¿Son confiables los modelos de inteligencia artificial para su aplicación clínica en la detección de fracturas...

Área de la Ciencia:

• Radiología
• Ortopedia pediátrica
• Inteligencia artificial

Sus antecedentes:

• La IA es prometedora para el diagnóstico de fracturas pediátricas a partir de radiografías.
• Los estudios existentes tienen limitaciones como tamaños de muestra pequeños y validación externa inconsistente.
• Se necesita un metanálisis para proporcionar estimaciones sólidas para la aplicación clínica.

Objetivo del estudio:

• Determinar el rendimiento diagnóstico combinado (sensibilidad, especificidad, AUC) de los modelos de IA para fracturas pediátricas.
• Evaluar la aplicabilidad clínica de los modelos de IA utilizando datos de validación externa.
• Investigar el impacto de la cobertura anatómica en el rendimiento del modelo de IA.

Principales métodos:

• Una revisión sistemática y un metanálisis siguiendo las directrices de PRISMA 2020.
• Se incluyeron 16 estudios de precisión diagnóstica con 10.203 pacientes pediátricos.
• Riesgo de sesgo evaluado con QUADAS-2 y certeza de la evidencia con GRADE.

Principales resultados:

• Sensibilidad combinada: 93%, especificidad: 91%, AUC: 0,96.
• Los modelos de IA mantuvieron una alta precisión en conjuntos de datos externos (sensibilidad: 93%, especificidad: 88%, AUC: 0,95).
• Una cobertura anatómica más amplia mejoró la sensibilidad, mientras que el enfoque de una sola región mejoró la especificidad.

Conclusiones:

• Los modelos de IA detectan con precisión las fracturas pediátricas en las radiografías, validadas por pruebas externas.
• Los algoritmos de IA validados pueden ser considerados por los médicos para mejorar la precisión del diagnóstico en la atención aguda.
• La investigación futura debe centrarse en el rendimiento del subgrupo y dar prioridad a la validación externa para la generalización de la IA.