Un estudio prospectivo que evaluó la eficacia de un sistema de apoyo clínico basado en inteligencia artificial (IA) demostró aún más la confiabilidad de la IA o el aprendizaje automático como herramienta de diagnóstico en el cáncer de piel.

Evaluación de un soporte de decisión basado en inteligencia artificial para la detección de melanoma cutáneo en atención primaria: un ensayo clínico prospectivo en la vida real

Antecedentes

El uso de inteligencia artificial (IA), o aprendizaje automático, para evaluar imágenes dermatoscópicas de lesiones cutáneas para detectar melanoma ha mostrado, en varios estudios retrospectivos, altos niveles de precisión diagnóstica a la par (o incluso superando) a los dermatólogos experimentados. Sin embargo, el entusiasmo en torno a estos algoritmos aún no ha sido igualado por ensayos clínicos prospectivos realizados en entornos clínicos auténticos. En varios países europeos, incluida Suecia, la evaluación clínica inicial de la sospecha de cáncer de piel la realizan principalmente médicos de atención primaria en el ámbito de la atención primaria, con o sin acceso a soporte teledermoscópico de clínicas de dermatología.

Objetivos

Determinar el rendimiento diagnóstico de una herramienta de apoyo a la toma de decisiones clínicas basada en IA para la detección de melanoma cutáneo, operada por una aplicación (app) de teléfono inteligente, cuando la utilizan prospectivamente médicos de atención primaria para evaluar lesiones cutáneas preocupantes debido a cierto grado de sospecha de melanoma.

Métodos

Este ensayo clínico prospectivo multicéntrico se llevó a cabo en 36 centros de atención primaria en Suecia. Los médicos utilizaron la aplicación para teléfonos inteligentes en lesiones cutáneas preocupantes, fotografiándolas dermatoscópicamente, lo que resultó en un texto dicotómico de apoyo a la decisión sobre la evidencia de melanoma. Independientemente del resultado de la aplicación, todas las lesiones se sometieron a procedimientos de diagnóstico estándar (escisión quirúrgica o derivación a un dermatólogo). Una vez completadas las investigaciones, se recopilaron diagnósticos de lesiones de los registros médicos de los pacientes y se compararon con los resultados de la aplicación y otros datos de las lesiones.

Resultados

En total, se incluyeron 253 lesiones preocupantes en 228 pacientes, de las cuales 21 resultaron ser melanomas, 11 melanomas finos invasivos y 10 melanomas in situ. La precisión de la aplicación en la identificación de melanomas se reflejó en un área bajo la curva de características operativas del receptor (AUROC) de 0,960 [intervalo de confianza (IC) del 95 %: 0,928–0,980], lo que corresponde a una sensibilidad y especificidad máximas del 95,2 % y 84,5 %, respectivamente. Solo para los melanomas invasivos, el AUROC fue de 0,988 (IC 95 %: 0,965–0,997), lo que corresponde a una sensibilidad y especificidad máximas de 100 % y 92,6 %, respectivamente.

Conclusiones

La herramienta de apoyo a la decisión clínica evaluada en esta investigación mostró una alta precisión diagnóstica cuando se usó de forma prospectiva en pacientes de atención primaria, lo que podría agregar un valor clínico significativo para los médicos de atención primaria que evalúan las lesiones cutáneas en busca de melanoma.

Comentarios

Una herramienta de apoyo a la toma de decisiones clínicas basada en inteligencia artificial (IA) mostró una gran precisión en el diagnóstico prospectivo del melanoma cutáneo, según un estudio publicado recientemente en el British Journal of Dermatology.

Las innovaciones en inteligencia artificial y aprendizaje automático han alterado el panorama del diagnóstico del cáncer de piel. Estos modelos, mencionan los presentes autores, han demostrado una precisión impresionante a la hora de detectar y diferenciar lesiones cutáneas cancerosas. Particularmente en los casos de melanoma cutáneo, la identificación temprana es tremendamente importante para los resultados pronósticos y la supervivencia de los pacientes.

Múltiples estudios han demostrado el poder diagnóstico de los modelos de IA para diagnosticar el cáncer de piel; sin embargo, no se han realizado suficientes estudios prospectivos sobre su precisión, especialmente en atención primaria, que es donde se realizan las evaluaciones iniciales de muchos pacientes. Los médicos de atención primaria (PCP), añaden los presentes autores, normalmente diagnostican los melanomas con menos precisión en comparación con los dermatólogos. Por lo tanto, promover el estudio y la integración de la IA en la atención primaria podría proporcionar grandes beneficios a los médicos y a los pacientes en general. Con este potencial en mente, los investigadores realizaron un estudio para evaluar el rendimiento de diagnóstico de una aplicación (app) para teléfonos inteligentes basada en inteligencia artificial que los médicos de atención primaria utilizaban para evaluar prospectivamente lesiones cutáneas sospechosas.

La herramienta de decisión basada en IA, Dermalyser, desarrollada en Suecia, fue utilizada por 138 PCP y implementada en 36 centros de atención primaria (PCC) en las regiones del sur de Suecia. Los participantes del estudio fueron reclutados de mayo a diciembre de 2022 y eran elegibles si se presentaban en un PCC con una o múltiples lesiones cutáneas sospechosas de ser melanoma. Las lesiones que se pensaba que eran carcinomas de células basales o de células escamosas no se incluyeron en el análisis.

En total, se incluyeron 253 lesiones en 228 pacientes. La edad media de los participantes fue de 54 años. Entre las lesiones presentadas, hubo 194 lesiones manejadas con derivación de un dermatólogo, 54 con escisión primaria realizada en el PCC y 5 con escisión remitida a una clínica quirúrgica. En total, se detectaron 21 melanomas (10 melanomas in situ y 11 melanomas invasivos) en 20 pacientes, más comúnmente en la parte posterior del torso.

La precisión de la aplicación para diferenciar lesiones de melanoma y no melanoma se midió con la curva de características operativas del receptor (ROC). El área bajo la República de China (AUROC) reveló que la capacidad de la aplicación para distinguir lesiones fue de 0,960 (IC del 95 %, 0,929-0,980), con una sensibilidad estimada del 95,2 % y una especificidad del 84,5 %. Además, la aplicación tuvo un valor predictivo positivo del 35,9% y un valor predictivo negativo (VPN) del 99,5%. En la detección de melanomas invasivos, el AUROC de la aplicación fue de 0,988 (IC 95%, 0,965-0,997) con una sensibilidad del 100% y una especificidad del 92,6%. Los autores mencionaron que hubo 2 melanomas in situ que la aplicación no detectó; sin embargo, estas lesiones también tuvieron baja sospecha por parte de los médicos de atención primaria (PCP).

Sus resultados sugieren que la gran mayoría de los casos de lesiones benignas, así como más de la mitad del total de lesiones, no habrían justificado evaluaciones o derivaciones adicionales a dermatólogos o escisiones si los PCP hubieran podido implementar la guía de la aplicación en su práctica.

“La aplicación se aplicó estrictamente sobre lesiones con algún grado de sospecha de melanoma. Creemos que esto realza la importancia del resultado de este estudio, ya que este escenario corresponde al entorno de la vida real en atención primaria. Aunque se sabe por estudios previos que algunos melanomas inicialmente pasan desapercibidos en la evaluación clínica estándar (tanto en atención primaria como por parte de los dermatólogos), la solución no es aplicar este tipo de aplicación sin pensar en todas las lesiones cutáneas del paciente, ya que esto podría dar lugar a una cantidad inmanejable de resultados falsos positivos. Sin embargo, el alto VPN de la aplicación y su facilidad de uso podrían promover su uso en lesiones con un menor grado de sospecha de melanoma que podrían tratarse mejor con la monitorización de las lesiones”, concluyeron los autores.

Referencia: Papachristou P, Söderholm M, Pallon J, et al. Evaluation of an artificial intelligence-based decision support for detection of cutaneous melanoma in primary care - a prospective, real-life, clinical trial. Br J Dermatol. 2024:ljae021. doi:10.1093/bjd/ljae021