16 especialistas de Europa y Norteamérica coincidieron en que la confiabilidad con pacientes reales, la independencia de los datos de validación y la capacitación de los médicos son prioridades para usar estas herramientas de neuroimagen.
Un grupo internacional de investigadores publicó en npj Digital Medicine un consenso de expertos sobre cómo deberían diseñarse y usarse las herramientas de inteligencia artificial (IA) que analizan imágenes del cerebro en las clínicas de la memoria, los servicios especializados en evaluar a personas con problemas de memoria y sospecha de demencia. El trabajo fue coordinado por el Grupo de Trabajo de Imagen de la red Deep Dementia Phenotyping (DEMON), con apoyo de una representante de pacientes y público, y lo encabezaron Natasha Clarke, de la Universidad de Montreal, y Mathias Huybrechts, de la Universidad de Amberes.
El punto de partida es que estas herramientas llevan años mostrando potencial para apoyar el diagnóstico y el seguimiento de enfermedades neurodegenerativas, pero su uso en la práctica clínica ha sido lento y limitado. Los autores estiman que 416 millones de personas en el mundo viven con alguna enfermedad dentro del espectro del alzheimer o están en riesgo de desarrollarla, y señalan que, a escala global, 75% de los casos de demencia no se diagnostica, una cifra que llega a 90% en países de ingresos bajos y medios. El diagnóstico, además, es costoso y complejo, con largas listas de espera, y la llegada de tratamientos que modifican el curso de la enfermedad podría saturar aún más a estas clínicas. Para entender por qué la adopción es tan lenta, el equipo revisó la literatura y encontró 18 guías publicadas y 12 marcos de políticas o normas sobre IA en salud. Cinco eran aplicables a la neuroimagen, pero ninguna estaba pensada para las necesidades de una clínica de memoria.
Para llenar ese vacío, los investigadores recurrieron al método Delphi, en el que un grupo de expertos responde cuestionarios de forma anónima en varias rondas y, después de cada una, recibe el promedio de las opiniones del grupo para reconsiderar su postura. Participaron 16 especialistas, 13 de Europa y 3 de Norteamérica, entre ellos médicos de neurología, neurorradiología y psiquiatría de la vejez, investigadores académicos y representantes de la industria, y 14 completaron las tres rondas. De ahí salieron ocho enunciados, seis con un acuerdo fuerte, superior a 70%, y dos con un acuerdo moderado, de entre 50% y 69%.
En cuanto al propósito, el panel coincidió, con cerca de 86% de acuerdo, en que la función principal de estas herramientas es ayudar al diagnóstico y al pronóstico de las enfermedades neurodegenerativas, por ejemplo al lograr un diagnóstico más preciso, más temprano y más rápido, y al dar seguimiento a la evolución de la enfermedad y apoyar ensayos clínicos. Como objetivos secundarios señalaron extraer mediciones confiables y estandarizadas de las resonancias magnéticas y avanzar hacia una medicina personalizada. Mejorar la logística o reducir la carga de trabajo quedó como una prioridad menor.
Sobre los obstáculos, cerca de 71% de los panelistas estuvo de acuerdo en que los mayores son que la herramienta sea confiable a nivel de cada paciente y que funcione con datos del mundo real, es decir, con escáneres, hospitales y momentos distintos a los de su desarrollo. En un segundo plano quedaron la dificultad para distinguir entre enfermedades, y no solo entre personas enfermas y sanas, la integración con los sistemas que ya existen en el hospital y la falta de transparencia y de confianza. La falta de uniformidad en la forma de evaluar y comparar estas herramientas se consideró el obstáculo menor.
En relación con los datos, cerca de 79% coincidió en que lo más importante es que los conjuntos de datos usados para entrenar y para validar el modelo sean completamente independientes, es decir, provengan de grupos de pacientes distintos, y que sean diversos y representativos. Los autores explican que reutilizar los datos de entrenamiento como datos de prueba puede inflar de manera artificial el desempeño, y que los modelos entrenados con datos sesgados rinden peor en los grupos menos representados. Que los datos fueran de alta calidad y de gran tamaño se consideró importante, pero algo menos, y lo que quedó al final fue contar con diagnósticos de referencia exactos, algo que solo se puede confirmar con certeza tras una autopsia y que casi nunca está disponible a gran escala. De hecho, en la segunda ronda solo 7% del panel pensaba que debería exigirse una confirmación por autopsia.
Para medir el desempeño, el panel dio prioridad a la sensibilidad, que indica a cuántos pacientes enfermos detecta la herramienta, la especificidad, que señala a cuántos sanos descarta correctamente, y una medida llamada área bajo la curva. La exactitud global quedó como la menos importante, porque puede ser engañosa cuando hay muchos más casos de un tipo que de otro. Este enunciado alcanzó solo un acuerdo moderado, cercano a 57%, y los autores señalan que algunos panelistas valoraban más otras medidas, por lo que la mejor opción depende de para qué se use la herramienta. En un tamizaje de población conviene reducir los casos que se pasan por alto, mientras que para confirmar quién puede recibir ciertos tratamientos contra el alzhéimer importa más evitar falsos positivos.
Además, alrededor de 93% estuvo de acuerdo en que la capacitación debe centrarse en el uso previsto de la herramienta, sus límites y la interpretación de los resultados, más que en la teoría de cómo funciona la IA. Cerca de 79% coincidió en que el mayor efecto en los hospitales será la necesidad de generar confianza en el personal médico, seguida de la de actualizar la infraestructura de cómputo, contratar personal técnico y contar con análisis económicos y nuevas normas. Para fomentar esa confianza, el panel propuso incluir desde el diseño a especialistas en demencia, expertos en IA, en análisis de imágenes y radiólogos, y también a pacientes y al público.
En privacidad, cerca de 86% señaló como principales preocupaciones el intercambio de datos de pacientes con terceros y las filtraciones o ataques. Los autores recuerdan que las imágenes de la estructura del cerebro conservan los rasgos del rostro y que, incluso al borrarlos, los avances en reconocimiento facial permiten reidentificar a las personas, aunque la probabilidad sea baja. Mencionan el aprendizaje federado, en el que cada centro entrena el modelo con sus propios datos sin compartirlos, como una opción, aunque también puede presentar riesgos de filtración. Sobre el consentimiento informado, 57% del panel se mostró a favor de obtenerlo antes de usar una herramienta de IA en la clínica, mientras que 43% consideró que no es necesario si cumple con la normativa y un médico sigue a cargo de la decisión.
En lo ético, el enunciado de menor acuerdo, de cerca de 64%, señala como principales preocupaciones que no se haya demostrado el valor que aporta la herramienta a la clínica y el costo de clasificar mal a un paciente. Los autores citan una revisión que encontró que, de 17 herramientas de volumetría por resonancia magnética con aprobación regulatoria, solo cuatro contaban con evidencia publicada de validación clínica. También subrayan que estas herramientas no deben funcionar como un diagnóstico automático, sino reforzar la confianza del médico, y advierten del riesgo de que una dependencia excesiva debilite sus propias habilidades. Un diagnóstico erróneo de demencia puede tener consecuencias psicológicas, de estigma y laborales, y la responsabilidad legal en esos casos sigue siendo ambigua entre desarrolladores, instituciones y profesionales de la salud.
El estudio reconoce limitaciones. El panel fue pequeño, con 81% de expertos europeos y 19% de norteamericanos, y tuvo poca diversidad de entornos de atención, por lo que las recomendaciones podrían no ser aplicables a clínicas con menos recursos ni a países de ingresos bajos y medios, donde escasean las resonancias magnéticas y el personal capacitado. Además, personas con experiencia directa en demencia participaron en el diseño de los cuestionarios y en la redacción del artículo, pero no integraron el panel que votó. Los autores plantean medir el efecto de aplicar estas recomendaciones, profundizar en los puntos sin acuerdo fuerte, involucrar más a pacientes y actualizar el consenso a medida que aparezca nueva evidencia.
