IA en dermatologia a l’Atenció Primària
IA en dermatologia a l’Atenció Primària (2024): què diu l’evidència?
Revisió sistemàtica de 2024 centrada en atenció primària sobre l’ús d’IA per diagnosticar malalties cutànies. Inclou 15 estudis (2019–2022), avaluant triatge i suport diagnòstic en condicions tumorals, inflamatòries i infeccioses.
Referència: Escalé-Besa A, Vidal-Alaball J, Miró Catalina Q, Garcia Gracia VH, Marín-Gómez FX, Fuster-Casanovas A. The Use of Artificial Intelligence for Skin Disease Diagnosis in Primary Care Settings: A Systematic Review. Healthcare. 2024;12:1192. DOI: 10.3390/healthcare12121192. Enllaç: MDPI.
Per què importa a l’atenció primària (AP)?
Les consultes cutànies són molt prevalents a l’AP i l’heterogeneïtat diagnòstica dels no dermatòlegs és elevada. Aquesta revisió sintetitza l’evidència de models d’IA en entorns d’AP, incloent triatge (lesió benigna/maligna) i suport a la decisió amb llistes de diagnòstics diferencials.
Rendiment diagnòstic
Exactitud 0,41–0,93 segons estudi i tasca.
Impacte en professionals d’AP
Augment d’acord diagnòstic quan es fa servir IA per teledermatologia.
Àmbit patològic
Inclou melanoma, BCC/SCC, èczema, psoriasi, acne, tinyes, etc.
Metodologia en breu
- Disseny: revisió sistemàtica PRISMA (2012–2022; 15 estudis inclosos 2019–2022); avaluació de biaix amb QUADAS-2/QUADAS-AI.
- Algoritmes: CNN/DNN per imatge clínica i dermatoscòpica; poques validacions externes prospectives.
- Gold standard: consens dermatològic i/o histopatologia segons estudi.
Resultats principals
L’assistència per IA millora l’exactitud diagnòstica de metges i infermeres d’AP en teledermatologia (increments ~10–12 punts; potencial reducció de derivacions/biòpsies innecessàries). Els models funcionen bé en triatge i com a ajuda al diagnòstic, especialment presentant el Top-3 diagnòstics.
Limitacions i biaixos
- Diversitat insuficient: poca representació de tipus de pell Fitzpatrick V–VI → risc d’inequitat.
- Generalització limitada: entrenament/test en pocs centres; escassetat de validació externa robusta.
- Risc d’overfitting i heterogeneïtat d’indicadors → difícil meta-anàlisi.
Implicacions per a la pràctica
- Integrar IA com a suport (no substitut) amb fluxos de triatge i guies d’ús.
- Desenvolupar datasets d’AP representatius (incloent pell fosca) i validació externa abans del desplegament.
- Monitoratge de rendiment, seguretat i impacte en derivacions, biòpsies i temps d’accés.
Entrada bilingüe. Any de publicació: 2024. Àmbit: atenció primària. Autor: Vidal-Alaball J (coautor).
Referencia: Escalé-Besa A, Vidal-Alaball J, Miró Catalina Q, Garcia Gracia VH, Marín-Gómez FX, Fuster-Casanovas A. The Use of Artificial Intelligence for Skin Disease Diagnosis in Primary Care Settings: A Systematic Review. Healthcare. 2024;12:1192. DOI: 10.3390/healthcare12121192. Enlace: MDPI.
¿Por qué importa en Atención Primaria (AP)?
Las consultas dermatológicas son muy prevalentes en AP y la exactitud diagnóstica de no dermatólogos es variable. Esta revisión sintetiza la evidencia de modelos de IA en entornos de AP para triaje (benigno/maligno) y apoyo diagnóstico con listados diferenciales.
Rendimiento diagnóstico
Exactitud 0,41–0,93 según estudio y tarea.
Impacto en profesionales de AP
Aumento de la concordancia diagnóstica con IA en teledermatología.
Ámbito patológico
Incluye melanoma, CBC/CEC, eccema, psoriasis, acné, tiñas, etc.
Metodología en breve
- Diseño: revisión sistemática PRISMA (2012–2022; 15 estudios incluidos 2019–2022); sesgo evaluado con QUADAS-2/QUADAS-AI.
- Algoritmos: CNN/DNN con imágenes clínicas y dermatoscopia; escasa validación externa prospectiva.
- Patrón de referencia: consenso dermatológico y/o histopatología según estudio.
Resultados principales
La asistencia por IA mejora la exactitud diagnóstica en profesionales de AP (incrementos ~10–12 puntos; posible reducción de derivaciones/biopsias innecesarias). Los modelos rinden bien en triaje y como apoyo, especialmente mostrando el Top-3 diagnósticos.
Limitaciones y sesgos
- Diversidad insuficiente: baja representación Fitzpatrick V–VI → riesgo de inequidad.
- Generalización limitada: pocos centros y poca validación externa robusta.
- Riesgo de sobreajuste y heterogeneidad de métricas → difícil meta-análisis.
Implicaciones para la práctica
- Integrar la IA como apoyo con flujos de triaje y guías de uso.
- Construir datasets de AP representativos (incluida piel oscura) y validación externa previa al despliegue.
Entrada bilingüe. Año de publicación: 2024. Ámbito: atención primaria. Autor: Vidal-Alaball J (coautor).
Comments