{"id":19838,"date":"2026-10-15T05:09:46","date_gmt":"2026-10-15T08:09:46","guid":{"rendered":"https:\/\/rtmedical.com.br\/tmp-es-1792051785433\/"},"modified":"2026-10-15T05:09:57","modified_gmt":"2026-10-15T08:09:57","slug":"ia-adultos-neonatos-aprendizaje-continuo","status":"publish","type":"post","link":"https:\/\/rtmedical.com.br\/es\/ia-adultos-neonatos-aprendizaje-continuo\/","title":{"rendered":"IA de adultos adaptada a reci\u00e9n nacidos sin compartir datos"},"content":{"rendered":"

Un modelo de IA entrenado con radiograf\u00edas de adultos<\/strong> puede adaptarse a reci\u00e9n nacidos sin que ning\u00fan hospital comparta datos de pacientes. Esa es la conclusi\u00f3n central de un estudio internacional publicado el 13 de octubre de 2026 en Nature Biomedical Engineering<\/em>: con aprendizaje continuo (continual learning<\/em>) entre 30 unidades de cuidados intensivos neonatales (UCIN) de 20 pa\u00edses y territorios, el error al localizar la punta del tubo endotraqueal y la carina baj\u00f3 a 0,67 cm, frente a 1,29 cm con ajuste fino en un solo hospital y 4,30 cm cuando se usaba el modelo adulto sin adaptaci\u00f3n.<\/p>\n

\"Diagrama
Dise\u00f1o del estudio: el modelo de UCI adulta se reentrena en secuencia en cada UCIN y solo los pesos circulan entre hospitales. Imagen: Rao et al., Nature Biomedical Engineering 2026 (CC BY 4.0).<\/figcaption><\/figure>\n

El problema: la IA de adultos no lee bien al ni\u00f1o<\/h2>\n

Los autores recuerdan que solo alrededor del 17% de los modelos comerciales de IA tiene autorizaci\u00f3n de la FDA para uso pedi\u00e1trico y que los ni\u00f1os representan menos del 1% de las im\u00e1genes de bases p\u00fablicas. La mayor\u00eda de los modelos pedi\u00e1tricos publicados proviene de un \u00fanico centro, pocos tienen validaci\u00f3n externa y muchos pierden rendimiento al cambiar de instituci\u00f3n.<\/p>\n

Como contexto general, las razones de esa ca\u00edda son conocidas en radiolog\u00eda pedi\u00e1trica. El t\u00f3rax de un prematuro tiene proporciones muy distintas al del adulto, las estructuras son milim\u00e9tricas, las placas se toman en la cama, dentro de la incubadora, con cables, electrodos y cat\u00e9teres superpuestos, y los protocolos de exposici\u00f3n se ajustan a dosis baja. La prevalencia de las alteraciones tambi\u00e9n cambia. Un algoritmo que nunca vio esa combinaci\u00f3n puede equivocarse por varios cent\u00edmetros. Es el mismo trasfondo de otros trabajos que publicamos, como la IA que estima la densidad \u00f3sea en radiograf\u00edas de t\u00f3rax de ni\u00f1os<\/a>.<\/p>\n

C\u00f3mo se hizo el estudio<\/h2>\n

El trabajo fue liderado por Vishwanatha M. Rao y coordinado por Pranav Rajpurkar, del Departamento de Inform\u00e1tica Biom\u00e9dica de la Harvard Medical School, con decenas de coautores de centros como Stanford, Great Ormond Street (Londres), la Universidad Metropolitana de Osaka, la Universidad de Ciudad del Cabo y el comit\u00e9 de IA de la Asociaci\u00f3n Colombiana de Radiolog\u00eda, adem\u00e1s de un hospital universitario de Manizales, Colombia.<\/p>\n

La tarea elegida fue evaluar la posici\u00f3n del tubo endotraqueal, para la cual ya existen herramientas autorizadas por la FDA en adultos, pero ninguna soluci\u00f3n comercial para neonatos. El punto de partida fue CarinaNet, un detector de objetos basado en RetinaNet con backbone ResNet-50, entrenado previamente con 1.890 radiograf\u00edas de UCI adulta para ubicar la punta del tubo y la carina.<\/p>\n

Cada UCIN reuni\u00f3 unas 100 radiograf\u00edas, con la mitad de tubos bien posicionados y la mitad mal posicionados. Cincuenta im\u00e1genes se usaron para entrenamiento local y el resto (43 a 53 por centro) para prueba. En total fueron 2.965 radiograf\u00edas de 2.960 pacientes, con mediana de edad de 2 d\u00edas, peso medio al nacer de 2.195 g y edad gestacional media de 32,9 semanas, una poblaci\u00f3n mayoritariamente prematura.<\/p>\n

En el aprendizaje continuo, el primer hospital recibe el modelo adulto, lo reentrena con sus 50 im\u00e1genes y pasa solo los pesos al siguiente, y as\u00ed sucesivamente. Los autores lo compararon con dos alternativas realistas: usar el modelo adulto tal cual (predicci\u00f3n directa) o ajustarlo solo con los datos del hospital evaluado (ajuste fino). Para cada uno de los 30 centros, el hospital evaluado qued\u00f3 fuera de la secuencia de entrenamiento y los resultados se promediaron en 10 \u00f3rdenes aleatorios. Los experimentos se ejecutaron de forma centralizada para simular el escenario descentralizado.<\/p>\n

Los resultados principales<\/h2>\n