Uso de la Inteligencia Artificial (IA) para la Detección de Cáncer de Vejiga durante la Cistoscopia y su Impacto Clínico:

Protocolo para una revisión sistemática y metaanálisis sobre la efectividad de la IA en la predicción del cáncer de vejiga a partir de imágenes tomadas durante cistoscopias.¹

Baana M, et al. BMJ Open 2024;14:e089125.

AstraZeneca · 3 min

Contexto del diagnóstico del cáncer de vejiga - IA aplicada a imágenes cistoscópicas

La cistoscopia es el procedimiento estándar para el diagnóstico de cáncer de vejiga en España, fundamental para la estadificación de la enfermedad y la planificación del tratamiento. Sin embargo, la cistoscopia de luz blanca (CLB) convencional puede pasar por alto hasta un 20% de las lesiones y ofrece menor sensibilidad diagnóstica frente a otras modalidades como la cistoscopia de luz azul (CLA). Aunque técnicas avanzadas y tecnología médica para el cáncer de vejiga están disponibles, su uso sigue siendo limitado debido a los altos costes y baja disponibilidad.¹

La inteligencia artificial en cistoscopia representa un avance clave en el diagnóstico urológico avanzado. El uso de IA en detección de cáncer de vejiga permite mejorar la precisión mediante el análisis de imágenes médicas con IA y el desarrollo de herramientas como la cistoscopia asistida por inteligencia artificial. El deep learning, como modalidad de IA aplicada a imágenes cistoscópicas, es capaz de optimizar la localización de tumores, la navegación intraoperatoria y la resección quirúrgica. No obstante, la integración clínica de estas tecnologías en oncología urológica exige superar retos como la reproducibilidad, la comprensión y la calidad diagnóstica IA en cáncer de vejiga.¹

Metodología del estudio: revisión sistemática y meta-análisis

Este protocolo describe una revisión sistemática y un meta-análisis de inteligencia artificial en vejiga, diseñado para evaluar la precisión de la IA en el diagnóstico de cáncer de vejiga a partir del análisis de imágenes cistoscópicas, y valorar su impacto clínico y la mejora diagnóstica con IA en sanidad. El protocolo sigue las directrices PRISMA-P.¹

Búsqueda de evidencia: Se realizará una búsqueda exhaustiva en bases de datos como PubMed, MEDLINE, Embase y Cochrane, abarcando artículos publicados entre mayo de 2015 y abril de 2024, centrados en estudios de inteligencia artificial en medicina, sobre todo en IA aplicada a imágenes cistoscópicas.¹

Criterios de inclusión: Se seleccionarán estudios prospectivos y retrospectivos que utilicen IA (total o semiautomática) para analizar imágenes procedentes de cistoscopias en la detección y predicción del cáncer de vejiga con inteligencia artificial, empleando la histopatología como estándar de referencia.¹

Variables de análisis: Los principales resultados evaluados serán sensibilidad, especificidad, valor predictivo positivo (VPP), valor predictivo negativo (VPN), y área bajo la curva (AUC). Además, se considerarán métricas específicas de IA como el F1-score, y se analizarán las aplicaciones de IA en urología clínica.¹

Análisis de calidad: La calidad y el riesgo de sesgo de los estudios se valorarán mediante la herramienta QUADAS-2, y para estudios de imágenes médicas se empleará la lista de verificación CLAIM, siguiendo los protocolos de meta-análisis en oncología.¹

Objetivos y puntos finales

El objetivo principal es cuantificar de forma estadística la precisión de la IA en la detección del cáncer de vejiga durante la cistoscopia, para estimar el impacto clínico de la inteligencia artificial en vejiga dentro de la práctica urológica. Si existe un número suficiente de trabajos, se realizará un meta-análisis para obtener una medida cuantitativa del rendimiento y resultados clínicos de la IA en cáncer de vejiga.¹

La síntesis de estos datos contribuirá a entender mejor las metodologías actuales y la evaluación de IA en diagnóstico urológico, así como facilitar la optimización de los protocolos y la mejora diagnóstica con IA en sanidad, beneficiando los protocolos de meta-análisis en oncología y los resultados clínicos IA cáncer de vejiga.¹

Limitaciones y consideraciones

Es relevante reconocer ciertas limitaciones potenciales. Dada la reciente aplicación de la inteligencia artificial en cáncer de vejiga, el número de estudios puede ser todavía reducido. Además, pueden observarse variaciones en los resultados debido a diferencias en protocolos de reporte, distintas redes neuronales y discrepancias metodológicas que afectan la precisión de la IA en cáncer de vejiga y la revisión sistemática.¹

Haz clic en el siguiente botón para acceder al artículo completo:

Acceder

AUC: Área Bajo la Curva; CLA: Cistoscopia de Luz Azul; CLB: Cistoscopia de Luz Blanca; CLAIM: Lista de verificación para IA en imágenes médicas; F1-score: Métrica de evaluación que combina precisión y sensibilidad; IA: Inteligencia Artificial; PRISMA-P: Preferred Reporting Items for Systematic Review and Meta-Analysis Protocols; QUADAS-2: Herramienta para evaluar la calidad de estudios de precisión diagnóstica; VPP: Valor Predictivo Positivo; VPN: Valor Predictivo Negativo

Baana M, Arkwazi M, Zhao Y, et al. Using artificial intelligence for bladder cancer detection during cystoscopy and its impact on clinical outcomes: a protocol for a systematic review and meta-analysis. BMJ Open 2024;14:e089125.

ES-38655 Octubre 2025