Escuchando las Señales Silenciosas: la IA podría revolucionar los enfoques actuales para diagnosticar la osteoporosis

La osteoporosis puede pasar inadvertida hasta que ocurre una fractura. La inteligencia artificial se investiga como apoyo para identificar personas que podrían necesitar una evaluación ósea, pero no sustituye por sí sola el diagnóstico clínico.

Ya existen herramientas de evaluación, entre ellas la absorciometría de rayos X de energía dual (DXA). Es el estándar de oro actual para medir la densidad mineral ósea (DMO). Sin embargo, tiene limitaciones.

La DXA requiere equipamiento y personal capacitado, y su disponibilidad varía. Las dificultades de acceso pueden contribuir a que algunas personas no reciban evaluación a tiempo.

Un estudio de 2024 investigó si modelos de aprendizaje profundo podían clasificar la osteoporosis a partir de variables demográficas y clínicas. Sus resultados corresponden a una población y un diseño de investigación concretos.

Este enfoque podría ayudar a priorizar evaluaciones si se valida en la práctica. El estudio no demostró una reducción de fracturas ni mejores resultados clínicos.

Además, una investigación pionera de la Universidad Tulane explora el potencial de la inteligencia artificial para estimar la probabilidad de osteoporosis. El modelo de red neuronal profunda se evaluó como herramienta de investigación.

Se utilizaron datos de 8.134 participantes de 40 años o más del Louisiana Osteoporosis Study. La densidad mineral ósea de la cadera sirvió para establecer la clasificación que se intentaba predecir; las variables clínicas y demográficas alimentaron el modelo. Se comparó con cuatro algoritmos de aprendizaje automático y con la herramienta de autoevaluación OST.

En el conjunto de evaluación, el DNN obtuvo un área bajo la curva de 0,848, sensibilidad de 0,740 y especificidad de 0,793. Superó a los comparadores del estudio, pero estos valores implican errores y no prueban que funcione igual en otras poblaciones.

El modelo podría ayudar a seleccionar personas para una evaluación posterior. La siguiente lista recoge las diez variables más importantes para su predicción, no diez causas demostradas ni una recomendación de consumir cerveza o alcohol:

• Peso
• Edad
• Sexo registrado en el estudio
• Fuerza de agarre
• Estatura
• Consumo de cerveza
• Presión arterial diastólica
• Consumo de alcohol
• Duración del tabaquismo
• Nivel de ingresos

Las recomendaciones clínicas no dependen únicamente de edad y sexo: también pueden considerar antecedentes de fractura y otros factores. La contribución de una herramienta de IA debe compararse con las prácticas y herramientas de riesgo ya existentes.

Las variables asociadas en un modelo pueden aportar información predictiva, pero su importancia no demuestra causalidad. Es necesario evaluar si el modelo aporta una mejora real y equitativa al proceso de selección de pacientes.

Una predicción de alto riesgo requiere valoración clínica. Según el contexto, el profesional puede indicar DXA, revisar antecedentes y decidir si procede tratamiento. El modelo no autoriza a iniciar automáticamente medicamentos ni a descartar evaluaciones por una puntuación baja.

La priorización mediante IA podría estudiarse para distribuir recursos de evaluación. Debe comprobarse que no deje sin atención a personas que sí necesitan pruebas o tratamiento.

Sin embargo, el camino hacia una implementación generalizada de la IA en la detección de osteoporosis está plagado de desafíos. El estudio de Tulane requiere validación en poblaciones diversas y entornos clínicos del mundo real. Además, deben abordarse obstáculos éticos y legales, incluida la equidad del modelo, la privacidad del paciente y la responsabilidad. Veamos algunos de estos desafíos:

Sesgo de datos

Los modelos de IA solo pueden ser tan imparciales como sus datos de entrenamiento. Si los datos no representan a la población general, las predicciones del modelo no serán universalmente aplicables. Necesitamos salvaguardas sólidas para evitar que la IA agrave las disparidades en salud.

Privacidad del paciente

Entrenar modelos de IA requiere acceso a grandes repositorios de datos de salud, pero estos datos deben estar protegidos. Los pacientes deben confiar en que su información de salud sensible será privada y segura.

Responsabilidad

Si un modelo de IA no logra identificar a una persona de alto riesgo que luego sufra una fractura, ¿quién es responsable? ¿Los desarrolladores de IA? ¿Los proveedores de salud que confiaron en sus predicciones? Por lo tanto, a medida que la IA se vuelve cada vez más prevalente en la medicina, los marcos legales y regulatorios deben evolucionar para proporcionar directrices claras.

La investigación es prometedora, pero su utilidad clínica debe demostrarse mediante validación externa y estudios de implementación. Un mejor resultado estadístico no garantiza por sí mismo beneficios para millones de pacientes.

Estadísticamente, cada tres segundos, ocurre una fractura osteoporótica a nivel mundial. Estas fracturas, especialmente de la cadera, pueden desencadenar una cascada de consecuencias, que incluyen:

• Dolor crónico
• Discapacidad
• Pérdida de independencia
• Mayor mortalidad

En el plano económico, el impacto también es significativo, ya que las fracturas relacionadas con la osteoporosis cuestan miles de millones anualmente en gastos de salud y pérdida de productividad.

La detección y el tratamiento oportunos pueden reducir el riesgo de fractura, junto con medidas como prevención de caídas y atención de factores de riesgo. Los bisfosfonatos benefician a determinados pacientes, pero no son adecuados para todos ni eliminan todo el riesgo. La decisión terapéutica requiere evaluación individual.

Más allá del diagnóstico

Personalización

Otras investigaciones estudian si la IA puede apoyar la selección de tratamientos o el seguimiento. El estudio de Tulane no demostró predicción de respuesta a medicamentos ni vigilancia automática de la adherencia.

La integración de datos de relojes y otros dispositivos es una posibilidad futura. Un reloj no mide por ello la densidad mineral ósea ni sustituye una evaluación clínica. Para cualquier uso se necesitan validación, protección de datos y una finalidad médica bien definida.

Detección temprana y accesible de la osteoporosis

Una herramienta validada podría integrarse en historias clínicas para señalar quién necesita evaluación adicional. El coste de la DXA y su disponibilidad varían según el sistema sanitario. No está demostrado que el algoritmo estudiado sea una alternativa diagnóstica de menor coste para toda la población.

Mejor accesibilidad y utilización

En zonas con acceso limitado, una estimación basada en datos existentes podría apoyar la derivación. Las personas seleccionadas pueden seguir necesitando desplazarse para DXA u otras pruebas. La eficiencia y seguridad del proceso deben evaluarse, no darse por garantizadas.

La IA podría complementar, si se valida, la evaluación individual y las recomendaciones de cribado. No se ha demostrado que este modelo mejore la evolución de los pacientes o permita intervenciones personalizadas por sí solo.

Las siguientes empresas ofrecen tecnología relacionada con la evaluación ósea. Su inclusión no demuestra una colaboración con Tulane ni ingresos futuros derivados del modelo.

#1. Hologic, Inc. (HOLX)

Hologic es un proveedor líder de sistemas DXA utilizados para evaluar la densidad ósea. La integración de nuevas herramientas de IA requeriría validación específica; no puede suponerse que mejore automáticamente la precisión de todos los sistemas.

Una mejora clínicamente demostrada podría tener valor comercial, pero el estudio no probó un aumento de ventas, de cuota de mercado o del rendimiento de los productos de Hologic.

Hologic informó de aproximadamente 4.030 millones de dólares de ingresos en el ejercicio fiscal 2023. Se trata de ingresos del conjunto de la empresa, no de beneficios ni de ventas atribuibles a esta investigación.

#2. GE Healthcare

GE HealthCare ofrece equipos de diagnóstico por imagen, incluyendo escáneres DXA. Es una empresa independiente de GE desde 2023.

Las herramientas de IA podrían complementar determinadas aplicaciones de imagen si se valida su rendimiento. Eso no demuestra que el algoritmo de Tulane esté integrado en los equipos de GE HealthCare ni garantiza mayores ventas o contratos.

GE HealthCare registró 19.552 millones de dólares de ingresos en 2023, aproximadamente 19,6 mil millones. Son ingresos de toda la empresa y no beneficios o facturación generada por IA para osteoporosis.

Conclusiones

La validación en otras poblaciones, la evaluación de resultados clínicos y la protección de datos son requisitos pendientes para decidir si estas herramientas deben incorporarse a la atención. También deben examinarse los errores, los sesgos y la responsabilidad por su uso.

La IA podría contribuir a detectar necesidades de evaluación antes de una fractura. Esa posibilidad debe distinguirse de una promesa de curar, prevenir todos los casos o eliminar la osteoporosis.

Haga clic aquí para aprender todo sobre la inversión en inteligencia artificial.