1 Introducción

El tema de la mitigación de errores en el diagnóstico por imagen es un campo relativamente inexplorado en la literatura veterinaria. De hecho, hasta donde saben los autores, solo se dispone de dos trabajos que investigan este tema (1, 2). Del mismo modo, las tasas de incidencia y los costos generales asociados con los errores de diagnóstico por imagen han sido poco investigados en la práctica médica veterinaria. De hecho, solo un estudio (3) informa que la tasa de error radiológico es comparable a la que se informa en medicina humana. En cambio, todo un conjunto de literatura dedicada a analizar las causas más comunes de los errores de diagnóstico por imagen, junto con las posibles soluciones, está actualmente disponible en medicina humana (4, 5). Es importante entender que los errores de diagnóstico por imagen son mucho más intrincados de lo que parecen, ya que implican una interacción compleja entre factores individuales, psicológicos (6), ambientales y educativos (7). Un error diagnóstico se define como una «desviación de la norma esperada» (8), y las consecuencias para el paciente pueden variar desde ninguna consecuencia hasta la muerte. Renfrew et al. (9) propusieron en primer lugar una clasificación exhaustiva de las causas de los errores de diagnóstico por imagen, que posteriormente fueron modificadas por Kim y Mansfield (10). Además, algunos autores han abordado este complejo tema desde diferentes perspectivas, que van desde la identificación de diferentes sesgos cognitivos (6), pasando por el análisis de los errores interpretativos (4), hasta las estrategias de reducción de errores (11).

Es importante señalar en este punto que actualmente no se dispone de una «etiología» universalmente reconocida de los errores en el diagnóstico por imagen humana, y las definiciones y las soluciones propuestas para diferentes escenarios pueden variar entre los autores. En los últimos años, hemos sido testigos de un mayor interés en las aplicaciones de la IA en el campo del diagnóstico por imagen veterinario (12, 13). Entre otras aplicaciones, la IA se utiliza principalmente como herramienta de apoyo para guiar la interpretación de las imágenes médicas en medicina veterinaria. Incluso si se ha informado de que la IA tiene una tasa de error general más baja que la que tienen los radiólogos tanto en medicina humana (14) como veterinaria (15), tratar con una tecnología de este tipo no es tan sencillo como podría parecer (16, 17). Este análisis de perspectiva tiene como objetivo examinar el papel de la IA en la mitigación de cada fuente de error en la imagen veterinaria a través de la clasificación de errores sugerida por Kim y Mansfield (10).

2 Tipos de errores y papel de la IA en la mitigación

2.1 Complacencia

«La complacencia se refiere a la lectura excesiva y la interpretación errónea de los hallazgos, se detecta un hallazgo pero se atribuye a la causa incorrecta (error de falso positivo)» (10). Este tipo de error es poco frecuente (0,9%) en medicina humana, mientras que no se dispone de datos en medicina veterinaria. En este último campo, es probable que se produzca una discrepancia entre la salida del sistema de IA y la interpretación del radiólogo. Se ha informado de que los sistemas de IA generan tasas de error más bajas (incluidos los falsos positivos y los falsos negativos) que los radiólogos (al menos para algunos hallazgos específicos) (15). Por lo tanto, los radiólogos veterinarios deben considerar la posibilidad de reinterpretar los hallazgos, teniendo en cuenta los resultados de la IA.

2.2 Razonamiento erróneo

«Error de sobrelectura y mala interpretación, en el que un hallazgo se aprecia e interpreta como anormal pero se atribuye a una causa equivocada. La información engañosa y un diagnóstico diferencial limitado se incluyen en esta categoría» (10). En la actualidad, los sistemas de IA disponibles solo detectan hallazgos radiográficos específicos (15, 18, 19) y no son capaces de proporcionar diagnósticos diferenciales basados en los hallazgos clínicos. Pronto se dispondrá de grandes modelos de lenguaje (LLM) (20) capaces de interpretar las imágenes y generar una lista de diferenciales basados en la historia clínica, lo que podría reducir este tipo de errores.

2.3 Falta de conocimiento

«El hallazgo es visto, pero se atribuye a la causa equivocada debido a una falta de conocimiento por parte del espectador o intérprete» (10). Este tipo de error es, según el conocimiento de los autores, particularmente relevante en el escenario veterinario, donde la mayoría de las imágenes radiográficas no son interpretadas por un radiólogo sino por médicos generales. Como se mencionó anteriormente, los sistemas actuales basados en IA no pueden correlacionar los hallazgos de imágenes con una lista específica de diferenciales basados en el historial médico y, por lo tanto, hasta la fecha, la IA ha tenido un impacto limitado en la mitigación de este tipo de error.

2.4 Lectura insuficiente

«La lesión no se detecta». De acuerdo con Kim y Mansfield (10), esto por sí solo explica el 42% del total de errores diagnósticos. La infralectura es, muy probablemente, una de las principales razones para implementar sistemas de IA en el día a día. De hecho, la infralectura se presenta como un problema muy común que puede surgir tanto de situaciones individuales como ambientales (7). El papel de la IA en la mitigación de este tipo de errores es, potencialmente, un punto de inflexión, ya que los sistemas de IA no están sujetos a sesgos cognitivos ni a contextos ambientales (exceso de trabajo, entorno de trabajo desafiante, distracciones, etc.). Por otro lado, el usuario final debe tener en cuenta que la precisión del sistema de IA también se ve afectada por varios factores, como la calidad de la imagen o la tasa de lesiones en la base de datos (21). Por último, el usuario debe ser consciente de que la mayoría de los sistemas veterinarios basados en IA tienen una precisión variable en la detección de lesiones específicas. Por ejemplo, la precisión en la detección del derrame pleural suele ser muy alta (15, 18, 22), mientras que la precisión para los nódulos o masas pulmonares es significativamente menor (18, 23).

2.5 Mala comunicación

«La lesión se identifica e interpreta correctamente, pero el mensaje no llega al clínico». La comunicación fiable de los resultados de las imágenes es vital para el correcto manejo de los pacientes, tanto en medicina veterinaria como humana. Los informes de diagnóstico por imágenes utilizan terminología altamente especializada, y la interpretación precisa de estos términos depende de la experiencia del médico remitente. Este tipo de error es bastante raro (10) ya que, cuando un informe no es claro, generalmente se requiere una explicación directa del médico que lo reporta. Con este fin, la incorporación de grandes modelos de lenguaje (LLM) (20) en los sistemas de notificación podría ayudar a crear informes más homogéneos y, por lo tanto, mejorar la comunicación entre el clínico y el radiólogo.

2.6 Examen previo/anamnesis

«El hallazgo se pierde por falta de consulta de estudios o informes radiológicos previos» y «El hallazgo se pierde por la adquisición de una historia clínica inexacta o incompleta». Estos son algunos de los tipos de errores más comunes, y el Colegio Americano de Radiología recomienda que todos los informes previos de los pacientes estén disponibles para el radiólogo durante la evaluación del examen (10). Este tipo de error es más relevante en los servicios de telerradiología, ya que la mayoría de estos servicios no tienen acceso a la historia completa del paciente. Los productos basados en IA que guían a los radiólogos (tanto en medicina humana como veterinaria) a lo largo del proceso de elaboración de informes (desde la adquisición de imágenes hasta el informe final) podrían ser importantes para mitigar estos errores. Por ejemplo, el uso de LLM para resumir rápidamente el historial clínico del paciente podría proporcionar al radiólogo información rápida y útil.

2.7 Ubicación

«El hallazgo se pasa por alto porque la ubicación de una lesión está fuera del área de interés de una imagen, como en la esquina de una imagen». Estos errores son bastante comunes y posiblemente estén relacionados con lo que se conoce como «sesgo intencional» o «visión de túnel» (10). Estos son sesgos cognitivos bien conocidos. En un famoso experimento, se pidió a los radiólogos que detectaran nódulos pulmonares a partir de imágenes de tomografía computarizada. La imagen de un gorila, 10 veces más grande que el nódulo promedio, se colocó en una de las imágenes de tomografía computarizada. Sorprendentemente, el 83% de los radiólogos no informaron haber visto al gorila, a pesar de que las tecnologías de seguimiento ocular demostraron que todos los radiólogos lo observaron (24). En este caso, el uso de sistemas de IA para ayudar al radiólogo podría ayudar a reducir este tipo de errores, siempre que los propios sistemas de IA no generen numerosos falsos positivos (16). De hecho, como demuestran Bernstein et al. (16), una IA defectuosa disminuye la precisión de los radiólogos, especialmente si los resultados de la IA se muestran en el informe final.

2.8 Satisfacción de la búsqueda

«El hallazgo se pasa por alto debido a que no se continúa buscando anomalías adicionales después de que se encuentra una primera anomalía». Esta es una situación común, especialmente cuando se evalúan modalidades de imagen avanzadas, como la TC o la RM (10). Hasta donde saben los autores, en la literatura veterinaria no se ha propuesto ningún algoritmo para la detección de lesiones en modalidades avanzadas de imagen (TC o RM) y, por lo tanto, aún no se ha establecido la utilidad de la IA en la reducción de dicho error.

2.9 Complicación

«Complicación de un procedimiento», es decir, eventos adversos que podrían suceder durante un procedimiento de examen invasivo (9). Se ha reportado que este es un tipo de error poco común en la medicina humana (10). El papel de la IA en la reducción de este tipo de errores es similar al de otros tipos de errores (por ejemplo, el examen previo).

2.10 Satisfacción del informe

«El hallazgo se pasó por alto debido a la complacencia del informe y a la excesiva confianza en el informe de radiología de los exámenes anteriores». Este tipo de error surge de lo que se conoce como sesgo aliterativo, lo que significa que el juicio de un radiólogo está influenciado por el de otro radiólogo. Para evitar este tipo de sesgo (6), sugiera que el radiólogo debe leer los informes anteriores solo después de dar la interpretación de los hallazgos. Este es uno de los tipos de errores más peligrosos, ya que se perpetúa de un estudio a otro (10). Los autores creen que la IA podría desempeñar un papel destacado en la reducción de estos tipos de error. De hecho, los sistemas de IA desconocen los resultados de estudios anteriores y, por lo tanto, podrían ayudar al clínico a tomar decisiones más basadas en hechos que estén desprovistas de sesgos cognitivos.

3 Conclusión

En el Cuadro 1 se presenta un resumen de los tipos de error según Kim y Mansfield (10) y la posible contribución de los productos basados en IA en su mitigación. La IA es todavía una tecnología muy joven en medicina veterinaria y, a pesar del creciente número de aplicaciones disponibles en el mercado, está lejos de formar parte de la rutina clínica de la mayoría de las consultas. Lo mismo es cierto, hasta cierto punto, en la medicina humana. De hecho, a pesar de las grandes inversiones en IA y del impacto mediático de la misma, la difusión de los sistemas basados en la IA sigue siendo limitada, y aún están por demostrar las mejoras reales en la calidad de la asistencia sanitaria relacionadas con la adopción generalizada de estas tecnologías (25).

En opinión de los autores, es probable que la IA tenga diferentes impactos en las imágenes de diagnóstico humano y veterinario, principalmente debido a las diferencias intrínsecas que existen entre estas dos disciplinas. El número de radiólogos certificados en medicina veterinaria sigue siendo limitado en comparación con los de medicina humana y, por lo tanto, es una práctica común que las imágenes de diagnóstico veterinario sean interpretadas por no especialistas. Esto plantea algunas preguntas sobre la eficacia de estos sistemas asistidos por ordenador basados en IA en medicina veterinaria. De hecho, se ha reportado que la IA tiene una precisión variable para diferentes hallazgos radiográficos (18, 23). Si el operador no puede determinar la exactitud de los hallazgos del sistema de IA, confiar en estos sistemas podría dar lugar a resultados engañosos.

En el artículo de perspectiva que se presenta aquí, no abordamos la importancia de los algoritmos de IA para evaluar la calidad de las imágenes médicas. Esta aplicación ha sido escasamente explorada en medicina veterinaria y, hasta la fecha, solo dos estudios destacan estos algoritmos como una herramienta prometedora para mejorar la precisión de la interpretación de las radiografías caninas mediante la identificación de errores técnicos (26, 27). Por el contrario, en medicina humana, se han desarrollado numerosos algoritmos basados en IA para evaluar la calidad de las imágenes de rayos X de tórax, mostrando resultados prometedores (28, 29). Se trata de un campo en el que los algoritmos de IA podrían contribuir de nuevo a reducir las tasas de error interpretativo de los radiólogos al examinar automáticamente la calidad de las imágenes diagnósticas antes de su interpretación, de forma similar a lo que ya está ocurriendo en la medicina humana.

En medicina humana, los nuevos productos sanitarios deben ser aprobados por una agencia reguladora, como la Agencia Europea de Medicamentos en Europa o la Administración de Alimentos y Medicamentos en los Estados Unidos (30). En medicina veterinaria, no existe una agencia reguladora de este tipo y, por lo tanto, hasta la fecha, no ha habido forma de certificar las afirmaciones de los proveedores con respecto a la precisión y estabilidad de los sistemas propuestos (31). En opinión de los autores, en este escenario en medicina veterinaria, la información correcta e imparcial a los usuarios finales es de vital importancia para evitar el uso indebido y posibles fraudes.

Declaración de disponibilidad de datos

Las contribuciones originales presentadas en el estudio están incluidas en el artículo/material complementario, las consultas posteriores pueden dirigirse al autor de correspondencia.

Contribuciones de los autores

SB: Escritura, revisión y edición. AZ: Escritura – revisión y edición. TB: Redacción – borrador original, Redacción – revisión y edición.

Financiación

El/los autor/es declara(n) que se recibió apoyo financiero para la investigación, autoría y/o publicación de este artículo. Financiación de acceso abierto proporcionada por Università degli Studi di Padova |Universidad de Padua, Comité de Ciencia Abierta. El presente artículo formó parte de un proyecto financiado por una beca de investigación del Departamento de Medicina, Producción y Salud Animal – MAPS, Universidad de Padua, Italia: SID- Banzato 2023 (20.000 €).

Conflicto de intereses

Los autores declaran que la investigación se llevó a cabo en ausencia de relaciones comerciales o financieras que pudieran interpretarse como un posible conflicto de intereses.

El autor o autores declararon ser miembros del comité editorial de Frontiers, en el momento de la presentación. Esto no tuvo ningún impacto en el proceso de revisión por pares ni en la decisión final.

Nota del editor

Todas las afirmaciones expresadas en este artículo son únicamente las de los autores y no representan necesariamente las de sus organizaciones afiliadas, ni las del editor, los editores y los revisores. Cualquier producto que pueda ser evaluado en este artículo, o afirmación que pueda hacer su fabricante, no está garantizado ni respaldado por el editor.

Referencias