Varias empresas están utilizando IA para analizar los resultados de las imágenes. Pero mientras la FDA aprueba más y nuevas herramientas que la utilizan para la detección de distintas enfermedades y las compañías recaudan fondos millonarios, las investigaciones instan a ser más cuidadosos con su uso.
Recientemente la empresa de inteligencia artificial de radiología Aidoc obtuvo la aprobación de la FDA para una herramienta que marca y clasifica casos de neumotórax, o un pulmón colapsado, en radiografías. Aidoc ya cuenta con otras herramientas aprobadas por la FDA, que incluyen software para clasificar y notificar embolia pulmonar incidental, clasificar fracturas de la columna cervical y señalar hemorragias intracraneales agudas.
«Esta autorización de la FDA valida aún más la amplitud de nuestra plataforma de IA, que va más allá de los algoritmos de IA específicos, para actuar como un centro de IA de atención médica para las necesidades de especialidades cruzadas de la organización de salud. Esto incluye la sala de emergencias, la UCI, los centros para pacientes ambulatorios, las admisiones de pacientes hospitalizados y la coordinación de la atención y la comunicación entre los prestadores», dijo el director ejecutivo de la compañía, Elad Walach, en un comunicado que invita a pensar hasta dónde se expandirá el uso de la IA en el área de la salud.
Mientras tanto, ya son muchas las empresas que recibieron el visto bueno de la FDA. Entre ellas Qure.ai, que recibió una aprobación de la entidad estadounidense a principios de este año, por un algoritmo que utiliza radiografías de tórax para ayudar a los médicos a colocar tubos de respiración; la empresa francesa GLEAMER también logró la aprobación para su software BoneView, que utiliza inteligencia artificial para detectar posibles fracturas y envía los resultados a los radiólogos para su confirmación; y la startup de radiología Sirona Medical adquirió recientemente las capacidades de IA y parte del personal de Nines, en un acuerdo que incluyó dos herramientas aprobadas por la FDA: una que analiza tomografías computarizadas de tórax para determinar el tamaño de los nódulos pulmonares y otra que usa tomografías computarizadas para encontrar posibles hemorragias intracraneales y/o efectos de masa.
Hace menos de un año, Aidoc recaudó para la puesta en marcha de imágenes habilitadas para IA $ 66 millones en fondos de la Serie C, lo que elevó su fondo total a $ 140 millones y Qure.ai anunció hace pocos días que había recaudado 40 millones de dólares en una ronda de financiación.
Los casos siguen, los estudios avanzan
Asimsmo, según un estudio publicado en la revista Radiology, utilizando un modelo de aprendizaje profundo de IA completamente automatizado, un grupo de investigadores logró identificar diabetes tipo II a partir de tomografías computarizadas abdominales. «Este estudio es un paso hacia el uso más amplio de métodos automatizados para abordar los desafíos clínicos», dijo el coautor principal del estudio, Ronald M. Summers, MD, Ph.D., investigador y radiólogo del National Institutes of Health Clinical Center en Bethesda, Maryland.
Sin embargo, otro equipo de investigadores del Centro de Investigación Botnar, en Inglaterra, revisó 42 estudios existentes que comparaban el rendimiento diagnóstico en la detección de fracturas entre la IA y los médicos, sin encontrar diferencias significativas. Pero advirtieron que la investigación sobre la detección de fracturas por IA permanece en una etapa preclínica muy temprana. Y otro estudio realizado por investigadores noruegos bajo la dirección del Dr. Solveig Hofvind, Ph.D., de la Sección de Detección de Cáncer de Mama del Registro de Cáncer de Noruega, en Oslo, concluyó que «si bien el sistema de IA funcionó bien en la detección del cáncer de mama en mamografías, la dependencia del estudio en datos retrospectivos significa que se necesita más investigación».
Asimismo, un estudio publicado en The Lancet encontró que un modelo de aprendizaje profundo entrenado para detectar cierto tipo de fracturas de cadera superó a los radiólogos, pero en pruebas adicionales se encontraron algunas barreras para su uso seguro.
«Aunque el modelo funcionó muy bien en general, el estudio señaló que ocasionalmente cometió errores no humanos o errores inesperados que un radiólogo humano no cometería», escribieron los autores sobre este modelo que se entrenó con datos del Royal Adelaide Hospital, en Australia.
«El estudio destaca la importancia de realizar pruebas rigurosas antes de implementar modelos de IA», dijeron los investigadores y agregaron que la evaluación preclínica exhaustiva de los modelos de inteligencia artificial, incluida la auditoría algorítmica, puede revelar un comportamiento inesperado y potencialmente dañino incluso en sistemas de inteligencia artificial de alto rendimiento.
En síntesis, aunque la IA podría mejorar los resultados y reducir los costos, la investigación ha demostrado que todavía falta mucho camino por recorrer, y entre otras cosas, se ha comprobado que muchos de los conjuntos de datos utilizados para entrenar estos modelos provienen de Estados Unidos y de China, lo que podría limitar su utilidad en otros países. El sesgo también es una gran preocupación para los prestadores e investigadores, ya que tiene el potencial de empeorar las desigualdades en la salud.
Fuentes:
https://pubs.rsna.org/journal/radiology
https://www.mobihealthnews.com/news/fda-clears-aidoc-ai-powered-pneumothorax-detection-tool
