Modelo de IA detecta señales ocultas de enfermedad en TC rutinarias

Las tomografías computarizadas (TC) suelen realizarse para responder a una pregunta diagnóstica específica, lo que puede dejar otros hallazgos potencialmente importantes fuera del foco clínico inmediato. Como resultado, pueden perderse oportunidades para reconocer enfermedades crónicas o riesgos futuros para la salud. Nuevos hallazgos muestran ahora que un modelo de inteligencia artificial puede extraer información de salud más amplia de las imágenes de TC de rutina.

El modelo, desarrollado en Penn Medicine, se llama Percival y fue diseñado para analizar tomografías computarizadas en busca de patrones relacionados con enfermedades y resultados clínicos más allá del motivo original por el que se realizaron las imágenes. A diferencia de los modelos que deben orientarse hacia una afección o un desenlace específicos, Percival puede funcionar en segundo plano para detectar hallazgos potencialmente relevantes que de otro modo podrían pasar inadvertidos.

Percival fue entrenado utilizando datos del Penn Medicine BioBank, que contiene información de más de 350.000 personas recopilada a lo largo de dos décadas en todo el Sistema de Salud de la Universidad de Pensilvania. Los investigadores usaron aproximadamente 400.000 tomografías computarizadas de unos 50.000 pacientes para perfeccionar el modelo, que sigue en fase de pruebas preclínicas.

En los análisis de rendimiento, el equipo de Penn Medicine descubrió que las tomografías computarizadas de rutina contenían información clínicamente útil que no era inmediatamente evidente. Percival identificó signos de enfermedades crónicas, entre ellas fibrilación auricular y enfermedad renal crónica. En comparación con el modelo de IA TotalSegmentator, también detectó de forma más fiable afecciones como cáncer de páncreas, cirrosis y neumonía bacteriana.

El estudio se publicó en NPJ Digital Medicine el 29 de septiembre de 2026. El equipo planea probar Percival a principios del próximo año con el objetivo de avanzar hacia su uso clínico habitual. Los desarrolladores también están examinando si conjuntos de datos más amplios y modelos que abarquen múltiples instituciones podrían mejorar la solidez y el rendimiento predictivo de Percival.

“Nuestros equipos han desarrollado algo que aprende de forma amplia a partir de los datos de imagen y descubre conexiones entre las exploraciones, los valores de laboratorio, la fisiología de las personas y los resultados clínicos para potencialmente ofrecer evaluaciones más precisas de la salud, o incluso dar la voz de alarma de forma temprana. Este trabajo apunta hacia un futuro en el que la imagen médica se convierta en una base para una atención sanitaria más personalizada y proactiva”, dijo Walter Witschey, PhD, autor principal, profesor asociado de Radiología y vicepresidente asociado de TI de Investigación.

“Esperamos impulsar el ‘cribado oportunista’, en el que los resultados se encuentran más allá del propósito original de una exploración, como detectar los primeros indicios de cáncer en una tomografía que quizá se estaba evaluando para neumonía. Creemos que la totalidad de lo que hay en una tomografía computarizada puede hacerse mucho más útil con la ayuda de un modelo como este”, añadió Witschey.

Enlaces relacionados
Penn Medicine