Objetivo: Las escalas de clasificación de la imagen por ultrasonidos (US) persiguen estandarizar el diagnóstico y manejo del nódulo tiroideo. Sin embargo, las distintas características ecográficas que las componen siguen siendo operador dependiente.
El objetivo del presente trabajo analiza el impacto de un programa informático basado en inteligencia artificial (IA) –KoiosDS- en el aprendizaje del endocrinólogo al evaluar las características de la US
Métodos: Estudio prospectivo de la US de los 100 primeros nódulos analizados con IA. Se evaluó el aprendizaje de las distintas características ecográficas que definen el ACR-TIRADS expresado como el grado de acuerdo (Índice Kappa) obtenido por dos endocrinólogos sin y con experiencia previa en US (E1 y E2). Se analizaron los índices kappa obtenidos para cada categoría ACR-TIRADS de las primeras 20 US analizadas mediante IA con respecto de las últimas 20 evaluadas.
Resultado: Se evaluaron un total de 100 pacientes (84% mujeres) con edad media 55,8±18,5años. Se clasificaron como ACR-TIRADS 3,4 y 5 el 43%, 28% y 16% de los nódulos analizados, respectivamente. El diámetro máximo nodular fue de 2,9±1,1cm, siendo el 7,8 % clasificados como malignos.
Al evaluar el aprendizaje de E1 se obtuvo un incremento del grado acuerdo frente a la IA en la valoración de la ecogenicidad del 47,3% (kappa 0,474±0,244vs0,698±0,111;p<0,001) y composición nodular del 32,7% (kappa 0,333±0,269vs0,442±0,133;p<0,001), respectivamente. Sin embargo, el índice de concordancia se mantuvo estable en la valoración de los focos ecogénicos y márgenes nodulares. Así mismo, E2 mostró un aumento del índice kappa en ecogenicidad del 19,1% (kappa 0,444±0,233vs0,529±0,142; p<0,001), composición nodular del 89,9% (kappa 0,227±0,191vs0,431±0,153;p<0,001) y focos ecogénicos del 179% (kappa 0,130±0,111vs0,362±0,290;p<0,001) frente a la IA; manteniendose el resto de características ecográficas estables.
Al comparar los resultados de E1 frente a E2, se observó una reducción de la variabilidad interobservador para la ecogenicidad nodular del 19,1% (kappa 0,444±0,233vs0,529±0,142;p<0,001), sin cambios significativos en el resto de características de la US.
Conclusiones: La utilización de la IA se relacionó con una mejora en la capacidad de interpretación de la semiología de la US por parte del endocrinólogo independientemente de su experiencia previa. La ecogenicidad y la composición nodular fue la característica de la US que mostró un incremento más significativo mediante el uso de la IA, sin observarse cambios en el resto de características ecográficas. Los sistemas de IA pueden ser una herramienta útil para disminuir la variabilidad interobservador, especialmente en aquellas características más observador dependientes, y aumentar la reproducibilidad de las escalas de estratificación del riesgo de la US.