La mamografía guiada por IA reduce la carga de trabajo en un 33% y aumenta el cáncer de mama detección
Último revisado: 14.06.2024
![Fact-checked](/sites/default/files/fact-checked.png)
Todo el contenido de iLive se revisa médicamente o se verifica para asegurar la mayor precisión posible.
Tenemos pautas de abastecimiento estrictas y solo estamos vinculados a sitios de medios acreditados, instituciones de investigación académica y, siempre que sea posible, estudios con revisión médica. Tenga en cuenta que los números entre paréntesis ([1], [2], etc.) son enlaces a estos estudios en los que se puede hacer clic.
Si considera que alguno de nuestros contenidos es incorrecto, está desactualizado o es cuestionable, selecciónelo y presione Ctrl + Intro.
![](https://es.iliveok.com/sites/default/files/styles/term_image/public/news/ii-upravlyaemaya-mammografiya-snizhaet-rabochuyu-nagruzku-na-33-i-uvelichivaet-vyyavlenie-raka-grudi.jpg?itok=RhaTfioI)
En un estudio reciente publicado en Radiology, investigadores de Dinamarca y los Países Bajos realizaron un análisis retrospectivo de la efectividad del cribado y la carga general del cribado mediante mamografía antes y después de la introducción. De sistemas de inteligencia artificial (IA).
La mamografía periódica para detectar el cáncer de mama reduce significativamente la mortalidad por esta enfermedad. Sin embargo, la mamografía masiva aumenta la carga de trabajo de los radiólogos que deben revisar muchas mamografías, la mayoría de las cuales no contienen lesiones sospechosas.
Además, el doble cribado, que se utiliza para reducir los falsos positivos y mejorar la detección, aumenta aún más la carga de trabajo de los radiólogos. La falta de radiólogos especializados que puedan leer mamografías agrava esta situación.
Estudios recientes han explorado ampliamente el uso de la IA para analizar eficazmente los informes radiológicos manteniendo altos estándares de detección. Se cree que el enfoque combinado, en el que la IA ayuda a los radiólogos a resaltar mamografías con lesiones marcadas, reduce la carga de trabajo de los radiólogos y al mismo tiempo mantiene la sensibilidad de la detección.
El estudio actual utilizó medidas de rendimiento preliminares de dos cohortes de mujeres examinadas mamográficamente como parte del Programa Nacional Danés de Detección de Cáncer de Mama para comparar el cambio en la carga de trabajo y el rendimiento de las pruebas de detección después de la introducción de herramientas de IA.
El programa invitó a mujeres de 50 a 69 años a realizarse pruebas de detección cada dos años hasta los 79 años. Las mujeres con marcadores que indicaban un mayor riesgo de cáncer de mama, como los genes BRCA, fueron examinadas utilizando diferentes protocolos.
Los investigadores utilizaron dos cohortes de mujeres: una examinada antes y otra después de la introducción del sistema de IA. Solo se incluyeron en el análisis mujeres menores de 70 años para excluir a aquellas en el subgrupo de alto riesgo.
Todos los participantes se sometieron a protocolos estándar utilizando mamografías digitales con vistas craneocaudal y oblicua mediolateral. Todos los casos positivos en este estudio se identificaron mediante pruebas de detección de carcinoma ductal o cáncer invasivo, que se confirmaron mediante biopsia con aguja. También se obtuvieron del registro nacional de salud datos sobre informes patológicos, tamaño de las lesiones, afectación de los ganglios linfáticos y diagnósticos.
El sistema de inteligencia artificial utilizado para analizar mamografías se entrenó utilizando modelos de aprendizaje profundo para detectar, resaltar y calificar cualquier calcificación o lesión sospechosa en una mamografía. Luego, la IA clasificó las pruebas de detección en una escala del 1 al 10, lo que indica la probabilidad de cáncer de mama.
Un equipo compuesto en su mayoría por radiólogos con experiencia revisó las mamografías de ambas cohortes. Antes de la implementación del sistema de IA, dos radiólogos revisaban cada examen y se recomendaba al paciente un examen clínico y una biopsia con aguja solo si ambos radiólogos consideraban que el examen requería una evaluación adicional.
Después de implementar el sistema de IA, un radiólogo experimentado revisó las mamografías con una puntuación menor o igual a 5, sabiendo que solo recibían una lectura. Aquellos que requirieron un examen más detallado se discutieron con un segundo radiólogo.
El estudio encontró que la implementación del sistema de IA redujo significativamente la carga de trabajo de los radiólogos que analizan mamografías como parte de la detección masiva del cáncer de mama, al tiempo que mejoró la eficiencia de la detección.
La cohorte examinada antes de la implementación del sistema de IA estaba compuesta por más de 60 000 mujeres, mientras que la cohorte examinada con IA fue de aproximadamente 58 000 mujeres. La detección con IA dio como resultado un aumento en los diagnósticos de cáncer de mama (0,70 % antes de la IA frente a 0,82 % con IA), al tiempo que redujo el número de falsos positivos (2,39 % frente a 1,63 %).
La detección basada en IA tuvo un valor predictivo positivo más alto y el porcentaje de cánceres invasivos fue menor con los métodos basados en IA. Aunque el porcentaje de cánceres con ganglios negativos no cambió, otras medidas de desempeño mostraron que la detección basada en IA mejoró significativamente los resultados. La carga de lectura también disminuyó un 33,5%.
Por lo tanto, el estudio evaluó la eficacia de un sistema de detección basado en IA para reducir la carga de trabajo de los radiólogos y mejorar las tasas de detección de mamografías como parte de la detección masiva del cáncer de mama en Dinamarca.
Los resultados mostraron que el sistema basado en IA redujo significativamente la carga de trabajo de los radiólogos al tiempo que mejoraba las tasas de detección, como lo demuestra un aumento significativo en los diagnósticos de cáncer de mama y una reducción significativa de los falsos positivos.