La aplicación de un modelo desarrollado por Google para la detección de tuberculosis con la misma precisión que radiólogos fue explorada en un estudio publicado por la Radiological Society of North America (RSNA).
En el estudio, el aprendizaje profundo o deep learning, fue utilizado para la detección de tuberculosis pulmonar activa en radiografías de tórax, el cual coincidió con el rendimiento clínico de los radiólogos. Para ello el modelo fue entrenado utilizando radiografías de tórax de 1996 a 2020 de 10 países. De esta forma el modelo de deep learning fue evaluado de manera con junta a través de pruebas en cuatro países, China, India, Estados Unidos y Zambia.
La Organización Mundial de la Salud, recomienda las radiografías de tórax para facilitar la detección de tuberculosis, no obstante, la interpretación de este tipo de radiografías continúa siendo muy limitada en diversas regiones del mundo. Por ello la importancia del estudio, ya que según la OMS la tuberculosis afecta a 10 millones de personas cada año, y 1.5 millones de personas mueren por razones relacionadas a tuberculosis anualmente, a pesar de que es prevenible y sobre todo curable.
El objetivo del estudio fue lograr objetivos de sensibilidad del 90% o de especificidad del 70%, para cumplir con los lineamientos que exige la OMS para estos modelos. Luego de diversas pruebas, el modelo logró medir resultados a la par con los 14 radiólogos participantes, logrando una sensibilidad de 88% comparada con el 75 de los radiólogos, y una especificidad de 70% por 84 de los radiólogos.
Asimismo, el modelo fue probado con una población minera de Sudáfrica, debido a que esta población tiene alta prevalencia de anomalías pulmonares y enfermedad obstructiva crónica. De igual forma el modelo se mantuvo comparable al trabajo de los radiólogos.
“Nuestro estudio tiene limitaciones. Primero, este estudio fue retrospectivo; se están planificando estudios de validación prospectivos para comprender mejor los desafíos de la integración en los flujos de trabajo del mundo real. Como todos nuestros conjuntos de datos tenían una prevalencia relativamente alta, necesitaremos evaluar su desempeño en poblaciones con una prevalencia más baja”, explican los autores.
Asimismo, el estudio detalla que el rendimiento del modelo no se ve afectado por los cambios de prevalencia, los cambios de prevalencia se asocian a la gravedad de la enfermedad, lo que puede afectar la sensibilidad o especificidad del modelo.
Finalmente, el análisis de costos es una simulación que hace suposiciones simplificadas, como que el rendimiento de DLS no se ve afectado por los cambios de prevalencia. En la práctica, los cambios de prevalencia pueden estar asociados con la gravedad de la enfermedad, lo que puede afectar la sensibilidad o la especificidad de la DLS.
Consulta los detalles del estudio en el siguiente enlace:
