¿Está el coyote en el borde del precipicio? ¿pero quién es el coyote?

Parte 1: Las ballenas

Durante el siglo XIX, las ballenas eran cazadas principalmente por el aceite que se obtenía de su grasa. Tenía propiedades superiores a otros combustibles de la época y se utilizaba para iluminar las calles de ciudades como Londres y Nueva York, para elaborar productos como velas, jabón y margarina, además de lubricar las máquinas que impulsaban la Revolución Industrial.

La industria ballenera fue fundamental para el desarrollo económico y tecnológico de muchas naciones, facilitando el comercio global y promoviendo avances industriales. Sin embargo, en la década de 1860 el descubrimiento y uso del queroseno (petróleo) desplazó al aceite de ballena y facilitó el enorme desarrollo social y económico del siglo XX. Una tecnología sustituyó a otra. ¿Nos ocurrirá también a nosotros?

Parte 2: Los gurús

Todos hemos escuchado que nuestro trabajo está en peligro por el desarrollo de la inteligencia artificial (IA). En el año 2016 el profesor Geoffrey Hinton, premio Nobel en el año 2024, afirmó que en 5 años no sería necesario formar más radiólogos. Ha pasado casi una década de su afirmación y nunca la demanda de especialistas de neurorradiología, y radiología en general, ha sido tan alta como ahora. Todos conocemos centros que están buscando desesperadamente profesionales para cubrir vacantes, con escaso éxito (el año pasado cerca de dos tercios de las vacantes de radiología en el Reino Unido quedaron desiertas). En su defensa, probablemente no conocía el papel que desarrolla un radiólogo en un servicio hospitalario, y solo se centraba en uno de los aspectos asistenciales del trabajo, la valoración de imágenes médicas para la obtención de un informe radiológico.

Por otra parte, también se escucha más el mensaje de qué hay que abrazar “ciegamente” la inteligencia artificial como la tecnología que no solo no sustituirá, sino que empoderará al neurorradiólogo.

Parte 3: Las expectativas

Huisman propuso la definición de "diagnóstico de precisión", como analogía a la "medicina de precisión". El diagnóstico de precisión es el modelo que propone la personalización de los diagnósticos, con las decisiones prácticas y/o enfoques diagnósticos adaptados a cada paciente individual. Para alcanzarlo consideraba imprescindible el uso de la IA. En los últimos años el interés en la aplicación de la IA en la imagen médica ha aumentado exponencialmente. Aunque afecta a todas las subespecialidades la más representada es la Neurorradiología, con cerca de un tercio de los artículos publicados entre los años 2010 y 2020, probablemente debido a la multidimensionalidad y multimodalidad de los datos, tanto morfológicos como metabólicos o funcionales; a las grandes bases de datos públicas de patología neurodegenerativa, especialmente de Alzheimer, vascular o tumoral; al desarrollo de múltiples técnicas cuantitativas y al gran impulso de las Neurociencias en las últimas décadas

La IA tiene el potencial de impactar en todos y cada uno de los pasos del ciclo neurorradiológico. Dentro de las áreas administrativas puede ayudar en la generación de las agendas médicas, la predicción del comportamiento de pacientes (cancelaciones o no presentación), decisión de que prueba o pruebas de imagen son las más adecuadas para cada paciente en función del contexto clínico, la ayuda en la protocolización de los estudios o la codificación. En el ámbito más clínico ayuda en la mejora de la calidad de la imagen con algoritmos que disminuyen la dosis de radiación y el ruido que a su vez acortan los tiempos de exploración lo que impacta en la agenda, en el tiempo de espera de los pacientes y en su experiencia hospitalaria. Pueden ser muy útiles en infinidad de tareas que al neurorradiólogo resultan tediosas, repetitivas, y muy poco estimulantes desde un punto de vista intelectual. El cálculo del número de lesiones en procesos vasculares o inflamatorios, la obtención de medidas para valorar estabilidad o crecimiento, la segmentación y obtención de volúmenes lesionales en procesos oncológicos, volúmenes cerebrales totales en procesos neurodegenerativos o de desarrollo (y su seguimiento) son hoy en día impensables sin la ayuda de herramientas automatizadas. Favorecen la optimización del flujo del trabajo, pueden priorizar los casos urgentes, señalar anomalías potenciales para una revisión e informado rápido. Los algoritmos se pueden utilizar como control de calidad y estandarización de la interpretación radiológica, comparando los informes de los nueorradiólogos para detectar potenciales discrepancias o errores. Esta retroalimentación mejoraría la exactitud y la consistencia de las interpretaciones radiológicas en una sección. Ayudan en la realización y estructuración de los informes y en la comunicación de los hallazgos relevantes, si los hubiera, a los neurólogos o neurocirujanos. Otra de las áreas en las que cada vez hay un mayor desarrollo es la predicción del estado funcional del paciente tras un proceso neurológico y en la proyección del resultado y complicaciones de los procedimientos intervencionistas. Incluso se podrían generar bases de casos virtuales generados por IA que simulen casos reales para la formación de los residentes de Neurorradiología. Y aunque por el momento gran parte del desarrollo tecnológico se centra en diferentes aspectos específicos de enfermedades y pacientes concretos, es esperable en un plazo no demasiado largo los modelos serán capaces de estudiar, y de integrar en práctica clínica, datos epidemiológicos, clínicos, de laboratorio y de imagen para una mayor eficacia diagnóstica y pronóstica. Incluso estudiar poblaciones enteras para buscar patrones de enfermedades y/o factores de riesgo fenotípicos. No debería extrañarnos un significativo aumento en el número de exploraciones de imagen con la consiguiente presión sobre nuestro servicio de neurorradiología, muchos de los cuales trabajan en el límite de sus capacidades.

Parte 4: La realidad

El potencial de la inteligencia artificial es muy amplio, pero la adopción en el mundo real todavía es muy limitada. Para muchos, incluso desesperadamente lenta. A pesar de ello, a medida que esta tecnología se integre es fundamental que estemos preparados para evaluarla de forma adecuada y adoptarla de forma responsable. Y es fundamental que estemos ahí para liderarla.

¿y por qué esa discrepancia?

La adaptación de forma individual a cada realidad hospitalaria es compleja. Las necesidades de los grandes centros hospitalarios terciarios con una sección de Neurorradiología diagnostica e intervencionista, incluso superespecializados, y profesionales de gran experiencia es muy diferente a la de los centros ambulatorios u hospitales de primer nivel con profesionales con un perfil más general. También es diferente el uso que le puede dar un residente, un adjunto joven o uno con años de experiencia en la subespecialidad. Cada sección tendrá que acertar con la implementación de las herramientas adecuadas para mejorar su práctica clínica, demostrar que en su medio la implementación aporta un valor añadido.

La validación de los algoritmos en el centro es fundamental, dado que lo más probable es que desconozcamos el código del algoritmo y la base de datos utilizada para el entrenamiento, no siempre de alta calidad. Los resultados de exactitud, valores predictivos, sensibilidad y especificidad de los modelos pueden ser adecuados en investigación o en la población utilizada para entrenar al algoritmo, pero no siempre estos resultados se trasladan a los casos clínicos de cada centro. Como ejemplo, las enfermedades neurológicas raras suelen estar infrarrepresentadas en las bases de datos, lo cual supone un enorme inconveniente en los centros altamente especializados. Y es necesario un continuo feedback con los neurorradiólogos para validar y redefinir los algoritmos, algo que en práctica clínica es más difícil y costoso de conseguir que en investigación.

La integración de los algoritmos de IA en los sistemas de información médica (RIS, PACS) no siempre es fácil, lo que dificulta la puesta en marcha de las herramientas disponibles. Y no basta con tener una buena herramienta, es necesario que se integre de forma fácil e intuitiva en nuestro flujo de trabajo, de lo contrario no se utilizará. También se debe considerar la seguridad y privacidad de los datos sanitarios y radiológicos de nuestros pacientes. Los servicios de imagen son “hubs” de datos médicos por lo que, sea una herramienta local o trabajando en la nube, se debe asegurar la protección de los datos y definir si pueden ser o no, y en qué condiciones, pueden ser utilizados para la mejora del algoritmo desarrollado por un tercero. Deben implicarse no sólo los profesionales sino los gestores y el departamento de IT de los centros.

Los costes de su implementación son altos (factor a tener muy en cuenta en nuestro sistema de salud público, universal y gratuito) por lo que hay que tener muy claro cuál es el valor añadido que aporta esa herramienta en nuestro trabajo diagnóstico. Tampoco debemos olvidar que nuestro campo está en continua evolución y que los modelos de IA son solo tan buenos como los datos con los que han sido entrenados. Es más que probable que un modelo se quede obsoleto a medida que avanza el conocimiento del proceso para el que se ha diseñado.

Aunque las herramientas de IA sobresalen en tareas muy específicas, fallan. Un paciente con encefalopatía hipóxica puede ser interpretado como una hemorragia subaracnoidea o en el tentorio, por la diferencia relativa de Unidades Hounsfield, una necrosis cortical laminar o un quiste coloide pueden ser también interpretadas como hemorragia aguda o intraventricular respectivamente, un hematoma subdural subagudo o crónico, más si es bilateral, para desapercibido al algoritmo y en un paciente intervenido de un Bypass de circulación intra y extracraneal de un hemisferio puede indicarnos isquemia ene le hemisferio contralateral, por poner unos ejemplos. Y todavía tienen muchas dificultades con otros aspectos más humanos de la interpretación, como la comprensión del contexto clínico o la integración de información multimodal. Hay compañías que han desarrollado algoritmos, por ejemplo, para la detección de hemorragias cerebrales y priorización en las listas de trabajo. Pero los neurorradiólogos ya sabemos que no todas las hemorragias tienen el mismo nivel de urgencia ni el mismo manejo clínico o quirúrgico. Una misma unidad Hounsfield o un mismo valor relativo puede tener una trascendencia clínica completamente diferente. Y no solo hay que interpretar las imágenes. Hay una serie de habilidades blandas, "soft skills", como la comunicación efectiva, la colaboración con otras especialidades, la integración de hallazgos, la empatía y otras que son más difíciles de replicar, al menos por el momento, por los algoritmos inteligencia artificial. Así los algoritmos inicialmente implementados son aquellos que asisten o mejoran las tareas que hacemos los neurorradiólogos más que aquellos que son capaces de imitar nuestro trabajo.

Una paradoja de la implementación de la IA se da con el programa INVEAT. Ha modernizado nuestro parque tecnológico y muchos de los nuevos equipos adquiridos tienen incorporadas algoritmos de IA para aceleración de imagen. Somos capaces de realizar más exploraciones, secuencias más complejas y técnicas cuantitativas en tiempos clínicos. Pero hay bastante más reticencias a la hora de adquirir productos de IA que nos faciliten el procesado y análisis de las imágenes o la realización del informe. Tenemos a nuestra disposición más datos, pero no las herramientas para sacarles todo el partido. Morimos de éxito.

Otro punto importante que considerar es si podemos mantener la estructura de nuestra sección tal y como la conocemos. Será imprescindible no “colaborar con”, sino contratar matemáticos, analistas de datos e ingenieros que trabajen codo a codo nos nosotros integrados en la sección como un profesional más. Quien lo consiga marcará la diferencia.

Por último, aunque por lo general los pacientes aceptan y consideran positiva la introducción de tecnología en el proceso diagnóstico todavía será difícil persuadirlos de aceptar el resultado, especialmente si no es positivo, de una interpretación absolutamente automatizada, sin ningún tipo de supervisión o intervención humana.

Parte 5: Ballena, Coyote o Correcaminos

Aunque el desarrollo tecnológico es impredecible es muy poco o nada probable que en un corto o medio plazo de tiempo seamos sustituidos por la inteligencia artificial. Pero si es muy posible que la

forma de trabajar del Neurorradiólogo cambie de manera progresiva, cómo ha ocurrido siempre en nuestra especialidad, tan dependiente de la tecnología. El trabajo que ejerce hoy cualquier neurorradiólogo senior se parece poco al que ejercían los adjuntos de su edad cuando era residente (yo mismo revelaba placas en el cuarto oscuro) y nada a los de la generación anterior. Cuando cualquiera de nosotros coja un vuelo a un congreso el piloto activará el piloto automático a los 5-10 minutos del despegue y volverá a manual a los 10-15 min de la aproximación final y aterrizaje. No por eso se sentirá menos piloto que Manfred von Richtofen “el barón rojo”, Erich Hartman o Amelia Earhart, por poner unos ejemplos. Y al contrario que algunos gurús, Eric Topol sugiere que la relevancia de los radiólogos será mayor, pero no como especialistas en imagen, sino como especialistas en información. Ser coyote o correcaminos dependerá de nuestra actitud. Algunos profesionales serán coyotes, no cambiarán sus rutinas de trabajo y correrán mayor riesgo de volverse intrascendentes. La mayoría, espero, nos adaptaremos, como hemos hecho siempre, a la nueva realidad, abrazando la IA, pero de forma crítica, entendiendo sus fortalezas y sus enormes limitaciones actuales. Actuaremos como correcaminos, empujando a nuestros jefes de sección o de servicio, gestores hospitalarios y casas comerciales para ampliar, con criterio, la “cartera de algoritmos” que haga nuestro trabajo a la vez más llevadero, pero más estimulante. Evolucionaremos del aceite animal de la ballena al mineral del petróleo sin quedar varados por el camino ni hundidos en la profundidad del océano como el capitán Ahab.

BIBLIOGRAFÍA

1. Alis D, Tanyel T, Meltem E, Seker ME, Seker D Karakaş HM et al. Choosing the right artificial intelligence solutions for your radiology department: key factors to consider. Diagn Interv Radiol. 2024;30(6):357-365.

2. Lui YW, Chang PD, Zaharchuk G, Barboriak DP,nFlanders AE, Wintermark M, et al. Artificial Intelligence in Neuroradiology: Current Status and Future DirectionAEs AJNR 2020. 41: E52–E59. http://dx.doi.org/10.3174/ajnr.A6681

3. Buijs E, Maggioni E, Mazziotta F, Lega1 F, Carrafiello G. Clinical impact of AI in radiology department management:a systematic review. La radiologia medica 2024. 129:1656–1666.

4. Meijer FJA. Artificial intelligence will make neuroradiology even more exciting. Neuroradiology 2024. 66:1479–1480. https://doi.org/10.1007/s00234-024-03428-6.

5. Huisman TAG. The link between precision medicine, precision diagnostics and the unwarranted fear of artificial intelligence in neuroradiology. Neuroradiology (2024) 66:1243–1244. https://doi.org/10.1007/s00234-024-03403-1 .

6. Topol E (2019) Deep Medicine. How Artificial Intelligence can make Healthcare Human again. Basic Books, New York