Ronald Palacios Castrillo
Resumen
La inteligencia artificial (IA) tiene el potencial de mejorar la detección del cáncer de mama; sin embargo, la evidencia prospectiva de la implementación segura de la IA en la práctica clínica real es limitada. Ng, A.Y., Oberije, C.J.G., Ambrózay, É. et al. ( implementation of AI-assisted screen reading to improve early detection of breast cancer. Nat Med .2023. https://doi.org/10.1038/s41591-023-02625-9) , implementaron un sistema de inteligencia artificial disponible comercialmente como lector adicional a la doble lectura estándar para señalar casos para una revisión adicional del arbitraje entre las mujeres examinadas.
El rendimiento se evaluó de forma prospectiva en tres fases: una implementación piloto en un solo centro, una implementación piloto multicéntrica más amplia y una implementación completa en vivo.
Los resultados mostraron que, en comparación con la doble lectura, la implementación del proceso de lector adicional asistido por IA podría lograr entre 0,7 y 1,6 detecciones adicionales de cáncer por cada 1.000 casos, con entre un 0,16 y un 0,30 % de retiros adicionales, entre un 0 y un 0,23 % de retiros innecesarios y entre un 0,1 y un 1,9 %. % de aumento en el valor predictivo positivo (VPP) después de entre un 7% y un 11% de lecturas humanas adicionales de casos marcados por IA (lo que equivale a entre un 4% y un 6% de carga de trabajo de lectura general adicional).
=> Recibir por Whatsapp las noticias destacadas
La mayoría de los casos cancerosos detectados por el proceso de lectura adicional asistido por IA fueron invasivos (83,3%) y de pequeño tamaño (≤10 mm, 47,0%). Esta evaluación sugiere que el uso de la IA como lector adicional puede mejorar la detección temprana del cáncer de mama con características de pronóstico relevantes, con retiros innecesarios mínimos o nulos. Aunque el flujo de trabajo de lectores adicionales asistido por IA requiere lecturas adicionales, el PPV más alto sugiere que puede aumentar la eficacia de la detección.
La detección del cáncer de mama detecta el cáncer en etapas más tempranas, lo que lleva a una reducción significativa de la mortalidad por cáncer de mama.
Además, la detección temprana puede conducir a tratamientos menos agresivos, reduciendo la toxicidad del tratamiento. Aunque el cribado mamario reduce la mortalidad general, tiene limitaciones que provocan que no se detecte el cáncer en un número considerable de personas examinadas.
En estos casos, el cáncer se puede encontrar más tarde entre rondas de detección (cáncer de intervalo) o en la siguiente ronda de detección. Las estimaciones informadas sobre la tasa de detección de cáncer a intervalos varían ampliamente entre países y programas de detección con intervalos de detección variables, que van desde 0,7 a 4,9 por cada 1.000 mujeres sometidas a pruebas de detección.
Entre ellos, se estima que la proporción de casos de cáncer que pudieron detectarse retrospectivamente en rondas anteriores es del 22%. En el pasado, se desarrollaron sistemas de detección asistida por computadora (CAD) para mejorar la detección del cáncer.
Sin embargo, los beneficios de la CAD encontrados en estudios experimentales no se tradujeron en beneficios clínicos en el mundo real. El uso de CAD dió lugar a mayores retiros, más tiempo necesario para evaluar las pruebas de detección y más biopsias sin mejorar la detección del cáncer, lo que en última instancia no confiere ningún beneficio en las pruebas de detección.
La inteligencia artificial (IA) moderna basada en el aprendizaje profundo es una tecnología diferente de los sistemas CAD anteriores y ha demostrado un mayor potencial para respaldar la calidad de los servicios de detección y reducir la carga de trabajo, dependiendo de su integración del flujo de trabajo.
La IA tiene el mayor riesgo de rendimiento en casos con características menos comunes; por lo tanto, requiere evaluación en estudios a gran escala. Dado que los estudios retrospectivos hacen posibles evaluaciones a gran escala, son cruciales para validar la seguridad y eficacia de la IA antes de su uso prospectivo. Sin embargo, se puede esperar que los resultados retrospectivos se traduzcan en la práctica clínica real sólo cuando se utilizan métodos de estudio adecuados para garantizar que los datos analizados sean representativos de lo que la IA procesaría en implementaciones del mundo real.
De lo contrario, no se garantiza la utilidad de la IA en la práctica clínica. Se necesitan evaluaciones prospectivas para evaluar el rendimiento en el mundo real de la IA integrada en flujos de trabajo clínicos en vivo; sin embargo, hasta la fecha estos han sido limitados.
Ng, A.Y., Oberije, C.J.G., Ambrózay, É. )et al. Prospective implementation of AI-assisted screen reading to improve early detection of breast cancer. Nat Med .2023. https://doi.org/10.1038/s41591-023-02625-9),reporta la evaluación del servicio presenta los resultados del uso de un sistema de IA disponible comercialmente, Mia (Kheiron Medical Technologies), configurado con puntos operativos de sensibilidad y especificidad predeterminados aprobados por las reglamentaciones en implementaciones piloto y uso en vivo en la práctica diaria. El rendimiento y la generalización del sistema de IA utilizado se confirmaron previamente en un estudio retrospectivo de generalización de la IA a gran escala.
El análisis actual utilizó datos del mundo real posteriores a la comercialización recopilados prospectivamente para evaluar la efectividad del sistema de inteligencia artificial como un componente adicional a los procedimientos de detección estándar y una red de seguridad de control de calidad en el flujo de trabajo de lectores adicionales asistidos por inteligencia artificial para respaldar la detección temprana del cáncer.
Este análisis de datos prospectivos de uso en el mundo real proporciona evidencia de que el uso de IA en la práctica clínica da como resultado un aumento mensurable en la detección del cáncer de mama. Analizaron los efectos del flujo de trabajo de lectores adicionales asistidos por IA en dos fases piloto y descubrieron que los resultados se mantuvieron cuando se utilizó IA en la práctica diaria de detección. Además, el beneficio clínico observado (un aumento significativo del 5 al 13 % en la tasa de detección temprana de tumores cancerosos pequeños y en su mayoría invasivos) tuvo un impacto mínimo en las tasas de retiro, lo que demuestra la posibilidad de aumentar la detección del cáncer sin retiros adicionales falsos positivos.
Aunque la tasa de recuerdo de doble lectura (6,7–7,7%) en esta evaluación está en línea con resultados anteriores publicados en el Reino Unido y Europa, la CDR de doble lectura es mayor (14/1000) de lo informado anteriormente, posiblemente como resultado de la reanudación de los programas de detección del cáncer de mama después de la pandemia de enfermedad por coronavirus.
Sin embargo, el flujo de trabajo del lector adicional asistido por IA respaldó el servicio de detección al aumentar aún más la tasa de detección temprana del cáncer. También puede reducir potencialmente la proporción de casos que requieren una revisión de arbitraje adicional a <3% de los casos y al mismo tiempo lograr una mayor detección de cáncer entre 0,5 y 1,3 por cada 1.000 casos, lo que corresponde a un aumento relativo de entre 4 y 10% en la detección de cáncer utilizando un método de mayor especificidad.
Se necesitará trabajo futuro que investigue la implementación de una variedad de puntos operativos para confirmar el alcance de la mejora alcanzable en la detección temprana del cáncer en el contexto de sitios con diferentes necesidades, capacidades y características de la población de detección.
La implementación de la IA en el flujo de trabajo de diagnóstico requiere un seguimiento cuidadoso del rendimiento continuo a lo largo del tiempo. Para el flujo de trabajo de lectores adicionales asistido por IA, se debe examinar la eficacia de las evaluaciones clínicas posteriores de los casos positivos discordantes recordados para garantizar que se encuentren posibles casos de cáncer.
Además, el flujo de trabajo del lector adicional asistido por IA podría combinarse con flujos de trabajo centrados en ahorrar carga de trabajo, como el uso de IA como un segundo lector independiente. Estudios retrospectivos a gran escala del mismo sistema de IA utilizado en esta evaluación han demostrado que la IA como segundo lector independiente puede ofrecer hasta un 45 % de ahorro en la carga de trabajo, lo que compensa las lecturas de arbitraje adicionales del 3 % al 11 % (entre el 1 % y el 6 % adicional en general),carga de trabajo de lectura para el flujo de trabajo de lector adicional asistido por IA al tiempo que proporciona el beneficio de una mayor detección de cáncer.
El flujo de trabajo del lector adicional asistido por IA se diseñó para marcar casos de alta prioridad que no se recuperan mediante la doble lectura estándar, lo que probablemente hace que el conjunto de casos marcados sea más difícil o complejo de leer. Creemos que esto sería útil en la formación de lectores de mamografías. El espectro de enfermedades detectadas con el flujo de trabajo del lector adicional asistido por IA se evaluará en trabajos futuros que cubran características como la invasividad, el tamaño del tumor, el grado y el estado de los ganglios linfáticos.
Es necesario considerar varias limitaciones al interpretar los resultados presentados por Ng, A.Y., Oberije, C.J.G., Ambrózay, É. et al. ( Nat Med .2023. https://doi.org/10.1038/s41591-023-02625-9). En primer lugar, se recopilaron datos de una sola institución de detección de cáncer de mama (con cuatro sitios) en un país.
Dado que los programas de detección varían entre sitios clínicos y países, los estudios futuros deben confirmar el beneficio del flujo de trabajo de lectores adicionales asistido por IA en otros entornos y poblaciones de detección. Además, como solo se evaluó un sistema comercial de IA, es posible que los resultados no sean representativos de otros sistemas disponibles comercialmente.
Además, dado que el período de seguimiento en esta evaluación prospectiva osciló solo entre 2 y 9 meses, aún no hay información disponible sobre posibles casos de cáncer de intervalo en la población estudiada. Se requiere un análisis de seguimiento más prolongado para una evaluación más precisa del potencial de la IA para mejorar la detección del cáncer en el contexto de la aparición de cáncer a intervalos. Además, el impacto de la variación entre lectores en los resultados de detección del flujo de trabajo de lectores adicionales asistido por IA sigue sin estar claro y debe evaluarse en el trabajo de seguimiento.
A pesar de los muchos desafíos en el desarrollo, validación, implementación y monitoreo de la IA para garantizar la seguridad del paciente, esta evaluación muestra que un sistema de IA disponible comercialmente se puede implementar de manera efectiva y que los beneficios previamente previstos se materializan en una evaluación prospectiva del mundo real de un flujo de trabajo clínico en vivo. Los hallazgos descritos en este trabajo resaltan oportunidades para el uso de la IA en el cribado mamario y, al mismo tiempo, demuestran pasos concretos para su implementación segura. El enfoque prospectivo por fases subraya el potencial de varias vías de adopción de la IA.
