Se trata de un estudio original, retrospectivo y multicéntrico que evalúa el impacto de la lectura asistida por inteligencia artificial (IA) en la concordancia interobservador en la interpretación de la angiografía coronaria por TC (CCTA), utilizando el sistema de clasificación CAD-RADS. El objetivo principal fue determinar si el uso de un algoritmo de deep learning completamente automatizado mejora la consistencia diagnóstica entre lectores expertos.

El estudio incluyó 623 pacientes adultos sometidos a CCTA por indicación clínica entre 2010 y 2019, procedentes de múltiples centros y equipos de distintos fabricantes. Un lector experto analizó todos los estudios de forma manual y posteriormente con asistencia de IA. Un segundo lector experto evaluó de forma manual un subgrupo aleatorio de 274 pacientes, y los informes radiológicos clínicos previos se utilizaron como referencia adicional cuando permitían una asignación clara de CAD-RADS. En un subgrupo de 30 pacientes con discrepancias relevantes, ambos lectores realizaron una lectura asistida por IA.

El algoritmo de IA empleado detectó, segmentó y cuantificó automáticamente las lesiones coronarias, generando clasificaciones CAD-RADS a nivel de lesión, segmento y paciente. La concordancia entre lectores se evaluó mediante coeficientes de correlación de Spearman y análisis estadísticos adicionales.

Los resultados muestran que la lectura asistida por IA mejoró significativamente la concordancia interobservador, tanto entre lectores expertos como entre el lector principal y los informes radiológicos clínicos. En el subgrupo con mayor variabilidad diagnóstica, la concordancia aumentó de forma notable cuando ambos lectores utilizaron la IA. Además, el uso de IA permitió identificar lesiones previamente pasadas por alto en la lectura manual, sin modificar de forma sistemática los umbrales diagnósticos de enfermedad obstructiva.

Aunque podrían indicarse algunas limitaciones (pe: no se dispone de una prueba de referencia invasiva como la angiografía coronaria para confirmar la exactitud diagnóstica de las clasificaciones, o que parte de los informes radiológicos clínicos no pudieron utilizarse por falta de estandarización), resulta un estudio globalmente muy interesante y actual.

PUNTOS FUERTES

• Incluye una cohorte amplia y heterogénea, multicéntrica y multivendedor, lo que refuerza la validez externa de los resultados.
• Evalúa la IA como herramienta de apoyo al lector, un enfoque clínicamente realista y alineado con la práctica actual.
• Utiliza un sistema estandarizado (CAD-RADS), relevante para la comunicación clínica y la toma de decisiones.
• Demuestra un beneficio claro de la IA en escenarios de mayor incertidumbre diagnóstica, donde la variabilidad es más alta.