Inteligencia artificial

Hablar de "inteligencia artificial en neurocirugía" en general no lleva a ninguna parte, porque el término cubre cosas que están en estados de madurez incompatibles entre sí. Conviene recorrer la cadena real —desde que el paciente entra a la guardia hasta que se decide la conducta postoperatoria— y preguntar en cada eslabón qué hace, qué demostró y dónde falla.

Un artículo hermano de esta publicación se ocupa de la pregunta general: cómo se valida un algoritmo médico y quién lo supervisa. Este se ocupa de la otra: qué hay hoy, en esta cadena, funcionando.

Primer eslabón: la cola de lectura

El caso mejor documentado no es de neurocirugía sino de la puerta de entrada: la tomografía de cráneo urgente. Un sistema entrenado con 37.084 estudios y probado sobre 9.499 no vistos alcanzó un área bajo la curva de 0,846, con sensibilidad del 73 por ciento y especificidad del 80⁴. Son cifras mediocres para un problema diagnóstico.

Y sin embargo, cuando se lo desplegó de manera prospectiva durante tres meses, la mediana de tiempo hasta el diagnóstico de hemorragia intracraneal cayó de 512 minutos a 19. Una reducción del 96 por ciento.

Ese resultado explica el patrón que va a repetirse en todo lo que sigue. El sistema no diagnosticó mejor que el radiólogo: reordenó la cola. Movió los estudios sospechosos al principio de la lista. El beneficio no vino de la exactitud sino de la logística, y es un beneficio enorme, porque en hemorragia el tiempo es tejido.

Lo que pasa cuando el algoritmo cambia de hospital

Aquí está el problema estructural del campo, y hay tres mediciones limpias.

Una validación externa independiente de un algoritmo comercial de hemorragia sobre 3.605 tomografías consecutivas encontró sensibilidad del 92,3 y especificidad del 97,7 por ciento⁵. Buenas cifras. Lo interesante es el análisis de fallos: confundía meningiomas y necrosis laminar cortical con sangre, y el rendimiento caía en pacientes con neurocirugía previa. Los autores intentaron caracterizar cuantitativamente qué distinguía a los estudios en los que el modelo acertaba de aquellos en los que fallaba, y no lo lograron. Su frase es la más honesta de toda la literatura de despliegue: no pudimos identificar el origen de la discrepancia, lo que suscita preocupación sobre la generalización de herramientas con modos de fallo indeterminados.

La segunda medición es más incómoda todavía. Una evaluación en el mundo real de un modelo comercial autorizado, sobre 101.944 tomografías de 74.142 pacientes en 17 centros, encontró una sensibilidad del 82,2 por ciento⁶. El expediente presentado ante el regulador declaraba 96,15 por ciento, medido sobre 220 casos. Catorce puntos de diferencia entre el dossier y la realidad. Y la caída se concentra donde más importa: 74,8 por ciento en hemorragias pequeñas, 45,5 en subagudas, 72,2 en pacientes ambulatorios.

La tercera es de neurocirugía directa. Un modelo de segmentación de glioma en ecografía intraoperatoria, entrenado con datos de seis instituciones, alcanzó un coeficiente Dice de 0,90 en su conjunto de prueba interno¹⁰. En una base de validación externa cayó a 0,65. Veinticinco puntos.

Segundo eslabón: dibujar el tumor

La segmentación automática es la aplicación más madura, y su historia empieza con una constatación humilde: el patrón de referencia humano no está de acuerdo consigo mismo. El benchmark que ordenó el campo comparó 20 algoritmos sobre 65 estudios anotados manualmente por hasta cuatro observadores, y encontró un desacuerdo entre humanos de entre 74 y 85 por ciento de solapamiento según la subregión del tumor¹. Ningún algoritmo ganó en todas las subregiones a la vez, y la fusión de varios superó consistentemente a cada uno por separado.

El resultado clínicamente más relevante llegó después. Una red entrenada en un centro y probada sobre 2.034 resonancias de 532 pacientes en 34 instituciones de un ensayo europeo alcanzó solapamientos de 0,91 para el tumor con realce y 0,93 para la alteración no realzante². Y midió algo más valioso que la exactitud: la fiabilidad. La evaluación automática coincidió con la lectura centralizada de referencia en el 87 por ciento de los casos; la lectura local hecha por radiólogos coincidió en el 51 por ciento. Un margen de 36 puntos.

Ese es el argumento correcto para la segmentación automática, y no es "mide mejor que el humano". Es que mide igual todas las veces. En una enfermedad donde la decisión de cambiar el tratamiento depende de comparar dos resonancias separadas por meses, la reproducibilidad vale más que la exactitud.

El contrapunto viene del único producto de este bloque con autorización regulatoria evaluado de forma estratificada. Un algoritmo aprobado para detectar y contornear metástasis cerebrales mostró una sensibilidad global del 89,30 por ciento sobre 435 lesiones³. Pero desagregada por tamaño: 99,07 por ciento para lesiones de 10 milímetros o más, y descendiendo desde ahí. La cifra global se sostiene sobre las lesiones grandes, que son justamente las que el ojo humano no pierde. Tres de los autores tienen patente y acciones de la empresa cuyo producto se evalúa, y lo declaran.

Tercer eslabón: el diagnóstico durante la cirugía

Este es el eslabón donde la inteligencia artificial hizo algo que ninguna otra tecnología podía hacer, y donde además dio la mejor lección de método de todo el campo.

Un sistema que combina histología Raman estimulada con una red neuronal fue evaluado prospectivamente en tres instituciones y alcanzó una exactitud del 94,6 por ciento frente al 93,9 del patólogo con técnica convencional, en menos de 150 segundos contra los 20 a 30 minutos habituales⁷. Es una no-inferioridad en exactitud con una ganancia enorme en tiempo: el mismo patrón otra vez.

Y hay un detalle en el flujo de pacientes que vale más que la cifra principal. De 291 pacientes estudiados intraoperatoriamente, 13 fueron excluidos porque el sistema no alcanzó su umbral de confianza. Ese 4,5 por ciento no es una falla: es el sistema reconociendo que el caso está fuera de su distribución y negándose a responder.

La versión más radical de esa idea es un clasificador molecular por secuenciación de nanoporos, evaluado en 25 cirugías con un umbral de confianza deliberadamente alto⁸. En 18 casos dio una clasificación correcta en menos de 90 minutos. En 7 —el 28 por ciento— no alcanzó el umbral y se abstuvo. Las causas están declaradas: clases tumorales ausentes del conjunto de referencia, baja pureza tumoral, casos exóticos. Y los autores escriben la frase que corresponde: en los casos difíciles de diagnosticar, el sistema en general rindió peor. Falla justamente donde más se lo necesita, y lo dice.

Una validación prospectiva multicéntrica posterior, sobre 301 casos, alcanzó una concordancia del 94,6 por ciento con el diagnóstico integrado convencional y devolvió la clasificación dentro de una ventana intraoperatoria de 30 minutos en 18 muestras secuenciadas durante la cirugía, frente a las varias semanas del flujo habitual⁹. Su declaración de conflictos es la más extensa que he leído en esta literatura: seis autores son cofundadores y accionistas de la empresa derivada, la primera autora pasó a ser empleada a tiempo completo durante el estudio, y hay una solicitud de patente conjunta con el fabricante del secuenciador. Está todo declarado, y por eso se puede leer.

Cuarto eslabón: mirar la cirugía

El reconocimiento automático de fases y gestos quirúrgicos a partir del video es la aplicación más comentada y la menos madura. En neurocirugía existe exactamente un trabajo con validación: 21 videos de resección de schwannoma vestibular, con una exactitud del 81 por ciento para identificar las tres fases del procedimiento¹¹. Sus propios autores lo clasifican como etapa 0 de la escala IDEAL, es decir, preclínico.

El estado real del arte hay que buscarlo en cirugía laparoscópica, donde hay volumen. Un benchmark multicéntrico con 33 videos y 12 equipos participantes encontró que el reconocimiento de fases alcanzó puntajes F1 de entre 23,9 y 67,7 por ciento, la detección de instrumentos entre 38,5 y 63,8, y el reconocimiento de acciones —el gesto quirúrgico propiamente dicho, que es lo que interesaría— entre 21,8 y 23,3 por ciento¹². El mejor equipo del mundo, en un escenario multicéntrico, no llega a dos tercios en la tarea fácil y no llega a un cuarto en la difícil.

Los estudios de un solo centro reportan cifras muy superiores. La diferencia entre unos y otros es exactamente la generalización.

Quinto eslabón: predecir el riesgo

Una revisión sistemática de 47 modelos predictivos publicados en neurocirugía, evaluados contra la guía de reporte estándar, encontró un cumplimiento mediano del 82,1 por ciento¹³. El reporte formal, entonces, es aceptable. Pero solo el 15 por ciento de esos modelos fue validado externamente en una cohorte independiente.

Dicho de otro modo: el 85 por ciento de los modelos predictivos de la especialidad nunca fue probado fuera del hospital donde nació.

Hay una excepción que enseña más que la regla. Un modelo de deterioro funcional tras cirugía de tumor intracraneal se desarrolló en 2.437 pacientes y se validó externamente en otros 2.427, en centros de siete países¹⁴. El área bajo la curva fue de 0,72 en el desarrollo y de 0,72 en la validación: rendimiento idéntico fuera de casa. Y 0,72 es una discriminación modesta. El precio de la robustez fue la modestia, y ese intercambio es probablemente la lección más importante del campo.

Existe un modo de fallo más sutil, y hay una medición hermosa de él. Dos modelos pronósticos clásicos de traumatismo craneal se aplicaron a una cohorte contemporánea multicéntrica: la discriminación se conservó intacta —estadísticos c de entre 0,83 y 0,92, excelentes— y la calibración se rompió sistemáticamente en dirección de sobrepredecir la mortalidad¹⁵. Los modelos siguen ordenando bien a los pacientes de menor a mayor riesgo, y a la vez le dan al médico un número absoluto equivocado, porque el tratamiento del traumatismo mejoró desde que se los entrenó. Un modelo puede envejecer sin dejar de parecer bueno.

Quién paga las mediciones

No hay una cuantificación del sesgo de financiación específica de neurocirugía, así que hay que tomarla prestada. Un metaanálisis de 17 estudios sobre siete productos comerciales de detección de fracturas encontró que los estudios financiados por el fabricante reportaron una sensibilidad cinco puntos porcentuales más alta y una especificidad cuatro puntos más baja que los no financiados¹⁶. Es traumatología, no neurocirugía; el patrón es estructuralmente el mismo y conviene señalar la extrapolación.

En los trabajos citados aquí, los vínculos están declarados y son verificables: patentes, acciones, empleo directo, reactivos donados. Eso no invalida ningún resultado. Lo que permite es leerlos sabiendo quién los firma, que es la única defensa disponible.

Lo que hay que llevarse

Recorrida eslabón por eslabón, la cadena tiene una forma reconocible. Donde la inteligencia artificial mide bien, mide tiempo: 512 minutos a 19 en el triaje, 30 minutos a 150 segundos en la histología intraoperatoria, semanas a horas en el perfil molecular, diez minutos por resonancia en la evaluación de respuesta. Esas ganancias son reales, reproducibles y clínicamente importantes.

Donde casi nunca gana es en exactitud frente al especialista, y donde sistemáticamente pierde es al cambiar de hospital, de escáner o de población. La reproducibilidad —hacer lo mismo todas las veces— es su virtud subestimada; la generalización es su falla estructural.

Y hay un criterio práctico que se desprende de todo lo anterior. Los dos sistemas más confiables de este recorrido son los dos que se abstienen: el que descartó el 4,5 por ciento de los casos y el que no respondió en el 28 por ciento. Un algoritmo que siempre contesta no es más capaz: es que no sabe cuándo no sabe.