El papel de la inteligencia artificial en el diagnóstico de la embolia pulmonar: una revisión sistemática y un...

Área de la Ciencia:

• Análisis de imágenes médicas Análisis de imágenes médicas.
• Inteligencia Artificial en el cuidado de la salud.
• Estudios de precisión de diagnóstico Estudios de precisión de diagnóstico.

Sus antecedentes:

• El diagnóstico tardío de la embolia pulmonar (EP) conduce a un aumento de la morbilidad, la mortalidad y las estadías hospitalarias prolongadas de los pacientes.
• El diagnóstico preciso y oportuno de la EP es fundamental para un manejo eficaz del paciente y mejores resultados.
• El potencial de la Inteligencia Artificial (IA) para mejorar las capacidades de diagnóstico de la EP requiere una evaluación exhaustiva.

Objetivo del estudio:

• Evaluar sistemáticamente la precisión diagnóstica de los modelos de IA en la detección de la embolia pulmonar (EP) utilizando varias modalidades de imagen.
• Para sintetizar la evidencia de múltiples estudios para proporcionar estimaciones agrupadas de las métricas de rendimiento de la IA para el diagnóstico de la EP.

Principales métodos:

• Se realizó una búsqueda sistemática completa de la literatura en las principales bases de datos (PubMed/MEDLINE, Scopus, Embase, Web of Science) hasta enero de 2025.
• Los estudios incluidos se evaluaron para el riesgo de sesgo utilizando la herramienta QUADAS-2, con datos extraídos por dos revisores independientes.
• Se empleó un metanálisis de efectos aleatorios para calcular la sensibilidad agrupada, la especificidad, los ratios de probabilidad, el índice de probabilidades de diagnóstico (DOR) y el área bajo la curva ROC (AUC).

Principales resultados:

• El metanálisis incluyó 28 estudios en los que participaron más de 46.900 participantes.
• La validación interna mostró un excelente rendimiento de la IA con una sensibilidad combinada de 0,91 y una especificidad de 0,94 (AUC = 0,95).
• La validación externa arrojó métricas de rendimiento ligeramente más bajas pero aún altas (sensibilidad = 0,89, especificidad = 0,88, AUC = 0,94), con una heterogeneidad significativa.

Conclusiones:

• Los modelos de IA demuestran un potencial significativo para la detección precisa de PE en todas las modalidades de imágenes.
• Una disminución en el rendimiento de la validación interna a la externa sugiere limitaciones en la generalizabilidad del modelo de IA.
• La heterogeneidad sustancial entre los estudios requiere una interpretación cuidadosa de las estimaciones de precisión de diagnóstico agrupadas.