Estimación de volumen espiratorio forzado en un segundo/capacidad vital forzada y clasificación de enfermedad pulmonar obstructiva a partir de radiografías de tórax con análisis de rendimiento por sub

Contexto

La espirometría es la prueba fisiológica estándar para definir la obstrucción del flujo aéreo, crucial en el diagnóstico de la enfermedad pulmonar obstructiva crónica (EPOC). Sin embargo, su uso es limitado en países de altos ingresos y a menudo no está disponible en regiones de ingresos bajos y medianos, llevando a la subdetección de la EPOC. Las radiografías de tórax, disponibles en muchos lugares donde no se puede realizar espirometría, podrían complementar la detección de esta enfermedad, lo que justifica la investigación sobre su uso en poblaciones de América del Norte.

Qué aporta esta novedad

El objetivo central del estudio fue entrenar un modelo de aprendizaje profundo para estimar la relación entre el volumen espiratorio forzado en un segundo (FEV₁) y la capacidad vital forzada (FVC) a partir de radiografías de tórax. Se analizaron datos de 3537 adultos que se sometieron tanto a espirometría como a radiografías en un periodo establecido. El modelo empleado se basa en una arquitectura ConvNeXt-Base, previamente entrenada con imágenes de alta calidad, lo que permite su adaptación a esta nueva tarea clínica.

Los resultados indican que el modelo tiene una media de error absoluto (MAE) de 0.08 y un error cuadrático medio (RMSE) de 0.10. Además, mostró una sensibilidad del 70% y una especificidad del 72% en la detección de obstrucción del flujo aéreo, lo que demuestra su capacidad para desempeñarse en la clasificación clínica.

Por qué es relevante

Los hallazgos subrayan la utilidad potencial de la inteligencia artificial en la interpretación de radiografías, especialmente en contextos donde las pruebas de espirometría están ausentes. Sin embargo, es crucial destacar que el rendimiento del modelo no fue uniforme entre diferentes grupos demográficos, mostrando una reducción en la sensibilidad especialmente en pacientes asiáticos y en grupos de menor edad. Esta variabilidad sugiere que se necesita una validación externa multisitio y una verificación específica por subgrupos para asegurar la equidad en la atención diagnóstica.

La capacidad para complementar la espirometría con análisis de imágenes radiales representa un avance significativo en el diagnóstico y manejo de la EPOC, facilitando la identificación de subgrupos con riesgo y mejorando el acceso para poblaciones vulnerables.

Lectura final

El estudio concluye que un modelo de aprendizaje profundo puede ser eficaz para estimar el FEV₁/FVC a partir de radiografías de tórax, con un rendimiento general positivo. Sin embargo, la variabilidad en la sensibilidad entre diferentes grupos demográficos plantea la necesidad de seguir investigando para optimizar la precisión y la equidad del modelo. La próxima etapa incluye la validación de este enfoque multidimensional y la atención a las diferencias en el rendimiento entre subgrupos, algo fundamental para el impacto clínico de la inteligencia artificial en el diagnóstico de enfermedades respiratorias.