La inteligencia artificial facilita el diagnóstico de tuberculosis en niños

La tuberculosis pediátrica es difícil de diagnosticar, ya que los síntomas suelen ser inespecíficos y las imágenes radiológicas menos evidentes que en los adultos. Para afrontar este problema, un equipo de investigación de la Universidad Politécnica de Madrid (UPM) y del CIBER-BBN1, en colaboración con diversas instituciones y organismos internacionales, ha desarrollado un sistema basado en inteligencia artificial (IA) capaz de detectar signos radiológicos compatibles con tuberculosis pulmonar en radiografías de tórax de niños y niñas.

El nuevo sistema combina radiografías de tórax frontales con radiografías laterales cuando están disponibles. Además, se ha optimizado para funcionar con gran eficiencia y ha sido entrenado con datos procedentes de diferentes hospitales y entornos epidemiológicos. Se trata de un estudio pionero al analizar de forma sistemática el valor de las radiografías laterales en este contexto y comparar modelos entrenados por grupos de edad frente a otros generales que incluyen todas las edades.

“Hemos diseñado esta herramienta de tal forma que sea extremadamente eficiente sin perder precisión ni rendimiento, con el objetivo de que pueda integrarse incluso en dispositivos móviles y así acercar el diagnóstico de la tuberculosis a zonas rurales con alta incidencia de la enfermedad, donde los recursos y el acceso a radiólogos especializados son muy limitados”, ha explicado Daniel Capellán Martín, primer autor e investigador de la UPM, en una nota publicada por el CIBER-BBN.

“El preentrenamiento en datos adultos permite aprovechar conjuntos mucho más amplios y diversos, lo que facilita que el modelo aprenda características robustas que después pueden adaptarse al contexto pediátrico”, añade Juan José Gómez Valverde, segundo autor del estudio, investigador CIBER-BBN y profesor de la UPM.

Mejorar el cribado y la detección precoz de la tuberculosis infantil

Los resultados se han publicado en la revista Nature Communications2, y entre ellos destacan tres importantes conclusiones. En primer lugar, el valor del preentrenamiento, ya que los modelos de IA entrenados inicialmente con radiografías de adultos mejoran su rendimiento al afinarse con datos de niños. También destaca la importancia de las radiografías laterales: esta vista complementa la frontal y resulta especialmente útil en lactantes y niños pequeños, donde una sola proyección puede ser insuficiente.

Por último, son especialmente relevantes los modelos específicos por edad porque los algoritmos adaptados a cada grupo etario superan a los modelos generales, ya que la tuberculosis se manifiesta de manera distinta según el desarrollo infantil. Elisa López Varela, investigadora en ISGlobal durante el estudio, subraya: “Las vistas laterales complementan a la frontal y son especialmente valiosas en lactantes y niños pequeños, ya que ayudan a identificar hallazgos que podrían pasar desapercibidos cuando solo se cuenta con una proyección”.

“El uso de vistas laterales y la adaptación por grupos de edad podrían aumentar la sensibilidad diagnóstica en poblaciones pediátricas, especialmente en lactantes y niños pequeños, donde el diagnóstico resulta más complejo”

“Esta solución no pretende sustituir al radiólogo ni al médico, sino servir como herramienta de apoyo: puede ayudar a priorizar estudios, orientar decisiones de cribado y facilitar la detección temprana en entornos con escasos recursos”, afirma Begoña Santiago García, coordinadora de pTBred, pediatra en el Hospital General Universitario Gregorio Marañón de Madrid e investigadora CIBERINFEC. Y añade que “el uso de vistas laterales y la adaptación por grupos de edad podrían aumentar la sensibilidad diagnóstica en poblaciones pediátricas, especialmente en lactantes y niños pequeños, donde el diagnóstico resulta más complejo”.

El sistema incorpora técnicas de IA explicable que generan mapas visuales señalando las zonas de la radiografía que han influido en la decisión del modelo. Estos mapas ayudan a los profesionales a revisar los resultados y a confiar más en el apoyo de la tecnología. Los investigadores señalan la necesidad de realizar nuevas validaciones clínicas y pruebas en entornos reales para analizar el impacto en el flujo de trabajo, la precisión y la aceptación entre los profesionales. También estudian su integración con sistemas de telemedicina y programas de cribado en áreas donde la tuberculosis es endémica.

María Jesús Ledesma Carbayo, supervisora técnica del trabajo, catedrática de la UPM e investigadora en CIBER-BBN, concluye: “Nuestro objetivo es que esta tecnología se adapte a las necesidades locales y se implemente de forma responsable, complementando la labor clínica y contribuyendo a mejorar el acceso al diagnóstico en poblaciones vulnerables”.

Fuente: Centro de Investigación Biomédica en Red (CIBER)