Un algoritmo de inteligencia artificial autorizado por la FDA señaló 55 aneurismas intracraneales reales que los radiólogos no habían informado en 3.856 angio-TC de cráneo: un aumento relativo del 39% en la detección. La cifra procede de un estudio prospectivo de Northwell Health publicado el 15 de septiembre en el Journal of the American College of Radiology. Y llega con la otra mitad del balance, la que casi nunca sobrevive al titular: la misma herramienta lanzó 46 alarmas falsas y pasó por alto 30 aneurismas que sí vio el médico.
Las cifras del estudio
El diseño es lo que da peso al resultado. Se trató de una evaluación prospectiva en modo sombra: el algoritmo de Aidoc procesó los estudios en paralelo al flujo asistencial, pero su salida permaneció oculta y no alteró ninguna decisión clínica durante el periodo. Los radiólogos informaron las 3.856 angiografías con su rutina habitual, sin acceso a la herramienta. Cuando ambas lecturas discrepaban, neurorradiólogos expertos independientes revisaban las imágenes para determinar cuál era el hallazgo correcto.
En el conjunto, humano y máquina coincidieron en más del 96% de los exámenes. Todo lo interesante ocurre en el 4% restante. El algoritmo levantó por su cuenta 101 hallazgos ausentes del informe: 55 se confirmaron como aneurismas y 46 resultaron falsos positivos. En sentido inverso, los radiólogos informaron 30 aneurismas confirmados que el algoritmo nunca marcó. Las detecciones incrementales superaron a las alertas falsas, algo que los autores describen como una relación beneficio-carga favorable.
En las métricas clásicas, la IA fue el lector más sensible (84,6% frente a 71,8%), mientras que el radiólogo conservó el mejor valor predictivo positivo (92,7% frente a 78,2%). La especificidad y el valor predictivo negativo resultaron parecidos. «Los aneurismas intracraneales pueden permanecer clínicamente silentes hasta la ruptura, con consecuencias devastadoras para el paciente», señaló la autora sénior Pina C. Sanelli, de la Zucker School of Medicine at Hofstra/Northwell y directora del PRIME Center del Harvey L. Neiman Health Policy Institute.
Más hallazgos, menos aciertos por alerta
Conviene separar las dos métricas, porque describen errores opuestos. La sensibilidad pregunta: de todos los pacientes que realmente tenían un aneurisma, ¿a qué proporción se la señaló? El valor predictivo positivo pregunta otra cosa: de todas las marcas emitidas, ¿qué proporción era verdadera? Una mide lo que se escapa; la otra mide cuánto vale cada alerta.
Llevado a la guardia: por cada 100 marcas que el algoritmo hizo por su cuenta, unas 78 correspondían a un aneurisma real. Por cada 100 aneurismas informados por el radiólogo, unos 93 se confirmaron. El médico es más prudente y por eso más creíble cuando habla; la máquina es más agresiva y por eso encuentra más, pero también grita más. En un mismo detector no existe un ajuste que suba ambas cifras a la vez: bajar el umbral de alerta compra sensibilidad y gasta precisión, subirlo hace lo contrario. Elegir ese punto de operación es una decisión clínica, no de ingeniería.
Una nota estadística explica por qué la especificidad y el VPN quedaron tan próximos: la enorme mayoría de los 3.856 estudios eran negativos. Con prevalencia baja casi cualquier detector acierta los negativos y ambas métricas se pegan al techo, de modo que citarlas solas oculta la diferencia real entre lectores. El mismo patrón apareció al medir en la práctica la herramienta del mismo fabricante para tromboembolismo, como repasamos en la detección de TEP con IA en angio-TC del mundo real.
El 39% no equivale a un 39% de pacientes salvados
Aquí está lo que la nota de prensa no subraya. Sanelli apuntó que muchos de los aneurismas adicionales detectados por la IA «estaban entre las lesiones más pequeñas», una frase que reencuadra todo el resultado, porque el tamaño es la variable que más condiciona la historia natural de un aneurisma no roto.
El aneurisma intracraneal no roto es frecuente: el metaanálisis de referencia de Vlak y colaboradores, publicado en Lancet Neurology en 2011, estimó una prevalencia cercana al 3,2% en adultos sin comorbilidad, y la inmensa mayoría nunca sangra. Por eso la decisión de tratar no se toma con el hallazgo, sino mediante escalas de riesgo: PHASES (población, hipertensión, edad, tamaño, hemorragia subaracnoidea previa por otro aneurisma y localización) estima el riesgo de ruptura a cinco años; el UIATS contrapone los argumentos a favor del tratamiento y los de la observación; el ELAPSS proyecta el crecimiento. Las lesiones pequeñas, en localizaciones de bajo riesgo y en pacientes sin factores agravantes suelen terminar en vigilancia, no en clipaje ni embolización.
Es decir: los 55 hallazgos extra son reales y no son triviales, pero en su mayoría se traducen en seguimiento por imagen y control de factores de riesgo —presión arterial, tabaquismo— y no en 55 hemorragias evitadas. Si además se considera que las propias escalas discriminan de forma imperfecta, con series recientes que muestran a PHASES y UIATS separando peor de lo deseable los aneurismas rotos de los no rotos, queda claro que la ganancia diagnóstica aterriza en un terreno donde la conducta sigue decidiéndose caso por caso.
Urgencias sí, ambulatorio con reservas
El hallazgo más útil en clave operativa no está en los porcentajes globales: el rendimiento varió mucho según el ámbito de atención. En el paciente hospitalizado, el algoritmo sumó 18 aneurismas adicionales generando apenas 7 alertas falsas, su mejor desempeño en todas las métricas. En urgencias el balance también fue favorable. En el ámbito ambulatorio, en cambio, aportó solo cuatro detecciones extra y produjo más falsos positivos que verdaderos.
«Una explicación probable es que los entornos de mayor agudeza implican exámenes clínicamente más complejos», valoró Matthew Barish, profesor de radiología de la misma escuela y CMIO de servicios compartidos de Northwell Health. La lectura práctica es directa: encender el algoritmo de forma indiscriminada en todo el parque de estudios diluye el beneficio e importa el ruido. El alcance del despliegue es una decisión de configuración con consecuencias clínicas.
Y queda el problema aguas abajo. En Brasil y en buena parte de América Latina, la angio-TC de cráneo ante cefalea súbita y sospecha de hemorragia subaracnoidea ya es rutina en urgencias, justo el escenario de mejor retorno. Pero un aneurisma pequeño hallado de madrugada abre preguntas que pocos servicios tienen escritas: quién informa al paciente, quién agenda el control, con qué intervalo y en qué método —angio-RM sin contraste o una nueva angio-TC con su dosis adicional de radiación y yodo—. Sin esa vía definida, subir la detección un 39% sube en la misma proporción la ansiedad y las consultas de retorno. Las alertas falsas también cuestan, en estudios confirmatorios y en confianza del lector, como ocurrió con un neumotórax marcado por la IA que no estaba en la radiografía.
Lo que el modo sombra deja sin responder
La limitación principal viene incorporada al método. El modo sombra mide lo que el algoritmo habría encontrado, no lo que sucede cuando su salida llega a la estación de informe. Nada de esto habla del sesgo de automatización, del tiempo adicional de lectura ni de con qué frecuencia un radiólogo descartaría una marca correcta. Tampoco hay desenlaces de paciente: no se siguieron ruptura, tratamiento ni mortalidad.
Se suman los límites de alcance habituales: un único sistema de salud integrado, un proveedor, una versión de modelo. Es exactamente el punto que planteó Elizabeth Rula, directora ejecutiva del Neiman Health Policy Institute y coautora del trabajo, al defender que las organizaciones evalúen la IA por cuánto mejora el desempeño del médico en el uso real y no solo por los resultados logrados en su entorno original de prueba, lo que convierte la monitorización posterior a la implantación en parte del trabajo y no en un extra. La exigencia pesa más a medida que crece el catálogo autorizado: la radiología ya concentra el 76% de todas las autorizaciones de dispositivos con IA de la FDA, y la propia Aidoc acumula hitos regulatorios como el sello de dispositivo innovador para su IA de informes. Autorizar es el punto de partida; medir en el servicio es lo que falta.
Fuente: ITN Online
