Estudio publicado en The Lancet Digital Health, presenta el análisis de siete estrategias de integración de IA para optimizar los programas de detección de cáncer de mama en Alemania, Reino Unido y Suecia.
La integración de la inteligencia artificial (IA) en los programas de mamografía puede mejorar la precisión y reducir la carga de trabajo de los radiólogos. Aunque se reconoce su potencial, se ha explorado poco cómo distintas estrategias de integración afectan el desempeño general de estos programas. Un estudio reciente publicado en The Lancet Digital Health evaluó siete estrategias de integración de IA en mamografías, analizando su impacto en métricas clave como la tasa de detección de cáncer, la tasa de recall, es decir llamadas para estudios adicionales, y la reducción de carga laboral.
Este estudio retrospectivo analizó datos de 1.9 millones de exámenes de mamografía en Alemania, Reino Unido y Suecia, utilizando el modelo de IA comercial Vara versión 2.10. A partir de simulaciones, se evaluaron siete estrategias de integración en términos de tres métricas clave: Tasa de Detección de Cáncer (CDR, en inglés), es decir, la cantidad de cánceres detectados por cada mil exámenes; Tasa de Recall, o la proporción de exámenes que requieren estudios adicionales; y la Reducción de Carga de Trabajo, el porcentaje de exámenes que no necesitarían revisión humana gracias a la IA.
Entre las estrategias, la remisión de decisiones a nivel de programa mostró los mayores beneficios. En Alemania, esta estrategia alcanzó una CDR de 6.85, superior a la del programa de referencia de 6.32, reduciendo además la carga de trabajo en un 84%. De igual forma, en Reino Unido y Suecia, la remisión a nivel de programa aumentó las tasas de detección sin incrementar las tasas de recall, logrando una reducción de la carga de trabajo del 81% al 92%.
En comparación con estrategias que reemplazan a uno o ambos radiólogos, la remisión de decisiones a nivel de programa ofreció ventajas significativas al combinar alta precisión en detección de cáncer con una reducción considerable de estudios adicionales y trabajo humano. Esto podría optimizar la eficacia de los programas de detección, aliviando la carga laboral y mejorando la atención al identificar cánceres en etapas tempranas.
De esta forma, las estrategias de IA, en particular la remisión de decisiones a nivel de programa, representan una herramienta con un potencial significativo para mejorar la eficiencia en los programas de detección de cáncer de mama. Esta tecnología no solo incrementa la tasa de detección de cáncer, sino que también reduce la necesidad de estudios adicionales y la carga de trabajo en el sistema de salud, mostrando un prometedor avance en la prevención y tratamiento temprano del cáncer de mama.
