La RSNA (Radiological Society of North America) volvió a situar en el centro de su Congreso anual de la discusión la inteligencia artificial (IA) aplicada a la radiografía de tórax (CXR). En la sesión de RSNA 2025, expertos y participantes debatieron si la IA debe interpretar de forma autónoma las radiografías de tórax o si aún requiere un “copiloto” humano para garantizar la seguridad del paciente y la precisión diagnóstica. Este artículo sintetiza las ideas clave de ese debate y analiza sus posibles implicaciones para la práctica clínica, la formación y la implementación tecnológica en el ámbito global, con especial atención a las realidades de la radiología actual.
Contexto y novedad
● La IA en radiología ya es una realidad operativa en numerosos centros. En el debate de RSNA 2025 se destacó que los sistemas de IA para CXR pueden asistir en la detección de patologías comunes (neumonía, edema, fracturas) y en la priorización de casos, con el objetivo de reducir tiempos de lectura y aumentar la productividad del equipo humano.
● Sin embargo, los ponentes resaltaron que la eficacia de una herramienta de IA no se limita a su rendimiento en conjuntos de datos de prueba; debe validarse en entornos reales con diversidad de pacientes, modalidades y condiciones de adquisición.
● Otro punto central fue la explicabilidad de los modelos: los clínicos exigen entender por qué la IA identifica ciertos hallazgos y cómo esas conclusiones se integran con la valoración radiológica tradicional.
Perspectiva de la Dra. Eun Kyoung Hong (Amy Hong)
● Dos marcos de IA en CXR:
– IA basada en visión: ayuda a clasificar, detectar y segmentar hallazgos, pero requiere que un radiólogo interprete y firme el informe final.
– IA generativa: entrenada con pares de imágenes y datos para producir informes preliminares que deben ser revisados y validados por un profesional.
● Hallazgos clave:
– Las “alucinaciones” en informes generados por IA pueden ocurrir en un rango estimado del 15% al 20%. Estas afirmaciones no están respaldadas por la entrada del modelo o por información previa real.
– La validez clínica, la trazabilidad de decisiones y la interoperabilidad con sistemas existentes son esenciales para avanzar.
● Citas destacadas para considerar:
– “La IA es un copiloto poderoso, pero no está lista para volar sola.”
– “La alucinación en informes generados por IA puede llegar entre 15% y 20%, lo que subraya la necesidad de validación clínica y gobernanza.”
– “La aceptabilidad por parte de los radiólogos es clave para que un informe generado por IA sea útil y aumente la eficiencia.”
● Educación y aceptación: la autora enfatizó que el éxito práctico depende de la integración de IA en el flujo de trabajo con roles claramente definidos y supervisión clínica.
Eficiencia y aceptación: qué sabemos con consistencia
● La IA puede mejorar la eficiencia sin reemplazar al radiólogo. Un ensayo con casi 12,000 CXRs leídos por 22 radiólogos y un asistente de IA mostró una ganancia de aproximadamente 15% en eficiencia, reduciendo el tiempo de interpretación de 189 segundos a 160 segundos.
● En otro estudio, 1,500 informes generados por IA fueron revisados por radiólogos, y el 64% fue aceptado sin modificaciones. Este dato subraya que la revisión humana sigue siendo una parte crítica del proceso y que la adopción de IA autónoma aún no es una realidad general.
● Conclusión: la aceptabilidad es crucial. Revisar y corregir informes puede ser tan laborioso como redactarlos desde cero, por lo que la utilidad de la IA depende de su integración al flujo de trabajo con responsabilidades claramente definidas.
Brechas y desafíos para la implementación
● Generalización y sesgos: los modelos entrenados en conjuntos de datos específicos pueden no generalizar bien a poblaciones con diferencias demográficas o en técnicas de adquisición. Es fundamental validar en contextos regionales y con datos representativos.
● Seguridad de datos y privacidad: la integración de IA implica manejo de grandes volúmenes de datos clínicos y de imágenes, lo que exige rigurosos marcos de protección de datos y gobernanza.
● Interoperabilidad y gobernanza: la combinación de sistemas PACS, RIS, EMR y herramientas de IA requiere estándares compartidos (DICOM, HL7, FHIR) y políticas de acceso y actualización.
● Rol del radiólogo: la IA no sustituye al radiólogo; lo transforma. El liderazgo humano en interpretación compleja y en decisiones clínicas sigue siendo esencial.
● Cuestiones legales y éticas: la autonomía total plantea preguntas de responsabilidad en errores o hallazgos perdidos cuando la IA “firma” informes.
Implicaciones para América Latina
● Infraestructura y capacidades: la adopción de IA en CXR en la región requiere inversiones en procesamiento de datos (local o en la nube), conectividad y formación para supervisar salidas de IA, además de acuerdos para gestionar datos de pacientes.
● Regulación y ética: se requieren marcos regulatorios para aprobación clínica, gestión de riesgos y responsabilidad en el uso de herramientas automatizadas; la estandarización regional podría facilitar la adopción responsable.
● Educación y talento: incorporar formación en IA en los planes de estudio de radiología y áreas afines es crucial para preparar la próxima generación de profesionales.
● Investigación y cooperación regional: consorcios para datasets regionales podrían mejorar la validación de IA en poblaciones latinoamericanas, reduciendo sesgos y aumentando la relevancia clínica.
Mirada al futuro: copiloto o piloto automático definitivo
● Conclusión: la IA en CXR es hoy un copiloto poderoso, capaz de mejorar eficiencia y estandarizar procesos, pero no está lista para volar sola. La visión responsable consiste en una colaboración entre IA y radiólogos, donde el sistema automatizado maneje tareas repetitivas y de apoyo, mientras el radiólogo conserva la supervisión, la revisión y el juicio clínico imprescindible.
● Plan de implementación: iniciar con pilotos controlados, establecer comités de supervisión de IA y diseñar marcos de gobernanza que aseguren responsabilidad, trazabilidad y seguridad de pacientes. La región debe priorizar entornos de prueba con datos representativos y promover la educación continua para una adopción sostenible.
La RSNA 2025 dejó claro que la IA en la radiología de tórax está avanzando desde la promesa hacia una parte integrada de la práctica clínica. En América Latina, el camino hacia una adopción responsable requiere inversiones en tecnología, datos representativos, regulación y capacitación. Con un enfoque en seguridad, ética y supervisión clínica, la IA puede elevar la calidad diagnóstica y la eficiencia, manteniendo siempre al ser humano en el centro del cuidado.