La inteligencia artificial (IA) está transformando el campo de la radiología, mejorando el análisis de imágenes y acelerando diagnósticos. Sin embargo, la mayoría de estos modelos se han desarrollado utilizando datos de adultos, lo que ha dejado a los pacientes más jóvenes, especialmente a los neonatos, en una situación de desventaja. Un reciente estudio liderado por Vishwanatha Rao, del laboratorio de informática biomédica de la Universidad de Harvard, propone un enfoque innovador para adaptar estos modelos de IA a la atención pediátrica sin comprometer la privacidad de los datos.
Desigualdad en el acceso a la tecnología médica
La escasez de datos médicos sobre niños se debe a regulaciones estrictas de privacidad que limitan el acceso a registros de salud de neonatos y menores. Según Rao, menos del 1% de los conjuntos de datos de imágenes médicas disponibles públicamente corresponden a niños. Esto ha llevado a que la tecnología médica se desarrolle principalmente para adultos, dejando a los niños sin acceso a avances que podrían mejorar significativamente su atención médica.
Un método que preserva la privacidad
El estudio, publicado en Nature Biomedical Engineering, presenta un método que permite entrenar modelos de IA en datos de múltiples hospitales sin que la información sensible salga de cada institución. Este enfoque implica que el modelo de IA se entrena de manera secuencial en los datos de cada hospital, lo que permite que la información permanezca local mientras se mejora la capacidad del modelo para realizar diagnósticos en pacientes pediátricos.
El equipo de investigación utilizó un modelo previamente entrenado en datos de adultos para evaluar la colocación de tubos endotraqueales, cruciales para tratar problemas respiratorios en recién nacidos. A través de la recopilación de 2,965 radiografías de tórax de 30 unidades de cuidados intensivos neonatales en 20 países, lograron demostrar que su modelo adaptado superó a los modelos existentes en 29 de 30 hospitales evaluados.
Resultados prometedores y aplicaciones futuras
El modelo desarrollado por el equipo mostró un error promedio de 0.67 cm al identificar la ubicación del extremo del tubo endotraqueal, en comparación con un promedio de 1.29 cm de modelos adaptados a partir de datos de una sola institución. Este avance es significativo, ya que resalta la capacidad de los modelos de IA para funcionar de manera efectiva incluso en entornos donde los datos son limitados.
Rao enfatiza que este método no solo es aplicable a la pediatría, sino que también puede extenderse a otras poblaciones de pacientes que están subrepresentadas en los datos de entrenamiento de IA. "Hemos demostrado que es posible ajustar estos modelos sin que la información sensible salga del hospital", afirmó.
Un futuro más inclusivo para la IA médica
Con solo el 17% de los dispositivos médicos de IA autorizados por la FDA indicados para su uso en niños, la investigación de Rao y su equipo podría marcar el inicio de una nueva era en la atención médica pediátrica. Este enfoque no solo promete mejorar la precisión de los diagnósticos en neonatos, sino que también podría facilitar la creación de modelos de IA que beneficien a diversas poblaciones vulnerables.
El estudio representa un paso significativo hacia la inclusión de la tecnología médica en el cuidado pediátrico, asegurando que los avances en IA no dejen atrás a los más jóvenes. La investigación continúa, con la esperanza de que esta metodología se convierta en un estándar en el desarrollo de modelos de IA en el futuro.
Fuente: Información elaborada a partir de la publicación original.
