Resumen - Validación Multicéntrica de un Modelo de Aprendizaje Profundo para la Evaluación de la Escoliosis

Validación Multicéntrica de un Modelo de Aprendizaje Profundo para la Evaluación de la Escoliosis

2025-07-18 17:21:53

{"Šimon Kubov","Simon Klíčník","Jakub Dandár","Zdeněk Straka","Karolína Kvaková","Daniel Kvak"}

{cs.CV,cs.AI,cs.LG}

Este documento de investigación investiga la eficacia de un modelo de aprendizaje profundo para evaluar la escoliosis, una condición caracterizada por una curvatura anormal de la columna vertebral. El estudio tenía como objetivo determinar si el modelo de inteligencia artificial podía producir mediciones del ángulo de Cobb y clasificaciones de gravedad que coincidieran con las de los radiólogos expertos. La investigación involucró un estudio de validación multicéntrico utilizando 103 radiografías de columna vertebral completa anteroposterior en pie recopiladas de diez hospitales. Dos radiólogos musculoesqueléticos midieron cada estudio de manera independiente, sirviendo como lectores de referencia. Luego, el modelo de IA se comparó con estas mediciones utilizando varias métricas, incluyendo el análisis de Bland-Altman, el error absoluto medio (MAE), el error cuadrático medio (RMSE), el coeficiente de correlación de Pearson y el κ de Cohen para la clasificación de gravedad en cuatro grados. El modelo de IA logró un MAE de 3.89° (RMSE 4.77°) al compararse con el Radiólogo 1 y un MAE de 3.90° (RMSE 5.68°) al compararse con el Radiólogo 2. Los coeficientes de correlación de Pearson fueron r = 0.906 y r = 0.880 (coeficiente interlector r = 0.928), mientras que el κ de Cohen para la clasificación de gravedad alcanzó 0.51 y 0.64 (coeficiente interlector κ = 0.59). Estos resultados indican que el software propuesto puede producir mediciones del ángulo de Cobb y clasificaciones de gravedad que son comparables a las de los radiólogos expertos en múltiples centros. El estudio concluye que el software de IA tiene el potencial de agilizar el informe y la triaje de la escoliosis en los flujos de trabajo clínicos, posiblemente mejorando la eficiencia y la consistencia. Sin embargo, se necesita más investigación para evaluar el impacto de la integración de IA en la toma de decisiones clínicas y la eficiencia de los flujos de trabajo.