología.
Limitaciones y futuro de la IA en Uruguay
Aunque el estudio muestra resultados prometedores, también destaca las limitaciones actuales de la IA en el diagnóstico por imágenes. En particular, el software tiende a tener dificultades en la interpretación de radiografías con múltiples patologías coexistentes, donde la capacidad de abstracción del sistema aún no iguala a la de un radiólogo humano. El informe indica que “los errores del sistema se hacen más evidentes en la descripción de los hallazgos que se ven cuando en una radiografía conviven múltiples signos patológicos asociados”.
Además, “en Uruguay o mercados pequeños”, la falta de recursos humanos especializados en ingeniería biomédica y la precariedad de los sistemas de historia clínica electrónica son barreras importantes para la implementación generalizada de estas tecnologías, advierte el informe.
El estudio destaca que “al no existir unidades propias o comisiones para asesorar en cada servicio mutual u hospitalario, se corre el peligro de que las herramientas en IA se impongan en modo de ‘paquetes’”. Sin una guía especializada, la IA podría implementarse de manera genérica, sin adaptarse a las necesidades específicas de cada centro.
El estudio concluye que, aunque la IA aún no está lista para reemplazar a los radiólogos humanos, es una herramienta valiosa que puede complementar el trabajo de los profesionales de la salud. En particular, su capacidad para detectar radiografías normales con un alto valor predictivo negativo puede ayudar a reducir los diagnósticos erróneos y evitar procedimientos innecesarios. El informe destaca que “la mayor fortaleza del sistema se encuentra en el alto valor predictivo negativo, que ayuda a afirmar hallazgos normales”.
