Evaluación comparativa de aprendizaje automático y médicos especialistas en la clasificación de atención mamaria: un...

Área de la Ciencia:

• Imágenes Médicas
• Inteligencia Artificial
• Oncología

Sus antecedentes:

• El diagnóstico del cáncer de mama depende en gran medida de la clasificación oportuna y precisa de las referencias de los pacientes.
• La clasificación basada en médicos puede consumir mucho tiempo y estar sujeta a variabilidad.
• El aprendizaje automático (ML) ofrece potencial para mejorar la precisión y la eficiencia diagnóstica.

Objetivo del estudio:

• Comparar la precisión y eficiencia diagnóstica de un modelo de ML patentado específico para mama frente a médicos especialistas.
• Evaluar el rendimiento del modelo de ML utilizando datos clínicos estandarizados del mundo real para la clasificación de referencias mamarias.

Principales métodos:

• Un estudio observacional retrospectivo utilizó 174 casos mamarios estandarizados (46 tipos de enfermedades, 23 cánceres).
• Un modelo de ML y médicos realizaron tres predicciones diagnósticas por caso.
• Las métricas de rendimiento incluyeron sensibilidad, especificidad, VPP, VPN y análisis ROC; también se evaluó la eficiencia del tiempo.

Principales resultados:

• El modelo de ML logró una precisión diagnóstica del 100 % frente al 83,9 % de los médicos.
• El modelo de ML demostró una mayor sensibilidad (0,947 frente a 0,826) y VPP (0,500 frente a 0,442).
• El modelo de ML mostró un poder predictivo superior con un AUC de 0,91 en comparación con 0,83 para los médicos.

Conclusiones:

• El modelo de ML igualó o superó la precisión diagnóstica de los médicos y, al mismo tiempo, redujo significativamente el tiempo de clasificación.
• Las herramientas de clasificación impulsadas por IA prometen mejorar la eficiencia y la estandarización de las referencias de cáncer de mama.