La radiología veterinaria “es un campo en el que los algoritmos de inteligencia artificial podrían contribuir a reducir las tasas de error interpretativo de los radiólogos”
El tema de la mitigación de errores en el diagnóstico por imágenes es un campo relativamente inexplorado en la literatura veterinaria. De hecho, solo hay dos artículos disponibles que investigan dicho tema. Asimismo, las tasas de incidencia y los costes generales asociados con los errores de diagnóstico por imágenes se han investigado poco en la práctica médica veterinaria. Concretamente, solo un estudio informa que la tasa de error radiológico es comparable a lo que se informa en medicina humana. En cambio, actualmente hay disponible un conjunto completo de literatura dedicada a analizar las causas más comunes de errores de diagnóstico por imágenes, junto con posibles soluciones, en medicina humana.
Es importante comprender que los errores de diagnóstico por imágenes son mucho más intrincados de lo que parecen porque involucran una interacción compleja entre factores psicológicos individuales, ambientales y educativos. Un error de diagnóstico se define como una “desviación de la norma esperada” , y las consecuencias para el paciente pueden variar desde ninguna consecuencia hasta la muerte.
Algunos investigadores han abordado este complejo tema desde diferentes perspectivas, que abarcan desde la identificación de diferentes sesgos cognitivos, al análisis de errores interpretativos, hasta las estrategias para la reducción de errores.
Es importante señalar en este punto que actualmente no se dispone de una “etiología” universalmente reconocida de los errores en el diagnóstico por imágenes en humanos, y las definiciones y las soluciones propuestas para diferentes escenarios pueden variar entre los autores.
En los últimos años, existe un mayor interés en las aplicaciones de la inteligencia artificial (IA) en el campo del diagnóstico por imágenes en el ámbito veterinario. Entre otras aplicaciones, la IA se utiliza principalmente como una herramienta de apoyo para guiar la interpretación de imágenes médicas en medicina veterinaria. Aunque se informa que la IA tiene una tasa de error general más baja que la de los radiólogos tanto en medicina humana como en medicina veterinaria, lidiar con dicha tecnología no es tan sencillo como podría parecer.
Un trabajo realizado en Italia ha buscado examinar el papel de la IA en la mitigación de cada fuente de error en las imágenes veterinarias.
FALTA DE CONOCIMIENTO
Los autores explican que el error por falta de conocimiento sucede cuando “el hallazgo se observa, pero se atribuye a una causa errónea debido a una falta de conocimiento por parte del observador o intérprete”. Este tipo de error es, según comentan, particularmente relevante en el ámbito veterinario, donde la mayoría de las imágenes radiográficas no son interpretadas por un radiólogo sino por veterinarios generalistas. No obstante, lamentan que los sistemas actuales basados en IA no pueden correlacionar los hallazgos de las imágenes con una lista específica de diagnósticos diferenciales basados en la historia clínica y, por lo tanto, hasta la fecha, “la IA ha tenido un impacto limitado en la mitigación de este tipo de error”.
Otro fallo similar, es el “error de sobrelectura y mala interpretación, en el que un hallazgo se aprecia e interpreta como anormal, pero se atribuye a una causa equivocada”. En esta categoría se incluyen la información engañosa y un diagnóstico diferencial limitado. En la actualidad, los sistemas de IA disponibles solo detectan hallazgos radiográficos específicos y no son capaces de proporcionar diagnósticos diferenciales basados en los hallazgos clínicos. Sin embargo, indican que “próximamente estarán disponibles los grandes modelos de lenguaje capaces de interpretar las imágenes y generar una lista de diferenciales basada en la historia clínica, lo que potencialmente reducirá este tipo de error”.
LECTURA INSUFICIENTE
El error de lectura insuficiente ocurre cuando “no se detecta la lesión”. Esto por sí solo “representa el 42 % de los errores de diagnóstico totales”. Por tanto, indican que la sublectura es, muy probablemente, una de las principales razones para implementar sistemas de IA en la rutina diaria. De hecho, “la sublectura se presenta como un problema muy común que puede surgir tanto de situaciones individuales como ambientales”.
El papel de la IA en la mitigación de este tipo de error es, potencialmente, “un cambio de juego” ya que los sistemas de IA no están sujetos a sesgos cognitivos o contextos ambientales (exceso de trabajo, entorno de trabajo desafiante, distracciones, etc.).
Por otro lado, el usuario final debe considerar que la precisión del sistema de IA también se ve afectada por varios factores, como la calidad de la imagen o la tasa de lesiones en la base de datos. Por último, “conviene ser consciente de que la mayoría de los sistemas veterinarios basados en IA tienen una precisión variable reportada en la detección de lesiones específicas”. Por ejemplo, exponen que la precisión en la detección de derrame pleural suele ser muy alta, mientras que la precisión en la detección de nódulos o masas pulmonares es significativamente menor.
Otro tipo de sesgo ocurre cuando “el hallazgo se pasa por alto debido a la falta de consulta de estudios o informes radiológicos previos” o “debido a la adquisición de una historia clínica inexacta o incompleta”. Estos son algunos de los tipos de errores más comunes, y el Colegio Americano de Radiología recomienda que todos los informes previos de los pacientes estén disponibles para el radiólogo durante la evaluación del examen. Este tipo de error es más relevante en los servicios de teleradiología, ya que la mayoría de estos servicios no tienen acceso a la historia completa del paciente. Los productos basados en IA que guían a los radiólogos (tanto en medicina humana como veterinaria) a lo largo del proceso de informe (desde la adquisición de imágenes hasta el informe final) “podrían ser importantes para mitigar estos errores”. Por ejemplo, el uso de procesamiento de datos para resumir rápidamente la historia clínica del paciente “podría proporcionar al radiólogo información rápida y útil”.
No obstante, a pesar de todas las posibles aplicaciones, los investigadores lamentan que la IA es todavía una tecnología muy joven en medicina veterinaria y, a pesar del creciente número de aplicaciones disponibles en el mercado, “está lejos de ser parte de la rutina clínica de la mayoría de las prácticas”. Por ello, la radiología veterinaria “es un campo en el que los algoritmos de IA podrían contribuir a reducir las tasas de error interpretativo de los radiólogos al examinar automáticamente la calidad de las imágenes de diagnóstico antes de la interpretación, similar a lo que ya está sucediendo en la medicina humana”.
Fuente: www.diarioveterinario.com
Deja una respuesta