Introducción

La dermatoscopía ha demostrado ser una técnica diagnóstica no invasiva útil para el diagnóstico del melanoma cutáneo. Sin embargo, la precisión diagnóstica de la dermatoscopía depende significativamente del grado de experiencia de los observadores. 3 Se han descrito muchos algoritmos tratando de alcanzar un criterio estándar para la evaluación de patrones y estructuras dermatoscópicas. Además, la aplicación de algunos algoritmos podría llevar mucho tiempo, por lo que su eficiencia y fiabilidad en la práctica diaria podría ser inferior a la esperada.

Estudios previos han demostrado que la mayoría de los melanomas difieren de las lesiones melanocíticas benignas en el número de colores, la asimetría en los colores o estructuras y la presencia de algunas estructuras dermatoscópicas específicas del melanoma.

En base a estos hechos, realizamos un estudio para desarrollar un algoritmo dermatoscópico para el diagnóstico de melanoma que cumpliera con las siguientes características: precisión, máxima sensibilidad y especificidad para detectar melanoma cutáneo; independencia de la experiencia del observador en dermatoscopía; y más fácil de realizar en la práctica diaria que los algoritmos dermatoscópicos anteriores.

Objetivo

Proponer un algoritmo dermatoscópico simplificado para el diagnóstico de melanoma.

Material y métodos

Se realizó un análisis retrospectivo multicéntrico de 1.120 imágenes dermatoscópicas de tumores melanocíticos atípicos (320 melanomas y 800 no melanomas).

Se diseñó un algoritmo basado en policromía, asimetría en colores o estructuras y algunas estructuras específicas del melanoma. Se calculó un análisis de regresión logística univariante y multivariante para estimar los coeficientes de cada predictor potencial para el diagnóstico de melanoma.

Se desarrolló una puntuación basada en las evaluaciones dermatoscópicas realizadas por cuatro expertos ciegos al diagnóstico histológico.

Resultados

La mayoría de los melanomas tenían:

• ≥3 colores (280; 84,5 %)
• Asimetría en colores o estructuras (289; 90,3 %)
• Al menos una estructura específica de melanoma (316; 98,7 %).

La puntuación PASS ≥3 tuvo una sensibilidad del 91,9 %, una especificidad del 87 % y una precisión diagnóstica del 88,4 % para el melanoma. El algoritmo PASS mostró un área bajo la curva (AUC) de 0,947 (IC 95% 0,935-0,959).

Imagen dermatoscópica de lesiones pigmentadas sospechosas con tres colores: marrón oscuro, marrón claro y blanco (1 punto); asimetría de colores y estructuras (1 punto); y red pigmentada atípica como estructura específica de melanoma (1 punto). La puntuación PASS fue 3. El diagnóstico histológico fue melanoma de extensión superficial in situ

Limitaciones

Este estudio fue retrospectivo. Una comparación entre los rendimientos de diferentes algoritmos dermatoscópicos es difícil debido a sus diseños.

Conclusiones

El algoritmo PASS mostró una muy buena precisión diagnóstica, independientemente de la experiencia de los observadores, y parece más fácil de realizar que los algoritmos dermatoscópicos anteriores.

Discusión

La dermatoscopía es una técnica de diagnóstico visual no invasiva capaz de mejorar la precisión diagnóstica del melanoma hasta en un 49% en comparación con el examen visual. Existen varios algoritmos para el diagnóstico de melanoma basados ​​en la presencia o ausencia de diferentes colores, patrones y estructuras dermatoscópicas en una lesión. Su objetivo debe ser proporcionar una serie de criterios objetivos y homogéneos a la hora de analizar las lesiones pigmentadas atípicas y, a ser posible, independientes de la experiencia previa del observador.

El análisis de concordancia interobservador reveló que la identificación de colores y asimetrías presentó una mayor tasa de concordancia que la mayoría de las estructuras dermatoscópicas. Estudios previos han determinado que las características relacionadas con la organización general, los colores y las simetrías tienen un mayor poder de concordancia y discriminación que muchas estructuras diagnósticas bien conocidas, como la red de pigmentos atípica o las manchas irregulares. Algunos algoritmos dermatoscópicos, como los algoritmos CASH y TADA, se basan en esta idea. Este hallazgo ha sido confirmado en nuestro análisis de concordancia y apoya este enfoque.

La identificación de estructuras dermatoscópicas específicas de melanoma es una base común en casi todos estos algoritmos pero algunos melanomas pueden no presentar ningún criterio dermatoscópico específico. Esto explica por qué en los últimos años se han descrito tantas estructuras y patrones vasculares sugestivos de melanoma. En nuestro estudio, casi todos los melanomas presentaban al menos una estructura específica de melanoma, y ​​el 82,5% tenía dos o más.

En 2016, un grupo de investigadores de la Sociedad Internacional de Dermatoscopía (IDS) publicó el mayor estudio comparativo entre algoritmos dermatoscópicos hasta la fecha. 7Analizaron secundariamente, a partir del análisis primario de determinadas estructuras dermatoscópicas, los resultados de precisión diagnóstica obtenidos por seis algoritmos analíticos.

El método de Menzies mostró la sensibilidad más alta para la detección de melanoma (95,1 %, IC del 95 % 89,0–98,4 %) y la lista de verificación de 3 puntos fue la más baja (68,9 %, IC del 95 % 53,0–64,6 %). La mayor especificidad la mostró la regla ABCD (59,4%, IC 95% 54,0-64,6%) y la menor el método de Menzies (24,8%, IC 95% 20,1-30,1%). No se observaron diferencias estadísticamente significativas en cuanto al área bajo la curva ROC del algoritmo CASH, lista de verificación de 7 puntos, lista de verificación de 3 puntos, caos y pistas, o la regla ABCD, pero el método de Menzies mostró un AUC ligeramente inferior ( P 0,01). Estos resultados solo pueden darnos una impresión indicativa de la fiabilidad de los criterios de cada algoritmo y deben evaluarse con cautela.

Otros algoritmos dermatoscópicos también han incluido criterios clínicos como la edad o el diámetro del tumor en sus algoritmos diagnósticos para mejorar su precisión. El algoritmo 18 PASS considera solo características dermatoscópicas para simplificar su desempeño en la práctica diaria y disminuir la variabilidad interobservador, alcanzando una muy buena sensibilidad, especificidad y precisión para detectar melanoma cutáneo. Sus variables forman un acrónimo de cuatro letras que es fácil de recordar y no requiere operaciones matemáticas complejas como en el algoritmo dermatoscópico ABCD o el IDScore.

En cuanto al grado de concordancia interobservador, la aplicación de los métodos diagnósticos resultó mejor (moderada o K  ˃ 0,4) que la mayoría de las estructuras dermatoscópicas (aceptable o K  = 0,2-0,4, con excepciones). Estos resultados son similares a los obtenidos en los estudios realizados en observadores inexpertos, por lo que serían independientes de la formación previa en dermatoscopía. En nuestro estudio conseguimos una concordancia interobservador moderada independientemente de la experiencia en dermatoscopía de los investigadores.

Las tendencias de los últimos años parecen ser el desarrollo de algoritmos automatizados mediante el uso de inteligencia artificial y redes neuronales convolucionales que aumentan la precisión del diagnóstico de melanoma e incluso superan al observador humano. Sin embargo, la mayoría de estos estudios presentan metodologías muy heterogéneas, y un estudio prospectivo controlado ha demostrado que el grado de precisión diagnóstica disminuye drásticamente cuando se aplica en condiciones de la vida real.