En este estudio los autores realizarón una revisión sistemática sobre la aplicación de la inteligencia artificial (IA) en la ecografía musculoesquelética (MSK), analizando los algoritmos empleados y sus estrategias de validación. De 269 publicaciones identificadas, se incluyeron 16 estudios (2020–2023), predominando los modelos de aprendizaje profundo (deep learning, 69%) frente al aprendizaje automático convencional (19%) o la combinación de ambos (12%).

Los autores concluyen que la IA es un campo en rápida expansión en la ecografía MSK, aunque la calidad metodológica de los estudios aún presenta limitaciones. Destacan la ausencia de validación externa independiente en todos los trabajos revisados y señalan la necesidad de desarrollar modelos más robustos y generalizables mediante estrategias de validación multicéntricas.

PUNTOS DÉBILES:

Este estudio es interesante, pero presenta algunos puntos débiles, algunos de los cuales señalan los propios autores, como:

• El número de estudios incluidos es reducido, lo que limita la solidez de las conclusiones y refleja el carácter aún emergente de este campo de investigación.
• Existe una elevada heterogeneidad entre los estudios en cuanto a aplicaciones clínicas, estructuras anatómicas, algoritmos empleados y métricas de evaluación, lo que impidió realizar un metaanálisis.
• La ausencia de una evaluación formal de la calidad metodológica o del riesgo de sesgo de los estudios incluidos dificulta valorar la solidez de la evidencia disponible.
• La búsqueda bibliográfica es relativamente limitada, al restringirse a PubMed y Medline, sin incluir otras bases de datos relevantes para la investigación en inteligencia artificial, como Embase, Scopus o IEEE Xplore.

PUNTOS FUERTES:

Desde el punto de vista metodológico y científico, este artículo presenta varios puntos fuertes:

• Aborda un tema emergente y de gran actualidad, siendo una de las primeras revisiones sistemáticas centradas específicamente en la IA aplicada a la ecografía musculoesquelética.
• Presenta una metodología rigurosa, siguiendo las recomendaciones PRISMA y aplicando criterios de inclusión, exclusión y búsqueda bibliográfica claramente definidos.
• Analiza aspectos metodológicos clave, como los tipos de algoritmos de IA y las estrategias de validación, más allá de limitarse a describir el rendimiento diagnóstico de los modelos.
• Identifica una importante laguna en la literatura al demostrar la ausencia de validación externa independiente en todos los estudios incluidos, proporcionando recomendaciones claras para futuras investigaciones.

Dr. Francisco Sendra Portero

Editor de la sección de FORMACIÓN