Las diferencias individuales influyen en la efectividad de la asistencia de IA para radiólogos, según estudio de Harvard y MIT.
Una de las grandes promesas de la inteligencia artificial (IA), una de las herramientas emergentes más importantes en la medicina, es asistir y apoyar el trabajo de especialistas médicos para mejorar los resultados y su rendimiento. Por ejemplo, la IA es capaz de ayudar a radiólogos a interpretar imágenes médicas como radiografías o tomografías computarizadas con mayor precisión y así lograr mejores diagnósticos.
Un estudio reciente publicado en Nature Medicine titulado “Heterogeneidad y predictores de los efectos de la asistencia de la IA en los radiólogos”, examinó a gran escala los efectos heterogéneos de la asistencia de IA en 140 radiólogos a través de 15 tareas de diagnóstico de rayos X de tórax de más de 300 pacientes. El estudio encontró que factores convencionales como años de experiencia, subespecialidad y familiaridad con herramientas de IA, no fueron suficientes para predecir de forma fiable el impacto de la asistencia de IA.
Asimismo, los radiólogos con menos rendimiento no se beneficiaron sistemáticamente más de la asistencia de la IA, en cambio los errores o inexactitudes de interpretación de la IA pueden influir en los resultados de tratamiento e influir en el rendimiento de los radiólogos.
“Nuestros resultados ponen de relieve la importancia de los enfoques personalizados en la colaboración entre el médico y la IA, así como la importancia de contar con modelos de IA precisos. Al comprender los factores que determinan la eficacia de la asistencia de la IA, este estudio proporciona información valiosa para la implementación específica de la IA, lo que permite obtener los máximos beneficios para los médicos individuales en la práctica clínica”, explican los autores en el estudio.
Es decir, el estudio detalla que las diferencias individuales de cada especialista determinan sus interacciones con la IA y por ende interfieren en la precisión de la interpretación de las imágenes médicas. De esta forma, Pranav Rajpurkar, autor principal del estudio, mencionó que no se deben ver a los radiólogos como una población uniforme, sino personalizar los sistemas de IA de asistencia.
Por su parte, Feiyang “Kathy” Yu, otra de las autoras del estudio explicó que: “Los especialistas tienen diferentes niveles de conocimientos, experiencia y estilos de toma de decisiones, por lo que garantizar que la IA refleje esta diversidad es fundamental para una aplicación específica”.
Finalmente, los investigadores reconocieron que el estudio no explica por qué ni cómo las herramientas de IA parecen afectar al rendimiento de los especialistas de formas distintas, pero señalan que es importante garantizar que las herramientas de IA y radiología siempre aumenten el rendimiento humano en lugar de generar resultados negativos. En este sentido, añadieron que las interacciones IA-radiólogo deben probarse en entornos experimentales que imiten escenarios y poblaciones reales.
