Un sistema de AI fue validado en tres hospitales especializados y logró identificar tuberculosis activa con altos niveles de precisión, incluso en contextos de alta prevalencia de la enfermedad.
La tuberculosis activa (ATB) sigue siendo una de las enfermedades infecciosas más letales a nivel mundial, y su detección oportuna es clave para cortar la cadena de transmisión. En este contexto, un estudio publicado en Scientific Reports evaluó el desempeño de un sistema de artificial intelligence (AI) diseñado para identificar ATB en tomografías computarizadas (TC). La investigación se desarrolló en un entorno clínico desafiante: tres hospitales especializados en tuberculosis ubicados en zonas de alta prevalencia. Los resultados muestran que la herramienta podría convertirse en un apoyo valioso para mejorar la precisión diagnóstica y optimizar los recursos médicos.
El estudio analizó 1,741 tomografías provenientes de hospitales designados para la atención de TB. Las imágenes incluyeron casos confirmados de tuberculosis activa, neumonía, nódulos pulmonares y estudios normales. El objetivo fue evaluar si el sistema de AI podía diferenciar ATB de otras anomalías frecuentes, así como medir su capacidad de generalización en distintos contextos clínicos.
Para ello, los investigadores sometieron al sistema a cuatro escenarios: distinguir anormalidades de estudios normales; separar ATB de casos normales; identificar ATB frente a otras enfermedades comunes; y diferenciar únicamente entre ATB y otras anormalidades (neumonía y nódulos). En los dos primeros escenarios, la AI alcanzó resultados sólidos, con áreas bajo la curva (AUC) superiores a 0.9 y desempeños prácticamente equivalentes entre los tres hospitales. Esta consistencia es relevante, ya que sugiere que el modelo mantiene su eficacia incluso ante variaciones demográficas o de adquisición de imágenes.
En los escenarios más complejos, es decir donde la AI debía diferenciar ATB de otras afecciones con características radiológicas similares, el rendimiento disminuyó, aunque se mantuvo dentro de rangos considerados aceptables según los autores. La herramienta tendió a confundirse con patrones traslapados entre tuberculosis, neumonía y nódulos, un desafío frecuente incluso para radiólogos con experiencia. A pesar de esto, el sistema conservó una sensibilidad elevada, lo que resulta crítico en entornos donde detectar casos activos es prioritario para reducir la transmisión.
El análisis también mostró que ajustar el modelo para operar con altos niveles de sensibilidad, entre 80% y 90%, no redujo de manera drástica su especificidad, salvo en uno de los hospitales. Esto indica que la AI podría configurarse para minimizar omisiones de casos sin generar una carga excesiva de falsos positivos para los especialistas.
Los autores destacan que este es uno de los pocos estudios que validan una herramienta de AI para ATB en escenarios de alta prevalencia, donde la complejidad clínica es mayor. Además, subrayan que la tecnología podría integrarse de dos formas en la práctica médica: como primer lector para descartar casos normales y acelerar flujos de trabajo, o como segundo lector para apoyar la confirmación diagnóstica y reducir la variabilidad entre observadores.
A partir de la validación en tres hospitales independientes, el estudio concluye que la AI puede identificar tuberculosis activa en tomografías con un desempeño robusto y generalizable. Aunque aún se requieren evaluaciones prospectivas, pruebas en otros niveles de atención y comparaciones directas con radiólogos, estos hallazgos sugieren que la AI podría convertirse en un refuerzo importante para la toma de decisiones clínicas en regiones con alta prevalencia de tuberculosis.
