Un estudio de investigadores de Corea del Sur probó la herramienta en más de 150 mil personas y, en simulaciones, redujo cerca de 50% los estudios de densidad ósea necesarios, aunque aún falta validarla en otras poblaciones.
Investigadores del Hospital Bundang de la Universidad Nacional de Seúl, en Corea del Sur, desarrollaron un modelo de inteligencia artificial (IA) que estima, a partir de una radiografía de tórax común, si una persona tiene osteoporosis o una densidad ósea más baja de lo normal. El trabajo, publicado en npj Digital Medicine, evaluó la herramienta en tres centros médicos y concluyó que podría funcionar como un filtro previo para decidir a quién realizarle el estudio que confirma el diagnóstico.
La osteoporosis es una enfermedad en la que los huesos pierden masa y se deterioran por dentro, lo que aumenta el riesgo de fracturas. El estudio de referencia para diagnosticarla es la densitometría ósea (DXA), que mide qué tan densos están los huesos, pero los autores señalan que se utiliza menos de lo que debería en la práctica clínica. La radiografía de tórax, en cambio, es una de las imágenes médicas que más se realizan, por motivos muy variados. De ahí surge la idea de aprovechar una imagen que ya se toma para revisar, además, la salud de los huesos, lo que se conoce como detección oportunista.
Para lograrlo, el equipo entrenó al modelo, llamado AI-OsRM, con radiografías y resultados de densitometría de más de 26 mil pacientes atendidos en un hospital de Seúl entre 2016 y 2022. De esa manera, el sistema aprendió a relacionar lo que se ve en la radiografía con la densidad ósea medida por el estudio de referencia. Después lo probó en tres grupos que no habían participado en su entrenamiento: 6,391 pacientes de un hospital, 24,132 personas de un centro de chequeos médicos en Seúl y 122,535 de otro centro de chequeos en Daejeon.
Los resultados se expresaron con una medida que va de 0 a 1, donde 1 representaría un acierto perfecto para distinguir a quienes tienen la enfermedad de quienes no. En el grupo hospitalario, el modelo obtuvo 0.88 para osteoporosis. En los dos centros de chequeos alcanzó 0.93 y 0.92. En el grupo del hospital, la herramienta identificó correctamente a 84% de los pacientes con osteoporosis y descartó a 77% de quienes no la tenían, con el punto de corte que los autores definieron antes de probarla.
Los investigadores también hicieron una simulación para estimar su utilidad como filtro. Como todas las personas de los centros de chequeos ya se habían hecho una densitometría, calcularon qué habría pasado si solo se hubiera enviado a ese estudio a quienes el modelo marcaba con riesgo. Con un punto de corte intermedio, la herramienta habría permitido omitir cerca de la mitad de las densitometrías y aun así habría detectado entre 98% y 99% de los casos de osteoporosis y entre 80% y 90% de los casos con densidad ósea reducida, un grupo que incluye también la osteopenia. Es decir, quienes quedaban clasificados como de bajo riesgo tenían muy pocas probabilidades de tener osteoporosis.
Los autores reconocen los límites del estudio, por ejemplo, que el desempeño fue menor en personas mayores, ya que el indicador fue de 0.84 en pacientes de 65 años o más y de 0.91 en menores de 50. Los autores lo atribuyen en parte a que los cambios degenerativos de la columna y las calcificaciones de los vasos sanguíneos pueden alterar tanto la densitometría como la radiografía. Además, el diseño fue retrospectivo y solo incluyó a personas que ya contaban con ambos estudios, por lo que no se pudo comprobar su capacidad para encontrar casos que nadie había diagnosticado. Las validaciones se hicieron únicamente con cohortes asiáticas, de modo que su desempeño en otras poblaciones podría requerir ajustes. Por último, los mapas con los que el modelo señala las zonas de la imagen en las que se fijó resultaron poco precisos, lo que limita entender cómo llega a sus conclusiones.
Los autores plantean que hacen falta estudios prospectivos, en los que la herramienta se pruebe en tiempo real con pacientes, para saber si en la práctica logra detectar osteoporosis que hoy pasa inadvertida. El código del modelo está disponible públicamente en GitHub: https://github.com/edypidy/AI-OsRM/tree/main
