Al tomar decisiones de diagnóstico, los radiólogos y otros médicos pueden depender en gran medida de la inteligencia artificial (IA) para identificar un área de interés específica en una radiografía, según un estudio publicado hoy. RadiologíaUna revista de la Sociedad Radiológica de América del Norte (RSNA).
“Para 2022, la Administración de Alimentos y Medicamentos de EE. UU. habrá aprobado 190 programas de software de IA de radiología”, dijo uno de los autores principales del estudio, Paul H. E, MD, Director de Informática de Imágenes Inteligentes y Miembro Asociado del Departamento de Radiología. Hospital de Investigación Infantil St. Jude de Memphis, Tennessee. “Sin embargo, ha surgido una brecha entre la prueba de concepto de la IA y su uso clínico en el mundo real. Para cerrar esta brecha, es fundamental generar una confianza adecuada en los consejos de la IA”.
En un estudio prospectivo en varios sitios, 220 radiólogos y médicos de medicina interna/emergencia (132 radiólogos) leyeron radiografías de tórax junto con la consulta de IA. A cada médico se le asignó la tarea de evaluar ocho casos de radiografías de tórax mientras consultaba a un asistente de IA simulado con un rendimiento de diagnóstico comparable al de los expertos de campo. Las viñetas clínicas se obtuvieron a partir de imágenes de rayos X de tórax frontales y, si estaban disponibles, correspondientes laterales de la base de datos de rayos X de tórax MIMI de código abierto del Hospital Beth Israel Deaconess en Boston. Un panel de radiólogos seleccionó conjuntos de casos que simulaban la práctica clínica del mundo real.
En cada caso, a los participantes se les presentó la historia clínica del paciente, consejos de IA e imágenes de rayos X. La IA proporcionó un diagnóstico correcto o incorrecto con interpretación local o global. En una interpretación localizada, la IA resalta las partes de la imagen que considera más importantes. Para una interpretación global, la IA proporciona imágenes similares de casos anteriores para mostrar cómo llegó al diagnóstico.
“Estas interpretaciones localizadas brindan al médico orientación directa en tiempo real sobre las áreas de interés”, afirmó el Dr. Yee. “En nuestro estudio, la IA literalmente coloca un cuadro alrededor de las áreas de neumonía u otras anomalías”.
Los revisores pueden aceptar, modificar o rechazar sugerencias de IA. Se les pidió que informaran su nivel de confianza en sus hallazgos e impresiones y que clasificaran la utilidad de los consejos de la IA.
Utilizando modelos de efectos mixtos, los coautores del estudio, Drew Prinster, MS, y Amama Mahmoud, MS, Ph.D. en ciencias de la computación. estudiantes de la Universidad Johns Hopkins en Baltimore, dirigieron a los investigadores en el análisis del impacto de las variables experimentales en la precisión del diagnóstico, la eficiencia, las percepciones de los médicos sobre la utilidad de la IA y la “confianza simple” (la rapidez con la que un usuario acepta o no los consejos de la IA). Los investigadores controlaron factores como la demografía del usuario y la experiencia profesional.
Los resultados mostraron que era más probable que los examinadores alinearan sus decisiones de diagnóstico con los consejos de la IA y se sometieran a un período de consideración más corto cuando la IA proporcionaba interpretación local.
“En comparación con la interpretación global de la IA, las interpretaciones locales proporcionaron a los médicos una mayor precisión diagnóstica cuando los consejos de la IA eran correctos”, afirmó el Dr. Yee. “Aumentaron la eficiencia general del diagnóstico al reducir el tiempo dedicado a considerar las sugerencias de la IA”.
Cuando la sugerencia de la IA fue correcta, la precisión promedio del diagnóstico entre los revisores fue del 92,8% con interpretación local y del 85,3% con interpretación global. Cuando el consejo de la IA era incorrecto, la precisión del médico era del 23,6% de las interpretaciones locales y del 26,1% de las globales.
“Cuando se proporcionaron explicaciones locales, tanto los radiólogos como los no radiólogos en el estudio tendieron a confiar más rápidamente en el diagnóstico de la IA, independientemente de la precisión de los consejos de la IA”, dijo el Dr. Yee.
El coautor principal del estudio, Chien-Ming Huang, Ph.D., es profesor asistente en el Departamento de Ciencias de la Computación de la Universidad Johns Hopkins. Malone señala que esta dependencia de la IA puede ser un arma de doble filo porque es arriesgada. Sesgo de dependencia excesiva o automatización.
“Cuando confiamos demasiado en lo que nos dice la computadora, eso es un problema, porque la IA no siempre es correcta”, dijo el Dr. Yee. “Creo que, como radiólogos que utilizamos IA, debemos ser conscientes de estos obstáculos y de nuestros patrones de diagnóstico y capacitación”.
Según la investigación, dijo el Dr. Yee, los desarrolladores de sistemas de IA deberían considerar cuidadosamente cómo las diferentes formas de interpretación de la IA pueden afectar la confianza en los consejos de la IA.
“Realmente creo que la colaboración entre la industria y los investigadores de la atención sanitaria es importante”, afirmó. “Espero que este artículo inicie un diálogo y futuras colaboraciones de investigación fructíferas”.