Investigadores de la Facultad de Medicina de Harvard han diseñado un sistema que adapta modelos de inteligencia artificial (IA) entrenados en pacientes adultos para su aplicación en la radiología pediátrica, particularmente en diagnóstico neonatal, sin comprometer la privacidad de los datos médicos.
Contexto y necesidades
La mayoría de los modelos de IA en radiología se han desarrollado con datos de adultos, lo que reduce su precisión al aplicarse en pacientes infantiles. Esto se debe a que las historias clínicas pediátricas están sometidas a estrictas normativas de confidencialidad y permanecen custodiadas en los centros hospitalarios, dificultando la compartición de información para entrenar algoritmos especializados. Actualmente, menos del 1% de las bases de datos públicas de imagen médica corresponden a población infantil.
Metodología y resultados
El estudio, publicado en la revista Nature Biomedical Engineering, utiliza un método de entrenamiento itinerante del algoritmo en 30 hospitales internacionales. Este sistema permite que la IA recorra virtualmente las distintas instalaciones, aprendiendo de las imágenes locales mientras los datos permanecen almacenados y protegidos en cada centro.
El modelo se basó en inteligencia artificial desarrollada para verificar la colocación correcta de tubos endotraqueales, un procedimiento crítico en neonatos. Se utilizaron cerca de 3 000 radiografías de tórax recogidas en 30 unidades de cuidados intensivos neonatales de 20 países. El resultado fue un error medio en la ubicación del tubo de 0,67 centímetros, frente a 1,29 centímetros de modelos pediátricos entrenados en un solo centro y 4,30 centímetros de desfase en modelos entrenados solo con datos adultos.
Implicaciones y futuro
Este enfoque muestra que es posible mejorar el rendimiento de la IA en radiología pediátrica sin necesidad de transferir datos confidenciales. Además, el algoritmo demostró capacidad para analizar imágenes de hospitales no incluidos en el entrenamiento, lo que indica una buena capacidad de generalización.
Los investigadores señalan que esta metodología podría aplicarse a otras áreas pediátricas y a otros grupos poco representados en bases de datos médicas, facilitando el desarrollo de herramientas basadas en IA que respeten la privacidad y resulten efectivas para diversos grupos demográficos.