Dominando la IA para la radiología intervencionista: estado actual y perspectivas futuras

Episode Transcript

Grabado en vivo desde el stand de Cook en el SIR y con la participación de expertas líderes en radiología intervencionista que analizan una amplia variedad de temas relacionados con la RI, esto es la serie de podcasts Cook@ SIR.

Hola y bienvenidos al podcast Cook@ SIR. Estamos en vivo desde el stand de Cook. Soy la Dra. Judy Gichoya de la Universidad de Emory y estoy encantada de guiarlos en este viaje mientras exploramos el increíble potencial de la inteligencia artificial en la práctica médica. Hoy hablaremos de aplicaciones reales de la IA, consejos prácticos para integrar esta tecnología en su práctica y las herramientas de formación esenciales para mantenerse a la vanguardia en este campo en evolución. Les prometo que será un camino emocionante, y no estoy sola. Me acompaña la Dra. Dania Daye de Harvard, y no quiero estropear su presentación, así que dejaré que se presente.

Muchas gracias por invitarme, Judy. Mi nombre es Dania Daye. Soy radióloga intervencionista en el MGH, profesora asociada en Harvard y dirijo un pequeño laboratorio de IA en el Martinos Center, donde estudiamos la traducción de la IA a la práctica clínica.

Dania, tengo que decirte que estoy muy sorprendida en este SIR. Siempre hemos tenido este panel, de hecho hemos estado juntas, y ayer hubo una ponencia de la “hija generada por IA”. En una palabra: ¿qué te pareció?

Fue muy impresionante.

¡Una palabra, Dania! Bien, pregunté a algunas personas; dijeron “inquietante”, “interesante”. Pero algo que me llamó la atención fue quien comentó que este tipo de capacidad habría tomado meses o habría estado limitada sólo a expertas como tú. Tal vez puedas ayudar a nuestra audiencia a entender qué quería mostrar SIR, qué era esa “hija generada por IA”. Quizás sea un buen punto de partida.

Claro. Creo que este campo avanza tan rápido que pone estas herramientas en manos de cualquier miembro de la comunidad, no necesariamente quienes hacemos investigación en IA. La IA generativa, como sabemos, se ha expandido drásticamente en los últimos dos años. Hace apenas dos años oíamos hablar de GPT y ahora casi todo el mundo lo usa y las aplicaciones se multiplican. Ahora podemos superponerlo en imágenes de personas fallecidas, como vimos ayer, hacerlas hablar. Definitivamente hay que usarlo con precaución, pero el mensaje quedó claro.

Avancemos a hoy. De nuevo, este SIR es especial: es el 50.º aniversario, y cuando se alcanza un gran hito todos quieren celebrar. Creo que incluso hubo una caja de Lego que me perdí… Hoy escuchamos a luminarias decir—y debo admitir que me sorprendió—“Tenemos que pensar la innovación de forma distinta”.

Estamos en Cook, ¿cierto? Muchas historias tempranas incluyen “Llamaba a Cook y me hacían este catéter”. Entonces, ¿qué crees que es distinto sobre la IA en la radiología intervencionista?

Sabemos que la RI se basa en la innovación. Estaba investigando la semana pasada para una charla y no sabía que, en un periodo de 40 años—creo que 35—los radiólogos intervencionistas miembros del SIR registraron 2 400 patentes.

¡Guau!

Dos mil cuatrocientas patentes; esto está publicado. Eso muestra cuánta innovación hay en este campo. Y por ello, creo que la IA es la próxima frontera en medicina. Como especialidad hemos adoptado la innovación más rápido que otras y debemos estar a la vanguardia. Mucha gente está emocionada, con cautela; aún no se entiende bien dónde encaja. La mayoría de aplicaciones actuales están en radiología diagnóstica, pero vemos cada vez más en RI, y es una época muy emocionante.

Entremos de lleno en lo que vinimos a hacer. ¿Cuáles son las aplicaciones actuales de la IA en tu práctica y cómo se usan?

En RI me gusta pensar en cinco categorías siguiendo el recorrido del paciente.

1. Selección y triaje de pacientes; aquí están la mayoría de los productos del mercado que usamos en RI.
2. Planificación preprocedimiento; por ejemplo, quienes hacemos Y90 usamos algoritmos de segmentación aprobados por IA para planificar.
3. Soporte intraprocedimiento; existen algoritmos que guían a qué vaso embolizar, etc. Estamos en pañales; falta data estandarizada.
4. Algoritmos para predecir respuesta y pronóstico, para elegir el mejor paciente para el mejor procedimiento; en esto investigo mucho.
5. Aplicaciones de modelos de lenguaje y IA generativa para la atención centrada en el paciente; este espacio crece a gran velocidad, especialmente en los últimos dos años.

Profundicemos con ejemplos. En selección y triaje, vemos algoritmos que detectan hallazgos vasculares agudos: disección aórtica, AAAs a punto de romperse, TEPs. Muchos emplean algoritmos de TEP para sus equipos PIR y ya hay datos interesantes sobre cómo cambian los patrones de derivación y aceleran las intervenciones. Incluso hay artículos iniciales que muestran impacto en resultados.

Antes de seguir—me encanta tu recorrido de paciente que siempre presentas—volvamos a los resultados clínicos. Dices que con intervención temprana vemos diferencias en mortalidad. ¿Crees que esto pasa sólo en Harvard o en mi pueblo puedo acceder a ese algoritmo? Cuéntanos qué has visto fuera, especialmente en los ensayos iniciales.

Tu pregunta es muy pertinente. El uso de estos algoritmos aún se limita a pocos sitios: implementarlos es caro y desafiante. Pero hay que mirar los datos que generan. El algoritmo de TEP que mencioné: un artículo del año pasado mostró que redujo significativamente el tiempo hasta la intervención en TEP de alto riesgo y bajó la mortalidad de 8,8 % antes de la IA a 2,2 % después. Es un número impactante.

Eso es más que la mitad, ¿cierto?

Mucho más. Aún debe reproducirse en estudios mayores, pero hay señal. Si se confirma, podría convertirse en estándar de atención: todas buscamos mejores resultados.

Hoy también se habló de “turf wars”. En Emory los radiólogos intervencionistas y cardiólogos tratamos TEP. ¿Crees que la IA iguala el campo y eso puede ser peligroso para nosotras?

Buen punto. La IA iguala porque da acceso a destrezas especializadas que faltan en algunos lugares. Pero al final la paciente es nuestro norte. Si colaboramos entre especialidades, mejor. Estos algoritmos identificarán más pacientes que necesitarán intervención; habrá necesidad de más procedimentistas. Creo que habrá suficiente para todos si trabajamos juntos.

Bien, el pastel es grande, según Dania. Tras el triaje humano y nuevos patrones de atención, ¿cuál es el siguiente paso donde aplicar IA?

Una vez seleccionado el paciente y coordinado el cuidado, viene la planificación preprocedimiento. Existen algoritmos en el mercado—no para TEP, pero sí para Y90—donde hacemos segmentación automática con IA para calcular la dosis. También hay trabajos tempranos en dimensionado de dispositivos, como segmentación automática para elegir prótesis en EVAR. Aún es incipiente y queda mucho por hacer.

Siento que la planificación preprocedimiento es un área de “¿qué hay en un nombre?”. En los stands todos dicen “tiene IA” o “no tiene IA”. ¿Importa? Si alguien quiere entender, ¿debe saberlo? ¿Qué debería preguntar cuando le dicen “esto tiene IA”?

Gran tema: necesitamos formación para saber qué preguntar a las empresas y evaluar algoritmos. Más adelante hablaremos de implementación. Pero es clave preguntar cómo se entrenó, cómo falla y probar el rendimiento local: quizá la compañía dice 98 % de precisión y en tu población no se cumple. ¿Importa que tenga IA? Para mí es sólo una herramienta que facilite la vida, siempre que sea precisa y falle poco.

Entonces IA es una herramienta para selección de pacientes, planificación… ¿cuál es el siguiente?

Tras la planificación llega el procedimiento: soporte intraprocedimiento. Hoy hay pocos algoritmos por la falta de datos angiográficos etiquetados. Lo disponible guía la embolización o hace segmentación. Hay mucho margen de innovación, pero es un área que necesita mucho trabajo.

¿Crees que lograremos un conjunto de datos estandarizado?

No. Necesitamos técnicas computacionales para sortear ese problema, sí.

Bien. Tras el procedimiento, ¿se acaba la IA o queda algo?

Después vemos a las pacientes en consulta. Ahí entran algoritmos de predicción de respuesta y pronóstico a largo plazo. Mi laboratorio segmenta tumores y predice respuesta, mortalidad, etc. Es un área activa que requiere conjuntos multimodales (clínicos, patología, genómica, imágenes). Aún es incipiente.

Las revistas nos permiten esto. Colaboré con RI de Canadá para escribir la visión futura: estás de guardia, la IA marca un estudio con TEP, puntúa la gravedad, decide intervenir, activa al equipo, envía notificación con tableta y obtiene consentimiento, imprime en 3D el catéter adecuado y, en sala, muestra las imágenes y planes.

Es la RI del futuro.

¿Deberíamos hacer eso? Describe tu RI del futuro.

Hay muchas aplicaciones vistosas. Lo importante es el valor: ¿qué aporta a la RI? Investigación hay mucha, pero ¿tienen un plan de negocio robusto para la práctica? Probablemente no. Lo que llega a clínica es lo que mejora resultados o eficiencia. Si no cumple, no se implementará.

Cuando reviso el campo voy a la lista de la FDA. RI ni siquiera existe como categoría. Dices valor: no necesito ser informática para verlo. ¿Qué pueden hacer las oyentes? ¿Cómo evaluar la utilidad?

Como especialidad debemos pensar en métricas. Importa el resultado: ¿mejora la mortalidad? ¿Reduce a la mitad el tiempo de procedimiento? Si no impacta, no tiene valor. En congresos de informática, las y los científicos ven todo como un clavo porque su herramienta es el martillo.

La semana pasada lo que más me habría ahorrado tiempo era un transportista dedicado a RI, no IA. Pero no quiero minimizar su impacto.

Para la aplicación correcta, es poderosísima.

Uno de los pilares oncológicos es RI y vemos trabajo en ensayos clínicos. En Emory, por ejemplo, se pueden flaggear pacientes automáticamente. Los ensayos son caros y lentos de reclutar. ¿Cómo puede la IA ayudar?

Pensando el recorrido del paciente como un continuo:

1. identificar pacientes antes no reconocidos
2. llevarlos a intervención más rápido—el estudio de TEP redujo más del 50 % el tiempo gracias a coordinación
3. en planificación, prever tamaños de stents y reducir stock
4. en pronóstico, elegir la paciente adecuada para el mejor resultado; la medicina de precisión real aún no llega y la IA promete eso.

Cuéntanos tu trabajo en ensayos clínicos.

La IA ayuda a identificar pacientes. Muchos ensayos cierran por reclutamiento insuficiente. Los LLM pueden revisar historias y extraer términos para crear bases que alerten sobre pacientes aptos que antes pasarían desapercibidos. Cuando los LLM accedan al EMR completo, veremos mejoras rápidas.

¿Necesito asistir a mi tumor board o la IA irá por mí?

Presenté un artículo de IA para recomendaciones de tumor board, pero aún no. Sí puede servir en lugares sin recursos, entrenando algoritmos con recomendaciones especializadas. No reemplazará el tumor board pronto, pero ayuda donde falta experiencia.

¿Cuál fue tu primera aplicación desarrollada y por qué?

Hace tiempo. Cuando era estudiante de licenciatura, en 2006-2007, trabajaba en un algoritmo de machine learning para predecir respuesta a una técnica de imagen óptica. Me enganché y sigo en ello.

Genial.

Ya que hablamos de aplicaciones, hablemos de implementación clínica. Sé que has implementado técnicas en tu práctica; ¿qué consejos prácticos tienes?

En Emory tenemos un consejo de IA en radiología con representantes clínicos de todas las subespecialidades, incluida RI. Tenemos una checklist. Existen varias (por ejemplo, CHAI). El campeón completa el formulario, lo presenta al consejo y evaluamos valor y consecuencias no intencionadas. Si interrumpe el flujo, nadie lo usará. Hacemos pruebas silenciosas sin mostrar resultados al radiólogo. Si hay dudas, traemos al proveedor. Un problema: los proveedores no revelan quién más usa el algoritmo. Creo que la implementación de IA es local: entiendes tu problema y cómo desplegar la tecnología. Hemos revisado 13 aplicaciones; algunas las rechazamos y otras en uso las detendremos.

Buen punto: conversaciones con proveedores. ¿Qué preguntas les haces?

Además de la checklist, preguntamos: ¿cómo integran resultados? ¿Con dictado de voz, PACS, nube? También: ¿qué casos fallan? No les gusta responderlo. Y quién más lo usa para saber su experiencia.

¿Tienen una rúbrica de puntuación y qué dominios incluye?

Primero, el costo. Algunos cobran por estudio: eso puede ser enorme. Luego, la integración: si no encaja en el flujo, fracasa. También: ¿es un problema que valga la pena? Nuestro enfoque es cualitativo más que cuántos estudios entrenaron. Asumimos que si está aprobado por la FDA pasó lo básico; lo importante es llevarlo al siguiente nivel local.

Esto trata de cuantificar valor.

Y no se ve al comprar; te dan exactitud, F1, etc. Debes pensar en la tarea: p.ej., en mamografía quieres detectar todos los cánceres; toleras más ruido. Escuché un experimento de Stanford: su clínica sólo podía ver 20 pacientes; aunque la IA diera 50, ¿qué hacen con ellos? Debes alinear capacidad y demanda y calcular el ingreso del hospital. Fue una discusión honesta: ¿lo necesitamos?

En investigación hacemos algoritmos, pero el negocio pregunta: ¿quién paga? Pocos demuestran ROI. ¿Cómo ves esto?

El pastel de dólares en salud es fijo; para pagar IA hay que quitar de otro lado. Los presupuestos de TI son limitados. Veremos códigos CPT y quizá IA autónoma. Si sólo beneficia al radiólogo y no reembolsa, no tendrá código de pago.

Aún es temprano; veremos cambios en los próximos años.

Cambiando de tema: las residentes preguntan cómo formarse en IA.

En residencias de diagnóstico hay formación robusta: el curso NIIC-RAD de SIIM/RSNA, tracks de informática (por ejemplo en Emory). Tal vez no haya específicos de RI, pero la base es la misma; segmentar es segmentar.

Es aprender a preguntar dónde falla. Ayer discutíamos si la IA perjudica la formación de residentes junior.

En Emory los residentes no ven los resultados de IA para evitar sesgo de automatización. Aún no sabemos su impacto en la formación, y está bien no saber. El mensaje: estamos en la infancia de la IA y la información cambiará; hay que mantenerse conectadas.

Punto clave: el futuro es muy prometedor.

Animemos a los estudiantes: la semana pasada Bill Gates dijo que pronto no necesitaremos médicos. Hace 10 años Geoffrey Hinton dijo que no necesitaríamos radiólogos. El hype puede dañarnos; si en 10 años seguimos aquí, mostraremos estas lecciones. La tecnología avanza rápido, pero disfruten ser radiólogas intervencionistas; somos especiales.

La IA nos potenciará; estamos lejos de reemplazar a nadie.

Estamos llegando al final. ¿Qué te emociona ahora?

Los modelos de lenguaje y la IA generativa cambiarán nuestra práctica. Creo que la IA nos permitirá elegir el procedimiento y dispositivo adecuados para cada paciente y lograr el mejor resultado.

—
¿Tienes tres recomendaciones para clínicos que quieran empezar a usar IA?

1. Conocer los softwares de triaje y selección de pacientes, dada la evidencia en resultados.
2. Aprender a hablar con proveedores y qué preguntar.
3. Investigar y formarse continuamente en el espacio.

Confieso que vine al congreso sin esperar ver tanta IA. RI actuaba como un infante ante la IA, pero ahora la exhibe. Invito a las oyentes a ser curiosas sin abrumarse por el hype; salgan de su zona de confort, vean qué usan cardiología o neuro-RI y usen eso para abogar por sí mismas.

Debemos pensar cómo aprovechar la IA para ser mejores radiólogas intervencionistas y servir mejor a nuestras pacientes. Con esto, agradecemos a quienes nos escucharon y damos por terminado el episodio.