Sensibilidad y especificidad de la inteligencia artificial para la detección de anormalidades en radiografías de tórax

Abstract

Introducción: La radiografía de tórax es una herramienta ampliamente utilizada como ayuda diagnóstica ante la sospecha de patología pulmonar, sin embargo, requiere de estudio y preparación para una correcta interpretación. Al haber una, cada vez mayor, integración de la Inteligencia Artificial (IA) en las ciencias de la salud, entre ellas el diagnóstico por imagen, es necesario conocer qué tan precisa es esta herramienta para la detección de anormalidades, en comparación con radiólogos especialistas. El presente estudio de precisión diagnóstica retrospectivo evalúa la herramienta IA Chester v3.2 (prueba índice) frente a radiólogos y tomografía computarizada (TC) torácica como gold standard, teniendo un tamaño de muestra de 346 imágenes radiográficasde pacientes en emergencia/hospitalización del Hospital de Emergencias José Casimiro Ulloa (enero-marzo 2025), con intervalos de confianza (IC) de 95%. Pregunta de investigación: ¿Cuál es la sensibilidad y especificidad de la IA Chester v3?2 para detectar radiografías de tórax anormales en pacientes en emergencia/hospitalización del Hospital de Emergencias José Casimiro Ulloa, utilizando TC torácica interpretada por radiólogo torácico experto como gold standard? Métodos: Criterios de inclusión: Rx de tórax + TC de tórax sin o con contraste ≤24h; exclusión: baja calidad, estudios incompletos. Dos radiólogos (>5 años experiencia, cegados a IA/clínica) y radiólogo torácico (gold standard, cegado) interpretaron independientemente las imágenes usando Radiant. Análisis: sensibilidad/especificidad (IC95% Wilson), curva ROC (AUC), índice Youden, McNemar (IA vs radiólogos), Kappa interobservador. Como software estadístico se usará SPSS.