Evaluación del papel de ChatGPT en la generación de informes radiológicos estructurados: una revisión sistemática

Área de la Ciencia:

• Inteligencia Artificial en Imagen Médica
• Procesamiento del Lenguaje Natural en Atención Médica
• Optimización del Flujo de Trabajo Radiológico

Sus antecedentes:

• Los modelos de lenguaje grandes (LLM) ofrecen potencial para la generación de informes estructurados en radiología.
• El rendimiento diagnóstico actual y la fiabilidad clínica de los LLM en radiología no están bien establecidos.
• Revisión sistemática para evaluar la precisión, sensibilidad, especificidad y utilidad de los LLM en la generación de informes radiológicos.

Objetivo del estudio:

• Revisar sistemáticamente la precisión diagnóstica de ChatGPT y LLM similares para la generación de informes radiológicos estructurados.
• Evaluar la sensibilidad, especificidad y utilidad clínica de estos modelos de IA.
• Sintetizar los hallazgos en diferentes modalidades de imagen y tipos de IA.

Principales métodos:

• Revisión sistemática siguiendo las directrices PRISMA.
• Búsqueda en PubMed y Google Scholar de estudios de precisión diagnóstica de LLM en la generación de informes radiológicos.
• Evaluación del riesgo de sesgo y aplicabilidad utilizando la herramienta QUADAS-2; síntesis narrativa de los resultados.

Principales resultados:

• Veintiocho estudios (2023-2024) incluidos; GPT-4 mostró alta precisión (p. ej., 99 % en RM hepática, 94 % en RM cerebral).
• GPT-4o demostró 75 % de sensibilidad y 95 % de especificidad en imágenes de tórax.
• Los modelos específicos del dominio tuvieron un buen rendimiento, pero existió variabilidad; se observó un riesgo moderado de sesgo.

Conclusiones:

• Los LLM muestran una precisión prometedora para la generación de informes radiológicos estructurados en áreas específicas como imágenes de tórax, cerebro e hígado.
• La inconsistencia en el rendimiento entre modalidades exige precaución para la adopción clínica rutinaria.
• Son esenciales estudios prospectivos adicionales con protocolos estandarizados para la integración clínica.