miércoles 2 abril, 2025

Entrevista con la Dra. Nina Kottler: Innovación y evolución en la radiología

Hoy tenemos el placer de conversar con la Dra. Nina Kottler, una destacada radióloga con más de 20 años de experiencia en imágenes de emergencia. Su trayectoria en radiología comenzó en el campo de la teleradiología, lo que le permitió desarrollar un profundo conocimiento sobre el flujo de datos y los procesos digitales dentro de la especialidad.  

Antes de estudiar medicina, la Dra. Kottler se formó en matemáticas aplicadas y obtuvo un posgrado en teoría de la optimización, lo que le brindó una perspectiva única sobre la integración de la tecnología en la radiología. En 2013, se unió a Radiology Partners como la primera radióloga del equipo. Hoy, esta organización se ha convertido en la práctica de radiología más grande del mundo, con presencia en los 50 estados de EE.UU. y más de 4.000 radiólogos en su red.  

Con su amplia experiencia en imágenes remotas e inteligencia artificial aplicada a la radiología, la Dra. Kottler nos brinda una visión profunda sobre el impacto de la tecnología en la especialidad y los desafíos que enfrenta el sector.  

Integración de la inteligencia artificial en la práctica radiológica

La inteligencia artificial ha sido un factor clave en la evolución de la radiología. ¿Podría compartir ejemplos concretos de cómo ha mejorado la precisión y eficiencia diagnóstica en su práctica diaria?  

Sí, empezaré hablando sobre precisión diagnóstica, ya que fue el primer gran beneficio de la IA en radiología. La inteligencia artificial comenzó a aplicarse en nuestra especialidad alrededor de 2016, principalmente con herramientas de detección asistida por computadora (CAD) en tres categorías:  

1. CAD-T (Triage): Para priorizar estudios según la gravedad de los hallazgos.  

2. CAD-E (Detección): Para identificar lesiones automáticamente.  

3. CAD-X (Diagnóstico): Para ayudar en la interpretación clínica.  

En nuestra práctica, utilizamos principalmente CAD-T, que permite ordenar los estudios de acuerdo con la urgencia. Sin embargo, para que esta priorización sea efectiva, primero es necesario que la IA detecte con precisión la patología en cuestión.  

Para evaluar la utilidad de estas herramientas, utilizamos una métrica clave llamada Tasa de Detección Mejorada (EDR, por sus siglas en inglés). Este indicador compara retrospectivamente los hallazgos de la IA con informes radiológicos previos, determinando cuántas anomalías adicionales detectó la IA que no fueron mencionadas en el informe original. Solo adoptamos modelos de IA si esta tasa es mayor que cero.  

En términos generales, la IA logra mejorar la detección radiológica en un 10% a 20%, lo que significa que la combinación entre radiólogo e IA puede aumentar significativamente la sensibilidad diagnóstica. Hemos implementado esta tecnología en múltiples aplicaciones, como:  

– Fracturas costales y hemorragias intracraneales en tomografía computada (TC).

– Embolia pulmonar incidental y aneurismas cerebrales en TC.

– Neumotórax y otras alteraciones en radiografías de tórax.

La IA no reemplaza al radiólogo, sino que mejora su desempeño. Sin embargo, este beneficio es bidireccional: así como la IA detecta hallazgos que el radiólogo podría pasar por alto, también existen casos en los que el radiólogo identifica anomalías que la IA no detecta.  

Imaginemos un diagrama de Venn, donde la intersección representa las patologías identificadas por ambos. El verdadero valor de la IA radica en los hallazgos únicos que cada uno aporta, ampliando la capacidad diagnóstica en su conjunto.  

¿Cómo ha evolucionado la IA en términos de eficiencia?

Si bien la mejora en la precisión diagnóstica fue el primer gran avance, la eficiencia ha sido una evolución más reciente y compleja.  

Inicialmente, la mayoría de las herramientas estaban dirigidas a hospitales, donde la eficiencia del radiólogo no era una prioridad. Además, diseñar herramientas para mejorar la productividad es más difícil, ya que requiere un profundo conocimiento del flujo de trabajo radiológico.

En los últimos años, dos factores han impulsado el desarrollo en esta área:

1. Los modelos de lenguaje (LLM, por sus siglas en inglés): Permiten generar y organizar informes radiológicos automáticamente**.  

2. El aumento del volumen de estudios médicos: Hay una creciente brecha entre la cantidad de estudios y la capacidad de los radiólogos para analizarlos.

Muchas instituciones han adoptado herramientas que automatizan informes y reducen la fatiga mental. Un ejemplo temprano de esta tendencia es la creación automática de resúmenes diagnósticos, disminuyendo la necesidad de dictado manual.

Más recientemente, los modelos de IA basados en LLM están reemplazando los sistemas tradicionales de reconocimiento de voz, permitiendo que los radiólogos generen informes completos con solo algunas frases clave.

Desarrollo y validación de algoritmos de inteligencia artificial en radiología

¿Cómo se garantiza la seguridad y eficacia de los algoritmos antes de su implementación clínica?

Para garantizar la precisión de los modelos de IA, seguimos un proceso de validación en cinco pasos:  

1. Evaluación estadística de precisión: Comparamos el rendimiento del modelo con un gran conjunto de estudios ya interpretados.  

2. Cálculo de la Tasa de Detección Mejorada (EDR): Evaluamos cuántos casos adicionales son detectados por la IA y no reportados por el radiólogo.  

3. Identificación de “Casos Wow”: Destacamos casos donde la IA tuvo un impacto excepcional en la detección.  

4. Análisis de errores de IA: Clasificamos los errores para educar a los radiólogos sobre sus limitaciones.  

5. Decisión final basada en el beneficio-riesgo: Aplicamos una métrica llamada “Ratio Beneficio/Dificultad” para determinar si el modelo aporta más ventajas que desventajas.  

El futuro de la IA en radiología

Los modelos fundacionales multimodales representan una de las innovaciones más prometedoras. Estos combinan visión computarizada y procesamiento de lenguaje natural, permitiendo la generación de informes radiológicos completos a partir de imágenes.

Otra tecnología emergente es la IA agente, que podrá ejecutar múltiples pasos de manera autónoma para mejorar el flujo de trabajo radiológico, siempre con supervisión humana para garantizar la seguridad.  

En resumen, la IA está evolucionando rápidamente, y su impacto en radiología será cada vez más profundo. No solo mejorará la eficiencia de los radiólogos, sino que también elevará la calidad del diagnóstico y la atención médica.

Este texto mantiene el tono profesional y precisión científica, adaptando la entrevista original para su publicación en Diagnóstico Journal. Si necesitas ajustes, dime.

Artículos relacionados

Entrevista exclusiva con Pablo Santos en HIMSS 2025

Durante el Congreso HIMSS 2025, nuestro editor Ezequiel Domb conversó con Pablo Santos, Líder de Informática Médica para Philips Hispanic, sobre las soluciones innovadoras...

Entrevista con el Dr. Héctor Henríquez sobre Inteligencia Artificial en Radiología

El Dr. Héctor Henríquez es médico radiólogo en la Clínica Santa María, profesor asistente de la Universidad de Los Andes, investigador principal del Computer...

IA en Radiología: La experiencia del Hospital Británico

La Inteligencia Artificial (IA) está transformando la radiología y el diagnóstico por imágenes a nivel mundial. En Argentina, el Hospital Británico de Buenos Aires...

IA en oncología: innovación y detección precoz del cáncer

El pasado miércoles, se llevó a cabo Promtear, la cumbre latinoamericana de Inteligencia Artificial y datos aplicados a la salud, un evento clave para...

Seguinos

2,319FansLike
0FollowersFollow
1,324FollowersFollow

MÁS LEIDOS