¿Cómo afectan la edad y el grupo racial la inteligencia artificial en los mamogramas digitales?

WASHINGTON- En un artículo publicado la revista Radiological Society of North America, titulado “Age, Race Impact AI Performance on Digital Mammograms”, precisa que para esta nueva investigación se analizaron cerca de 5,000 mamografías de detección que fueron interpretadas a través de un algoritmo de inteligencia artificial que fue aprobado por la FDA, en el que descubrieron que las características de las pacientes, tales como la raza y la edad, “influyeron en los resultados falsos positivos”.

”La IA se ha convertido en un recurso para que los radiólogos mejoren su eficiencia y precisión en la lectura de mamografías de detección y, al mismo tiempo, mitiguen el agotamiento del lector”, explica Derek L. Nguyen, MD, profesor asistente de la Universidad de Duke en Durham, Carolina del Norte y uno de los autores de la investigación, quien continúa precisando que ”sin embargo, el impacto de las características del paciente en el rendimiento de la IA no se ha estudiado bien”.

TE PUEDE INTERESAR: ¿Cómo hacerse un autoexamen de exploración para detectar el cáncer de mama?

Los resultados del este estudio fueron publicados en la revista Radiology.

Los investigadores lograron identificar a pacientes con exámenes por tomosíntesis digital de mama cuyos resultados salieron negativos, es decir sin que existieran evidencias de cáncer, que fueron realizados en el Centro Médico de la Universidad Duke entre 2016 y 2019.

En opinión del Dr. Nguyen, no obstante a los datos preliminares insinúan que “los algoritmos de IA aplicados a los exámenes de mamografía de detección” son capaces de favorecer “el rendimiento diagnóstico de los radiólogos para la detección del cáncer de mama y reducir el tiempo de interpretación, hay algunos aspectos de la IA que requieren una consideración adicional”.

En este sentido, el profesor asistente de la Universidad de Duke en Durham, Carolina del Norte, señala que ”existen pocas bases de datos demográficamente diversas para el entrenamiento de algoritmos de IA, y la FDA no requiere conjuntos de datos diversos para su validación”,y añade, ”debido a las diferencias entre las poblaciones de pacientes, es importante investigar si el software de IA puede adaptarse y funcionar al mismo nivel para diferentes edades, razas y etnias de pacientes”.

RESULTADOS DE LA INVESTIGACIÓN

En el “estudio retrospectivo”, Nguyen , Yinhao Ren, Tyler M. Jones, Samantha M. Thomas, Joseph Y. Lo, Lars J. Grimm autores del estudio consiguieron identificar a pacientes “con exámenes de detección de tomosíntesis digital de mama negativos” que fueron realizados en el Centro Médico de la Universidad de Duke entre 2016 y 2019. Todas las pacientes que participaron como voluntarias en la investigación fueron seguidas por dos años luego de las mamografías de detección, y “a ninguna paciente se le diagnosticó una neoplasia maligna de mama” detalla Radiological Society of North America.

TE PUEDE INTERESAR: Expertos ahora recomiendan exámenes de detección de cáncer de mama a los 40 años

Los investigadores llevaron acabo una selección hecha al azar de un subconjunto conformado por 4,855 pacientes, con edad media de 54 años, que fueron distribuidas en “cuatro grupos étnicos/raciales”. Así mismo en este grupo se incluyó a 1,316, es decir es, un 27% de pacientes blancas, a 1, 261, el 26% negras, a 1,351 un 28% asiáticas y a 927 un 19% pacientes hispanas.

Para el estudio, los autores decidieron hacer uso de un algoritmo de IA que actualmente es disponible comercialmente mediante el cual se interpretó cada uno de los exámenes en el subconjunto de mamografías, “generando tanto una puntuación de caso como una puntuación de riesgo que representa el riesgo de malignidad en un año posterior”, indica Radiological Society of North America.

”Nuestro objetivo era evaluar si el rendimiento de un algoritmo de IA era uniforme según la edad, los tipos de densidad mamaria y las diferentes razas/etnias de los pacientes”, precisó el Dr. Nguyen.

Debido a que todas las mamografías que usaron para este estudio dieron resultados negativos en cuanto a la presencia de cáncer, cualquier cosa que el algoritmo apuntara “como sospechosa se consideró un resultado falso positivo”. En consecuencia, las “puntuaciones de casos falsos positivos fueron significativamente más probables en pacientes negros y mayores (71 a 80 años) y menos probables en pacientes asiáticos y pacientes más jóvenes (41 a 50 años) en comparación con pacientes blancos y mujeres entre 51 y 60 años”, señala Radiological Society of North America.

El Dr. Nguyen considera que ”este estudio es importante porque destaca que cualquier software de IA adquirido por una institución de atención médica puede no funcionar de manera igual en todas las edades, razas/etnias y densidades mamarias de todos los pacientes”, por lo que, prosigue, ”en el futuro, creo que las actualizaciones del software de IA deberían centrarse en garantizar la diversidad demográfica”.

Siendo así que para el Dr. Nguyen, las instituciones de atención médica necesitan tener una comprensión de la población de sus pacientes a las que atienden antes de adquirir un algoritmo de inteligencia artificial para ser usado en la interpretación de mamografías de detección y, además “preguntar a los proveedores sobre su capacitación en algoritmos”.

”Tener un conocimiento básico de la demografía de su institución y preguntarle al proveedor sobre la diversidad étnica y de edad de sus datos de capacitación lo ayudará a comprender las limitaciones que enfrentará en la práctica clínica”, concluyó el Dr. Nguyen.

USO DE LA INTELIGENCIA ARTIFICIAL EN RADIOLOGÍA

En el artículo “Patient Characteristics Impact Performance of AI Algorithm in Interpreting Negative Screening Digital Breast Tomosynthesis Studies”, publicado en la revista Radiology precisa que “los programas de detección del cáncer de mama reducen la mortalidad por cáncer de mama. Aunque la mamografía de detección conduce a la detección temprana del cáncer de mama, el aumento de la carga de trabajo de los radiólogos se asocia con el agotamiento de los radiólogos, la fatiga del lector y el estrés, lo que en última instancia conduce a mayores tasas de errores de interpretación). Esto puede verse exacerbado por la transición de la mamografía digital a la tomosíntesis mamaria digital (DBT) debido a que el tiempo promedio de interpretación de la DBT es el doble”.

Por último, en este artículo se precisa que actualmente “existe un interés creciente en el uso de la inteligencia artificial (IA) para mejorar la eficiencia del trabajo de los radiólogos. Los datos preliminares sugieren que los algoritmos de IA basados en el aprendizaje profundo aplicado a la mamografía mejoran el rendimiento diagnóstico de los radiólogos en la detección del cáncer de mama y reducen el tiempo de interpretación sin impedir el flujo de trabajo”.

Con información de Radiological Society of North Americat Radiology.