Resumen

Fiabilidad y validez de un sistema asistido por inteligencia artificial para la detección de anomalías en las radiografías de tórax y óseas en un servicio de urgencias hospitalario

Raissa de Fátima Silva Afonso^1,7, Pilar Gallardo-Rodríguez^1,7, Begoña Espinosa^2,7, Alejandro Bautista², Javier Serrano², Mónica Veguillas², María Corell², Raúl Garrido Chamorro², Juan Arenas Jiménez^3,7, Celia Astor Rodríguez³, Álvaro Abellón Fernández³, Álvaro Palazón Ruíz de Tremiño³, María Javiera Garfias Baladrón³, Víctor Marquina Arribas³, Pablo Chico-Sánchez^1,7,8, Paula Gras Valenti^1,7,8, Miguel Cabrer González⁴, Carlos Martínez Riera⁵, David Moliner Mateu⁵, José María Salinas Serrano⁶, Emilio Vivancos Rubio^5,9, Bernardo Valdivieso Martínez⁵, Luis Concepción-Aramendia3,7,8 José Sanchez-Payá1,7 Pere Llorens^2,7,8

Filiación de los autores

¹Servicio de Medicina Preventiva, Hospital General Doctor Balmis, Alicante, España.
²Servicio de Urgencias, Unidad de Corta Estancia y Hospitalización a Domicilio, Hospital General Doctor Balmis, Alicante, España.
³Servicio de Radiodiagnóstico, Hospital General Doctor Balmis, Alicante, España.
⁴Plataforma digital Idonia, Barcelona, España.
⁵Secretaría Autonómica de Planificación, Información, y Transformación Digital, Conselleria de Sanitat, Generalitat Valenciana.
⁶Servicio de Informática, Hospital San Juan, Alicante, España.
⁷Instituto de Investigación Sanitaria y Biomédica de Alicante, ISABIAL, España.
⁸Universidad de Alicante, Alicante, España.
⁹Valencian Research Institute for Artificial Intelligence (VRAIN), España.

DOI

10.55633/s3me/093.2025

Descargar Artículo

Cita

Silva Afonso RF, Gallardo-Rodríguez P, Espinosa B, Bautista A, Serrano J, Veguillas M, et al. Fiabilidad y validez de un sistema asistido por inteligencia artificial para la detección de anomalías en las radiografías de tórax y óseas en un servicio de urgencias hospitalario. Emergencias. 2025;37:420-6

Resumen

Introducción. Evaluar el rendimiento diagnóstico para la detección de anomalías de dos sistemas comerciales de inteligencia artificial (IA), ChestView para radiografías de tórax (RxT) y BoneView para radiografías óseas (RxO), en un servicio de urgencias hospitalario (SUH), y comparar su validez con la de observadores de diferente perfil profesional y experiencia: urgenciólogos, radiólogos en formación y radiólogos expertos.

Método.

Estudio de evaluación de pruebas diagnósticas en una selección aleatoria de 346 RxT y 261 RxO solicitadas en urgencias. Las exploraciones fueron analizadas de forma independiente por los sistemas de IA y los diferentes observadores. El diagnóstico de referencia (gold standard) fue establecido mediante consenso por tres radiólogos, recurriendo a otras pruebas de imagen disponibles o información clínica cuando era necesario. Se calcularon y compararon la sensibilidad, especificidad, y los valores predictivos positivo y negativo (VPN).

Resultados.

Para la RxT, la IA (ChestView) mostró una sensibilidad global (64,4%) significativamente superior a la de los médicos de urgencias (49,2%; p = 0,018), aunque inferior a la del radiólogo experto (83,9%; p < 0,001). El rendimiento fue notable para la detección de nódulos/masas (sensibilidad 80,0%) y neumotórax (VPN 99,7%), pero inferior para consolidaciones (sensibilidad 40,4%). Para RxO, la IA (BoneView) alcanzó una sensibilidad para la detección de fracturas (87,5%) superior a la del radiólogo experto (77,1%), con un VPN del 96,9%. Sin embargo, su rendimiento fue menor para la detección de luxaciones (sensibilidad 60,0%) y derrames articulares (sensibilidad 25,0%).

Conclusión.

Los sistemas de IA evaluados demuestran un rendimiento clínicamente relevante en el entorno de urgencias, y mejorar significativamente la capacidad diagnóstica de los urgenciólogos. Su elevada sensibilidad para la detección de fracturas y su elevado VPN para los nódulos pulmonares, neumotórax y fracturas hacen que se consolide como un sistema de seguridad de alto impacto.