Cribado de cáncer de pulmón en la era de la inteligencia artificial:  papel clave de la LDCT basal¹

El cribado del cáncer de pulmón (CP) mediante tomografía computarizada de dosis baja (LDCT) pectoral ha demostrado ser crucial en la detección temprana. Las herramientas de inteligencia artificial (IA) pueden revolucionar este proceso, brindando diagnósticos más precisos y mejores estrategias personalizadas. En un reciente artículo se ha analizado la importancia de la LDCT basal y el papel clave de la IA.

¿Qué es la LDCT basal y por qué es crucial?

La LDCT basal es el primer examen del cribado del CP y se considera el pilar fundamental de la estrategia. Se recopilan datos importantes que incluyen la detección de lesiones basales y, en muchos casos, otras comorbilidades relacionadas con el tabaquismo, como la EPOC, la EPI y la enfermedad cardiovascular. Estas comorbilidades causan a largo plazo un mayor numero de fallecimientos en estos pacientes que el propio CP. Entre los hallazgos de importancia de la LDCT basal se encuentran:

• Cánceres prevalentes y pseudo-incidentes. Se ha observado que entre el 77% y el 80% de los "pseudo-incidentes" (lesiones detectadas en análisis posteriores) ya estaban presentes en la exploración basal, subrayando el valor predictivo de la LDCT basal.
• Marcadores de comorbilidad. Se pueden evaluar capacidades clave, como la calcificación arterial coronaria (CAC), que está relacionada con enfermedades cardiovasculares, o el enfisema, un índice clave para la EPOC.
   

Estos datos permiten una detección más temprana y precisa del CP abriendo puertas hacia una personalización de los programas de cribado, algo muy valioso para pacientes que, por distintas razones, podrían abandonar los programas de cribado antes de tiempo.

¿Cómo redefine la IA el cribado del CP?

a) monitorización de nódulos pulmonares: uno de los roles más significativos de la IA en este contexto es el análisis automatizado de los nódulos pulmonares. Los sistemas de diagnóstico asistido por ordenador (CAD) permiten detectar incluso los hallazgos más sutiles en las imágenes, minimizando errores derivados de la carga de trabajo de los radiólogos y mejorando la precisión. La IA va más allá de los sistemas CAD tradicionales al prever el crecimiento de los nódulos y la probabilidad de malignidad con herramientas de Deep Learning (redes neuronales profundas). Algoritmos como Sybil han demostrado ser eficaces para anticipar el desarrollo del cáncer en un rango de hasta seis años.²

b) estratificación de riesgos personalizada: con algoritmos avanzados, la IA puede analizar los datos obtenidos en un LDCT basal para generar perfiles de riesgo escalonados. Modelos como DeepScreener y estrategias de evaluación basadas en múltiples factores (análisis radiológico, datos demográficos y biomarcadores) permiten optimizar quién debe someterse a un cribado adicional y con qué frecuencia.

c) predicción de comorbilidades y mortalidad: los fumadores, el grupo poblacional más susceptible para el cribado de CP, también afrontan riesgos por afecciones relacionadas como las enfermedades cardiovasculares. La IA es capaz de evaluar aspectos como la CAC o el volumen de tejido adiposo epicárdico para estimar el riesgo de mortalidad cardiovascular. La osteoporosis también puede medirse por IA con imágenes de LDCT.

Retos en el cribado con la LDCT basal y beneficios de integrar la IA

El cribado con LDCT, pese a ser una herramienta avanzada, se enfrenta a varios desafíos:

• Variabilidad humana. La interpretación de cada escaneo es altamente dependiente de la labor de los radiólogos, lo que puede derivar en lecturas inconsistentes.
• Problemas logísticos. La adherencia irregular de los pacientes a los programas de cribado anual se traduce en datos incompletos que complican los diagnósticos.
• Alta tasa de falsos positivos y negativos. Puede llevar a procedimientos invasivos innecesarios o diagnósticos tardíos.

La integración de la IA en la LDCT ofrece superar estas limitaciones mediante:
 

• Mayor precisión. El uso de herramientas de deep learning muy automatizadas disminuye las tasas de falsos positivos/negativos significativamente.
• Optimización de recursos. Enfoque el hacia los pacientes de mayor riesgo.
• Atención integral. La identificación de enfermedades concomitantes hace que el cribado no se focalize en el cáncer, sino en la salud general del paciente.
  
  

Barreras pendientes en la integración de IA en la práctica clínica

Una barrera es la generalización, ya que los modelos se entrenan principalmente con conjuntos de datos específicos, lo que dificulta la aplicación universal. Y otra destacada es la explicabilidad, esto es, se necesita que las decisiones tomadas por algoritmos complejos sean interpretables para los profesionales médicos y, en última instancia, los pacientes. Si bien no son obstáculos insalvables, sí requieren esfuerzos colaborativos.

El uso de la LDCT basal complementado con IA está marcando un cambio sin precedentes en el cribado del CP al permitir diagnósticos más certeros y la detección de comorbilidades.

Acceda al artículo completo a traves del siguiente enlace:

De Luca GR, Diciotti S, Mascalchi M. The Pivotal Role of Baseline LDCT for Lung Cancer Screening in the Era of Artificial Intelligence. Arch Bronconeumol. 2024 Nov 22:S0300-2896(24)00439-3. English, Spanish. doi: 10.1016/j.arbres.2024.11.001. Epub ahead of print. PMID: 39643515.

ES-34702 Febrero 2025