{"id":971368,"date":"2023-09-26T20:25:44","date_gmt":"2023-09-26T20:25:44","guid":{"rendered":"https:\/\/teknomers.com\/es\/el-medico-sigue-interpretando-una-fotografia-pulmonar-mejor-que-un-ordenador\/"},"modified":"2023-09-26T20:25:49","modified_gmt":"2023-09-26T20:25:49","slug":"el-medico-sigue-interpretando-una-fotografia-pulmonar-mejor-que-un-ordenador","status":"publish","type":"post","link":"https:\/\/teknomers.com\/es\/el-medico-sigue-interpretando-una-fotografia-pulmonar-mejor-que-un-ordenador\/","title":{"rendered":"El m\u00e9dico sigue interpretando una fotograf\u00eda pulmonar mejor que un ordenador"},"content":{"rendered":"\n
\n

Por una vez, no hay noticias que digan que la inteligencia artificial vuelve a superar a los humanos en algo. En la pr\u00e1ctica diaria, los radi\u00f3logos todav\u00eda parecen ser mejores para reconocer enfermedades pulmonares comunes que los sistemas de inteligencia artificial. Esto se desprende de una comparaci\u00f3n entre cuatro herramientas de inteligencia artificial y un grupo de 72 m\u00e9dicos en los que se evaluaron m\u00e1s de 2.000 radiograf\u00edas de los pulmones para detectar afecciones agudas comunes.<\/p>\n

Los sistemas de IA disponibles comercialmente eran bastante buenos en su trabajo, pero ten\u00edan m\u00e1s probabilidades de diagnosticar una afecci\u00f3n cuando no estaba presente (un falso positivo) que los radi\u00f3logos. Tambi\u00e9n obtuvieron peores resultados que los m\u00e9dicos cuando se presentaron varias enfermedades al mismo tiempo o cuando las desviaciones eran s\u00f3lo menores. <\/p>\n

Este los investigadores escriben<\/a> afiliado a dos hospitales daneses y a la Universidad de Copenhague el martes en la revista cient\u00edfica Radiolog\u00eda<\/em>. La IA todav\u00eda no debe verse como algo m\u00e1s que una herramienta de apoyo y se debe tener cuidado, especialmente en casos complejos, concluyen.<\/p>\n

Aprendizaje profundo<\/h2>\n

Reconocer desviaciones en los patrones es una tarea en la que la inteligencia artificial (IA) es muy buena. Gracias a aprendizaje profundo<\/em> quienes aplican dichos algoritmos pueden procesar informaci\u00f3n en m\u00faltiples capas, cada vez m\u00e1s abstractas. Adem\u00e1s, a diferencia de los m\u00e9dicos, es f\u00e1cil entrenar los algoritmos con millones de fotograf\u00edas de muestra, los algoritmos funcionan muy r\u00e1pido y nunca se cansan. <\/p>\n

Este estudio analiz\u00f3 qu\u00e9 tan bien la IA puede reconocer una serie de enfermedades pulmonares comunes: enfermedades respiratorias (como neumon\u00eda o edema pulmonar), neumot\u00f3rax (colapso pulmonar) y derrame pleural (acumulaci\u00f3n de l\u00edquido alrededor de los pulmones). <\/p>\n

Se revisaron 2.040 fotograf\u00edas de pulm\u00f3n, de pacientes entre 58 y 81 a\u00f1os. En 669 casos hubo una enfermedad pulmonar aguda, en 1.371 casos no la hubo. Las fotograf\u00edas no eran aisladas, hab\u00eda fotograf\u00edas anteriores de 1.641 pacientes, m\u00e1s de la mitad de los pacientes ten\u00edan problemas pulmonares m\u00faltiples, incluso no agudos. Los radi\u00f3logos podr\u00edan incluir esta informaci\u00f3n en su evaluaci\u00f3n tal como en su pr\u00e1ctica diaria, pero los sistemas de IA no pudieron hacerlo.<\/p>\n

Diagn\u00f3sticos perdidos<\/h2>\n

Las diferencias m\u00e1s sorprendentes se observaron en la identificaci\u00f3n de enfermedades respiratorias. Las herramientas de IA informaron incorrectamente un resultado positivo entre el 13,7 y el 36,9 por ciento de los casos, mientras que para los radi\u00f3logos esto fue del 11,6 por ciento de los casos. La proporci\u00f3n de diagn\u00f3sticos fallidos (falsos negativos) fue en promedio de alrededor del 20 por ciento tanto para las herramientas de inteligencia artificial como para los radi\u00f3logos, y estos generalmente involucraban anomal\u00edas sutiles. <\/p>\n

Al identificar el l\u00edquido alrededor de los pulmones, las tasas de falsos positivos fueron mucho m\u00e1s bajas (AI 1,1 a 2,4 por ciento, radi\u00f3logos 0,2 por ciento). Un pulm\u00f3n colapsado se evalu\u00f3 como falso positivo y falso negativo con la misma frecuencia.<\/p>\n

“Al igual que investigaciones anteriores, este estudio tambi\u00e9n muestra que los m\u00e9dicos no deben sobreestimar los resultados de la IA”, escriben dos radi\u00f3logos de la Universidad de Osaka en Jap\u00f3n en un comentario en Radiolog\u00eda<\/em>. Pero se espera que las herramientas de IA sigan mejorando. \u201cUna raz\u00f3n importante por la que los m\u00e9dicos obtienen mejores resultados es el acceso a m\u00e1s datos que esa \u00fanica fotograf\u00eda. La IA tambi\u00e9n puede evolucionar en esta direcci\u00f3n. Adem\u00e1s, est\u00e1n surgiendo otros tipos de algoritmos que aprenden de forma ligeramente diferente y los primeros resultados son prometedores\u201d.<\/p>\n

Los japoneses tambi\u00e9n consideran una pena que el estudio no desglose los resultados de los radi\u00f3logos en funci\u00f3n de los a\u00f1os de experiencia. “Para descubrir qu\u00e9 impacto puede tener la IA en el desempe\u00f1o de los m\u00e9dicos en el entorno cl\u00ednico real, esta es informaci\u00f3n esencial”.<\/p>\n