Papel del CADx en la colonoscopia: lecciones de estudios de la vida real

Área de la Ciencia:

• Gastroenterología y imágenes médicas.
• La inteligencia artificial en la medicina.

Sus antecedentes:

• La colonoscopia de detección es crucial para reducir la incidencia y la mortalidad del cáncer colorrectal (CRC).
• La detección precisa y la caracterización de las lesiones precancerosas son vitales para la efectividad de la colonoscopia.
• Los sistemas de diagnóstico asistido por computadora (CADx) que utilizan inteligencia artificial (IA) ofrecen potencial para mejorar la clasificación de las lesiones.

Objetivo del estudio:

• Revisar críticamente el rendimiento en el mundo real de los sistemas CADx en colonoscopia.
• Para resaltar los beneficios y limitaciones de la IA en la caracterización de las lesiones colorrectales.
• Explorar el papel en evolución y las direcciones futuras de CADx en la práctica clínica.

Principales métodos:

• Revisión de la literatura existente sobre el rendimiento de CADx en la colonoscopia.
• Análisis de los factores que influyen en la eficacia de CADx en entornos clínicos reales.
• Examen de los desafíos en la confiabilidad del algoritmo, la interacción humano-IA y la integración del flujo de trabajo.

Principales resultados:

• Los primeros estudios de CADx mostraron una alta sensibilidad y un valor predictivo negativo (VPN) para la detección de lesiones.
• La implementación en el mundo real revela inconsistencias de rendimiento relacionadas con la experiencia del endoscopista, la variabilidad de la lesión y los datos de entrenamiento de IA.
• Los desafíos persistentes incluyen la confiabilidad del algoritmo, la colaboración humano-IA y la integración perfecta del flujo de trabajo clínico.

Conclusiones:

• CADx tiene el potencial de mejorar el diagnóstico óptico e informar las estrategias de resección y descarte en la colonoscopia.
• Abordar la variabilidad en el rendimiento de la IA y la integración clínica es esencial para maximizar la utilidad de CADx.
• La investigación futura debe centrarse en el desarrollo de algoritmos robustos y la integración efectiva del flujo de trabajo clínico para optimizar la detección de CCR.