Los investigadores defienden la separación de funciones en radiología para potenciar los puntos fuertes de cada uno y reducir los errores. (imagen: gorodenkoff / iStock)
RSNA: El Riesgo Oculto de la IA como Asistente en Radiología
La narrativa predominante sobre la inteligencia artificial (IA) en medicina es la de un asistente inteligente que ayuda a los médicos a tomar mejores decisiones. Sin embargo, un provocativo editorial publicado en la revista Radiology, de la Radiological Society of North America (RSNA), sostiene que, al menos en radiología, este modelo de “asistencia” puede no ser el más eficaz y, en algunos casos, puede incluso dar lugar a errores. La propuesta de los autores es un cambio de paradigma: la separación de funciones en el flujo de trabajo entre la IA y los radiólogos.
El principal problema del modelo de asistencia directa radica en los sesgos cognitivos. Cuando la IA presenta un resultado, el radiólogo puede ser víctima de dos efectos opuestos, pero igualmente peligrosos:
- Sesgo de Automatización: La tendencia a confiar excesivamente en la sugerencia de la IA, incluso si es incorrecta, lo que lleva al profesional a no investigar la imagen con el mismo rigor.
- Negligencia de la Automatización: También ocurre lo contrario; el radiólogo puede ignorar una sugerencia correcta de la IA por no confiar en la tecnología o por tener una interpretación inicial diferente.
Para superar estos retos, el artículo defiende un flujo de trabajo con roles bien definidos y separados. En lugar de un análisis conjunto, la IA y los humanos trabajarían en paralelo o en secuencia. Algunas posibilidades incluyen:
- Modelo Secuencial (IA primero): La IA realiza tareas iniciales, como resumir el historial del paciente a partir de la historia clínica electrónica, antes de que el radiólogo interprete la imagen.
- Modelo Secuencial (Médico primero): El radiólogo realiza la interpretación primaria y, a continuación, la IA interviene para realizar tareas complementarias, como generar informes estructurados o resúmenes para el paciente.
- Modelo de asignación de casos: La IA puede realizar la clasificación de los exámenes, derivando los casos normales a una vía rápida y los más complejos al análisis de uno o más especialistas.
Estos modelos buscan aprovechar los puntos fuertes de cada uno — la velocidad y la capacidad de detección de patrones de la IA, y el razonamiento clínico y la comprensión del contexto del radiólogo — de forma independiente, con el objetivo de obtener un diagnóstico final más eficiente y preciso.
Para leer el editorial, haga clic aquí.
Sobre Radiological Society of North America (RSNA)
Radiological Society of North America (RSNA) es una sociedad internacional de radiólogos, médicos y otros profesionales de la salud interesados en el campo de la imagenología médica. Es reconocida por sus publicaciones de excelencia en radiología, además de sus continuas acciones en el avance de esta especialidad a través de su fundación de enseñanza e investigación, que invierte y financia investigaciones relevantes en el campo.
Si desea obtener más información sobre la cartera de Radiological Society of North America (RSNA) para su institución, póngase en contacto con info@dotlib.com o complete nuestro formulario. Aproveche la oportunidad para mantenerse al día con nuestro blog, seguir nuestras redes sociales y suscribirse a Dotlib TV, nuestro canal oficial de YouTube.
Dot.Lib
Dot.Lib es una empresa dedicada a la difusión de información científica, facilitando el acceso en línea a libros digitales, revistas electrónicas y bases de datos en las más diversas áreas del conocimiento.