Retos de la formación en radiología en la era de la inteligencia artificial

Resumen

La inteligencia artificial (IA) es una rama de las ciencias computacionales que está generando enormes expectativas en la medicina en general y en la radiología en particular. La IA no va a alterar solo la forma en que ejercemos la radiología, sino que también va a impactar en el modo en que la enseñamos y la aprendemos. Aunque se ha llegado a cuestionar la necesidad de seguir formando radiólogos como consecuencia de la llegada de la IA, la literatura científica reciente parece estar de acuerdo en que debemos seguir formándolos, incorporando a su capacitación nuevos conocimientos y competencias en IA. Esta nueva formación debería comenzar en la fase universitaria, consolidarse durante la residencia y mantenerse durante la etapa de formación continuada. Este artículo pretende describir algunos de los desafíos que la IA puede plantear en las diferentes fases formativas del radiólogo, desde la educación universitaria hasta la formación continuada.

Abstract

Artificial intelligence is a branch of computer science that is generating great expectations in medicine and particularly in radiology. Artificial intelligence will change not only the way we practice our profession, but also the way we teach it and learn it. Although the advent of artificial intelligence has led some to question whether it is necessary to continue training radiologists, there seems to be a consensus in the recent scientific literature that we should continue to train radiologists and that we should teach future radiologists about artificial intelligence and how to exploit it. The acquisition of competency in artificial intelligence should start in medical school, be consolidated in residency programs, and be maintained and updated during continuing medical education. This article aims to describe some of the challenges that artificial intelligencve can pose in the different stages of training in radiology, from medical school through continuing medical education.

Introducción

La inteligencia artificial (IA), cuyo término se acuñó hace más de 60 años y que podría definirse (simplificadamente) como la «inteligencia llevada a cabo por máquinas», es una rama de las ciencias computacionales que está generando en los últimos años enormes expectativas en la medicina en general, y en radiología en particular^1–3. El interés generado se refleja en el número rápidamente creciente de publicaciones sobre «IA» y «radiología», así como en el aumento de comunicaciones y de estands sobre IA en múltiples foros y congresos internacionales de radiología⁴. Las sociedades científicas radiológicas se han dado cuenta del impacto que la IA puede llegar a tener en todos los ámbitos (asistencial, técnico, científico, ético, económico) de nuestra profesión, y varios medios de comunicación han vaticinado una desaparición progresiva de los radiólogos como consecuencia de la llegada de la IA^5–7, e incluso hay quien se ha preguntado si tiene sentido seguir formando radiólogos^8,9. Afortunadamente, en la literatura científica parece existir un consenso generalizado y creciente de que debemos seguir formando radiólogos incorporando nuevos conocimientos y competencias en IA, y que esta formación debería comenzar en la fase universitaria, consolidarse durante la residencia y mantenerse durante la etapa de formación continuada^10–13. Sin embargo, existen pocos trabajos que hayan analizado los retos de la formación radiológica en la era de la IA. Este trabajo pretende describir algunos de los desafíos que la IA puede plantear en las diferentes fases formativas del radiólogo, desde la educación universitaria hasta la formación continuada.

¿Qué piensan los radiólogos sobre la inteligencia artificial?

Uno de los elementos más importantes que hay que tener en cuenta al tratar de describir los retos de la formación en radiología en la era de la IA es la percepción de los radiólogos, residentes y estudiantes de medicina acerca de esta tecnología y su impacto sobre la radiología. En los últimos años se han publicado varios cuestionarios que tratan este tema desde diferentes perspectivas^14–21.

En general, una amplia mayoría de los encuestados considera que la IA tendrá un gran impacto sobre la práctica de la radiología^16,17; este impacto será positivo para la mayor parte de los consultados, destacando por un lado la posible reducción de errores y del tiempo dedicado a cada estudio y por otro un aumento del tiempo dedicado a cada paciente^15,16. Sin embargo, y aunque es minoritaria la opinión de que la IA reemplazará a los radiólogos¹⁹, al menos una parte significativa de estos colectivos piensa que la IA podría empeorar sus expectativas profesionales¹⁴.

En este sentido, varios estudios indican que el previsible impacto de la IA actúa como un elemento desincentivador en los estudiantes de medicina a la hora de elegir radiología como especialidad^18,20, causando ansiedad incluso entre aquellos estudiantes que piensan decantarse por radiología. Existe alguna evidencia de que esta preocupación es mayor entre los estudiantes que entre los radiólogos que ya ejercen²⁰.

Actualmente, la formación en IA es escasa o inexistente tanto en formación de pregrado como de posgrado. Todos los estudios coinciden en que estudiantes y profesionales afirman tener un escaso conocimiento sobre IA, desean recibir formación específica y consideran que debería ser incluida en sus programas de estudios^14–21. Además, los estudiantes con conocimientos de IA parecen ser más proclives a considerar radiología como especialidad (a elegir) que los que no los tienen²¹, y una mayor exposición tanto a la IA como a la especialidad de la radiología puede reducir esta ansiedad¹⁹. Estos resultados indican que la formación en IA, además de ser demandada y percibida como necesaria, podría constituir un factor protector ante el potencial efecto desincentivador de la IA sobre los futuros radiólogos.

Retos de la formación en la era de la inteligencia artificial

Los desafíos de la formación radiológica en la era de la IA han sido poco explorados en la literatura científica^6,7,12,13 y generalmente no se abordan de una forma global. A continuación, describimos algunos de los retos que pueden aparecer en las diferentes etapas formativas del radiólogo (formación pregrado, formación especializada y formación continuada). Reconocemos que algunos de los retos pueden aplicarse a las tres etapas, pero consideramos interesante destacar los principales desafíos en función del momento formativo de los radiólogos.

Retos de la formación pregrado

La IA como herramienta docente. La enseñanza de una radiología clínica y centrada en el paciente conlleva que algunos retos de la IA en la formación radiológica en pregrado sean comunes a los de la docencia de medicina general y otras especialidades. Un sistema experto puede proporcionar un feedback formativo inmediato al estudiante; esto hace que el papel de la IA sea especialmente interesante en la evaluación formativa de los estudiantes de medicina²². Pero la formación radiológica integral del estudiante de medicina no puede reducirse a la enseñanza de habilidades interpretativas (destrezas técnicas, adquisición de conocimientos teóricos y prácticos, etc.) ni a la aplicación de algoritmos de IA^11,12,22. La IA carece de curiosidad, empatía, imaginación, sentido común o ética; es incapaz de improvisar y además no entiende los matices, el lenguaje corporal o el valor de una mirada o de coger la mano de un paciente. Es necesario que los estudiantes comprendan que la medicina es un arte, no una ciencia exacta ejercida únicamente a golpe de algoritmos fríos e inextricables.

Falta de evidencia científica de que la formación basada en IA es mejor que la tradicional. Necesitamos demostrar que la formación radiológica de los estudiantes basada en IA es mejor que la enseñanza tradicional o que la enseñanza actual centrada en el aprendizaje basado en problemas, en la que el estudiante tiene un papel más activo y al que se evalúa de forma continua y por competencias^11,12. Para ello, se debe analizar el nuevo papel de los profesores universitarios frente a la IA, desarrollar medidas válidas y fiables que analicen el desempeño de los estudiantes, e incluir las consideraciones éticas del uso de esta nueva tecnología en la formación²³.

Diversificar las herramientas de IA. Hasta ahora se han usado herramientas de IA en el ámbito universitario principalmente para predecir el rendimiento de los estudiantes, pronosticar su riesgo de abandono de los estudios o como apoyo al aprendizaje de conocimientos teóricos¹¹. Sería deseable desarrollar más herramientas de IA que puedan usarse en la adquisición de habilidades clínicas. Es crucial preparar a los estudiantes actuales para el papel de la IA en la práctica médica antes de su formación como residentes²².

Mantener e incrementar el interés por la radiología de los estudiantes de medicina. Según varios trabajos recientes, la radiología es una especialidad cuyo interés y competitividad entre los estudiantes de medicina ha disminuido en EE. UU. en los últimos años. Parece que el declive de este interés se debe, al menos en parte, a la irrupción de la IA^18,20. Se desconoce la percepción de los estudiantes de medicina en España respecto a estas cuestiones.

Desafíos tecnológicos. ¿Están nuestras universidades preparadas para enseñar IA? Los retos principales consisten en disponer de una mayor digitalización de contenidos clínicos (especialmente imágenes radiológicas), de sistemas expertos para su uso en las universidades, de una mejor formación de los profesores en IA, y en tratar de que esa capacitación llegue de forma equitativa a todas las universidades¹¹. La digitalización de contenidos y la disposición de sistemas IA para la docencia tienen costes económicos que pueden suponer un obstáculo importante para su implementación¹².

Desafíos curriculares y administrativos. Un desafío adicional en nuestro país es que la enseñanza de la radiología en las universidades es heterogénea, y en algunas sigue considerándose una materia «menor»²⁴. Además, existen restricciones de tiempo para encajar la IA en el currículo de medicina, el cual a veces recoge poco espacio para los contenidos básicos de radiología¹². Actualmente, existen 44 facultades de medicina en España, y tal vez debamos plantearnos quién, cuándo y cómo se debe enseñar la IA. ¿Han de enseñarla radiólogos, científicos de datos (ingenieros, informáticos) o una combinación de estos? Varios trabajos sugieren que la IA podría introducirse en las facultades de medicina como una materia transversal, que incluyera otras herramientas informáticas, estadística, programación, gestión de la tecnología, etc., pero siempre balanceada con una visión humana y transversal del paciente, en la que la IA complementa y no sustituye al médico en el ejercicio de la medicina^6,11,12. En España, solo cinco facultades (en nuestro conocimiento) incluyen una asignatura sobre informática médica. Una posición alternativa sería vincular la enseñanza básica de IA a la formación en radiología, como un desarrollo tecnológico más¹².

Retos de la formación especializada

¿Fin de las «tareas del residente»? Muchas de las herramientas de IA realizan tareas que típicamente hacen los residentes (como protocolizar, supervisar o «preinformar» los estudios radiológicos, segmentar y medir lesiones, etc.), de forma que las labores más tediosas y repetitivas las ejecuta rápidamente como si fuera un «residente virtual»^6,13. ¿Es sensato que un residente confíe estas tareas a un software sin antes comprenderlas y realizarlas de manera autónoma? ¿Tiene sentido que un residente de radiología de primer año aprenda a utilizar una herramienta de IA de detección de nódulos pulmonares (por poner un ejemplo) antes de enfrentarse al reto de leer varios estudios de tomografía computarizada (TC) de tórax y buscar (entre otras muchas cosas) esos nódulos? Tal vez sea deseable que únicamente cuando un residente tenga interiorizado el proceso de lectura de TC de tórax y se haya enfrentado a un número suficiente de estudios de TC pueda entonces tener acceso a herramientas de IA y aprender cómo funcionan sus algoritmos, en qué escenarios se pueden emplear y cuándo no funcionan de una forma esperada. Creemos que los residentes deben seguir leyendo e informando los estudios; solo así los futuros radiólogos podrán saber cómo, cuándo (en qué fase del proceso) y por qué pueden fallar las herramientas de IA.

Compartimentalización artificial. Consiste en la pérdida de una visión global y transversal del paciente como consecuencia de la aplicación de diferentes herramientas de IA que resuelven (generalmente) problemas y cuestiones muy concretas, a menudo de forma dicotómica¹². Las herramientas de IA utilizan algoritmos estrechos que intentan resolver cuestiones específicas, mientras que los radiólogos tenemos una inteligencia transversal y analizamos e integramos muchas variables simultáneamente^3,25. No debemos transmitir a los residentes la idea de que se puede «despedazar» la interpretación de una resonancia magnética cerebral o una TC de abdomen aplicando secuencialmente diferentes algoritmos y esperando el resultado de todos ellos para emitir una impresión diagnóstica final.

Retraso en la adaptación del programa de residentes. Si gracias a la IA el radiólogo se libera de las tareas más tediosas, va a disponer de más tiempo para participar en comités multidisciplinares, interactuar con pacientes y otros especialistas, dedicarse a la investigación y a la gestión y análisis de datos, etc^6,9,13,18,22. ¿Estamos enseñando a los residentes estas «nuevas funciones» del radiólogo? ¿Estamos adaptando el programa de residencia a esta nueva realidad aumentada del trabajo del radiólogo del futuro?

Sesgo de automatización (sobredependencia tecnológica). Si introducimos las herramientas de IA de una forma excesivamente precoz e indiscriminada en la residencia, sin una supervisión humana y sin analizar sus ventajas o limitaciones, los residentes de radiología con menos experiencia pueden llegar a pensar que la IA es «mejor» que el esfuerzo repetitivo y el trabajo intelectual humano, incurriendo en un sesgo de automatización²⁶. De este modo, corremos el riesgo de convertir a los residentes en meros observadores pasivos de algoritmos «opacos» que emiten diagnósticos y de perder la pericia mental que el conocimiento y la experiencia repetitiva nos ha proporcionado a los radiólogos en las últimas décadas. Una automatización excesiva y sin control disminuye nuestra capacidad de aprendizaje, de interpretación y de análisis crítico.

Retos de la formación continuada

Ausencia de un currículo estructurado. Dificulta la utilización de la IA en la formación continuada de los radiólogos ya especializados (no está tan definido qué es lo que tienen que aprender). Los conocimientos, el interés por aprender y el grado de compromiso son muy variables entre los radiólogos especializados¹³.

Implicaciones legales de la IA. Vivimos en una cultura que cada vez denuncia y reclama más por negligencias médicas. No hay jurisprudencia en el caso de la IA y su utilización en medicina, por lo que la voluntad de adopción de herramientas inteligentes por parte de los radiólogos especialistas puede verse condicionada²⁷. ¿De quién es responsabilidad si algo va mal como consecuencia de una decisión clínica autónoma tomada por una herramienta de IA? ¿del radiólogo, de sus creadores/desarrolladores, del hospital que decidió adquirir dicha herramienta? ¿Tendremos los radiólogos alguna responsabilidad legal si no podemos entender completamente los complejos algoritmos (la «caja negra») que esconden una red neuronal convolucional?^6,9,25,27.

Efecto disuasorio de la legislación. La legislación disuade a los radiólogos de aprovechar el potencial de la IA, ya que suele privilegiar el estándar de cuidados médicos (ECM), y en la actualidad, la IA no se considera un ECM. En general, un radiólogo solo se enfrenta a una posible responsabilidad legal si habiendo concurrido un daño o perjuicio a un paciente su actuación no se ajusta al ECM. Por tanto, la forma más segura de usar la IA desde una perspectiva de responsabilidad legal será no utilizarla; esto puedo provocar que los radiólogos tiendan a evitar la IA o que la infrautilicen como una mera herramienta confirmatoria que consolide el proceso de decisiones (y no como una herramienta que ayude a mejorar la atención médica de los pacientes)^27,28.

Equidad. La IA puede agrandar las diferencias entre instituciones que dispongan de muchos recursos de IA (grandes centros académicos que colaboran con universidades y empresas tecnológicas) y hospitales con menos dotación tecnológica²⁹. Esto crearía grandes asimetrías entre radiólogos con formación en IA y otros con carencia de dicha formación.

Inferencia de patrones de conducta. Los radiólogos se convertirán en datos y podrán ser categorizados y evaluados por herramientas de IA, las cuales podrán, además de cuantificar el trabajo que realizan, inferir patrones de rendimiento y de comportamiento personal, profesional e institucional³⁰. Todo ello puede generar un «miedo al control» en los radiólogos.

Perspectivas futuras y conclusiones

Los datos actuales indican que la IA presentará a los estudiantes y residentes contenidos docentes en función de sus necesidades (educación de precisión personalizada), logrando una mayor estandarización y armonización en la adquisición de habilidades interpretativas^5,11–13. A los radiólogos más veteranos, la IA también les permitirá mejorar su desarrollo profesional, actualizando y refrescando conocimientos (también en función de sus requerimientos) para mantener una competencia profesional a lo largo de sus trayectorias laborales¹³. Asimismo, la IA reforzará las relaciones entre docente (profesor, tutor) y aprendiz (estudiante, residente), ya que al delegar tareas más rutinarias (adquisición de conocimientos teóricos, evaluaciones de exámenes y rotaciones, etc.) en la propia IA permitirá que se centren en tareas de mayor valor añadido (hábitos de estudio, entrevistas, investigación, publicaciones, habilidades de comunicación, etc.)^7,9,22. Idealmente, habrá más tiempo para la docencia y la investigación, y eso implica que los radiólogos tendremos que investigar en IA y tratar de publicar los resultados de las herramientas de IA en revistas científicas^6,12,23. El radiólogo del futuro, gracias a esa transversalidad multidisciplinar que nos caracteriza y a la liberación de las tareas más tediosas y repetitivas de nuestro trabajo, tendrá un papel central en la gestión integrada de datos (ya no solo radiológicos, sino también demográficos, clínicos, de laboratorio, etc.), por lo que podría plantearse la necesidad de creación de una asignatura en la universidad (o incluso de un área de capacitación específica) de ciencia de datos e imágenes médicas, informática clínica o de IA^3,25. En este sentido, la IA contribuirá a que los radiólogos no interpretemos imágenes de forma descontextualizada sin atisbar su impacto clínico, y permitirá que integremos esa información con otros muchos datos, logrando así un mayor protagonismo y una mayor visibilidad ante los pacientes.

Nos guste o no, la IA ha llegado para quedarse. No solo va a alterar la forma en que trabajamos, sino que también va a impactar el modo en que enseñamos y aprendemos. Los radiólogos hemos sido tradicionalmente unos adoptadores precoces de tecnología sanitaria y actualmente somos los especialistas con mejor formación digital y, probablemente, los más preparados para el desarrollo e implementación de las aplicaciones de IA en la medicina. Si los radiólogos abrazamos la IA (como hemos abrazado en el pasado otros avances tecnológicos) y balanceamos su potencial con una visión humana y transversal del paciente, podremos mejorar el desempeño de nuestro trabajo y centrarnos en tareas que aportan valor añadido e impactan positivamente en la atención a los pacientes y en la formación de estudiantes y residentes.

Autoría

• 1.

  Responsable de la integridad del estudio: LGS

• 2.

  Concepción del estudio: LGS, JMMO, FSP, RdLG.

• 3.

  Diseño del estudio: LGS.

• 4.

  Obtención de los datos: N/A.

• 5.

  Análisis e interpretación de los datos:

• 6.

  Tratamiento estadístico: N/A.

• 7.

  Búsqueda bibliográfica: N/A.

• 8.

  Redacción del trabajo: LGS, JMMO, FSP, RdLG.

• 9.

  Revisión crítica del manuscrito con aportaciones intelectualmente relevantes: LGS, JMMO, FSP.

• 10.

  Aprobación de la versión final: LGS, JMMO, FSP, RdLG.

Financiación

Este trabajo no ha recibido ningún tipo de financiación.

Conflicto de intereses

Los autores declaran no tener ningún conflicto de intereses.