El trabajo asignó casos de enseñanza personalizados con ChatGPT-4o y aumentó la variedad de patologías observadas sin reducir de forma general la práctica con pacientes reales.
Investigadores de NYU Langone Health, en Estados Unidos, evaluaron si la inteligencia artificial (IA) puede identificar qué patologías han encontrado los residentes de radiología durante su formación y cuáles no, para después asignarles casos que cubran esos vacíos. El estudio, publicado en Academic Radiology, concluyó que la herramienta identificó las patologías con más de 91% de precisión y exhaustividad, y que los residentes aumentaron de manera significativa la variedad de condiciones a las que se expusieron.
El problema que buscaban resolver es de larga data en la educación radiológica. Los residentes aprenden a diagnosticar a partir de los casos reales que les toca atender durante sus jornadas clínicas, y esos casos pueden no abarcar todo el espectro de enfermedades importantes. Vinay Prabhu, profesor asociado del Departamento de Radiología de la Escuela de Medicina Grossman de NYU y autor del estudio, lo ilustró con un ejemplo.
“Si un residente ve 30 casos en un día, 29 serán de rutina, como estudios normales o patologías comunes como las fracturas, y quizá un paciente tendrá una condición menos frecuente, como una forma rara de artritis autoinmune”.
Por eso, explicó, es probable que quienes se forman en radiología y otras especialidades no vean toda la variedad de casos que enfrentarán a lo largo de su carrera.
Según los autores, las estrategias actuales para cubrir esas carencias suelen ser complejas de sostener para una institución formadora. Incluyen cursos basados en clases, archivos de casos compartidos por docentes y estudio autodirigido con libros de texto, bancos de preguntas o videos. Estos métodos pueden variar entre residentes y programas, y con frecuencia no reproducen escenarios clínicos reales. Además, las métricas existentes ayudan a asegurar que los residentes revisen un número suficiente de casos, pero no miden de forma confiable si estuvieron expuestos a una variedad adecuada de patologías, señaló Matthew G. Young, también profesor del Departamento de Radiología y coautor del trabajo.
Antes de aplicar la herramienta, el equipo elaboró un currículo con las condiciones importantes que los residentes deben ver del segundo al cuarto año de posgrado. Expertos de cinco áreas de imagen, que son abdominal, musculoesquelética, cerebral, pediátrica y de tórax, definieron esas condiciones a partir de materiales de preparación para los exámenes que se deben aprobar para ejercer como radiólogo certificado. También fijaron cuántas veces debía encontrar cada residente cada condición y establecieron un orden de importancia entre ellas.
Con ese currículo como referencia, los investigadores utilizaron ChatGPT-4o para leer cada día los informes clínicos de los residentes y detectar las patologías importantes que habían encontrado. Cada noche, el sistema seleccionaba de tres a cinco casos de enseñanza anonimizados para cada residente, con prioridad para las condiciones que había visto por debajo de las metas del currículo. Esos casos aparecían en sus estaciones de trabajo junto con su labor clínica habitual, y los residentes comentaban los hallazgos con los médicos supervisores, de forma similar a la práctica real. El análisis comparó el año académico previo a la intervención (2022 a 2023) con el posterior (2024 a 2025).
Los resultados mostraron un aumento significativo en la cantidad de patologías importantes distintas que encontraron los residentes en las cinco áreas. En imagen abdominal, la mediana pasó de un rango de 75 a 107 antes de la intervención a uno de 93.5 a 144 después. En imagen musculoesquelética pasó de 43.5 a 70 hasta 73 a 99, en neuroimagen de 32.5 a 38 hasta 64.5 a 79, en pediátrica de 39.5 a 49 hasta 82 a 96.5 y en tórax de 42.5 a 56 hasta 49.3 a 85.3. Todas las diferencias fueron estadísticamente significativas.
Los residentes también cumplieron más metas del currículo tras la intervención. En imagen abdominal la mediana subió de un rango de 54 a 64 a uno de 78.5 a 131.5, y en neuroimagen de 3.5 a 9 a 21 a 38, con aumentos significativos igualmente en las áreas musculoesquelética, pediátrica y de tórax. En cuanto a la práctica con pacientes reales, la mediana de interpretaciones de casos clínicos no se redujo de forma significativa, salvo en los casos de imagen abdominal de los residentes de tercer año de posgrado.
“Esto representa un cambio fundamental en la forma en que capacitamos a los radiólogos: pasamos de un modelo único para todos a uno que aborda automáticamente las necesidades específicas de aprendizaje de cada residente”, Michael P. Recht, jefe del Departamento de Radiología.
Young describió la herramienta como una prueba de concepto importante para un rastreador automatizado de patologías, y dijo que esperan extenderla a otras subespecialidades, entre ellas imagen cardíaca, medicina nuclear, imagen mamaria y radiología intervencionista.
