Artículo original: Salimi M, Vadipour P, Bahadori AR, Houshi S, Mirshamsi A, Fatemian H. Predicting hemorrhagic transformation in acute ischemic stroke: a systematic review, meta-analysis, and methodological quality assessment of CT/MRI-based deep learning and radiomics models. Emerg Radiol. 2025
DOI: 10.1007/s10140-025-02336-3
Sociedad: American Society of Emergency Radiology (@ERadSociety)
Palabras clave: Ictus isquémico agudo, transformación hemorrágica, deep learning, radiómica, predicción, metaanálisis.
Abreviaturas y acrónimos: AIS (acute ischemic stroke, ictus isquémico agudo); AUC (area under the curve); METRICS (Methodological Radiomics Score); DL (deep learning, aprendizaje profundo); HT (transformación hemorrágica); ML (machine learning, aprendizaje automático); QUADAS-2 (Quality Assessment of Diagnostic Accuracy Studies 2); RM (resonancia magnética); TC (tomografía computarizada).
Línea editorial: Emergency Radiology es la revista oficial de la American Society of Emergency Radiology (ASER), que se centra en la radiología de urgencias y emergencias. Publica artículos de investigación y educativos centrados en el diagnóstico por imagen de patologías propias de la urgencia, todo ello apoyado por la evidencia científica y referencias actualizadas.
Motivos para la selección: Lo he seleccionado por lo reciente del metaanálisis (2025), alto nivel de evidencia y el enfoque que hace de una complicación crítica del ictus isquémico como es la transformación hemorrágica. El artículo revisa modelos de IA aplicados sobre todo a técnicas de TC y RM, lo cual es un tema de una relevancia altamente importante en el momento actual.
Resumen:
Este artículo hace una revisión sistemática y metaanálisis sobre el uso de modelos de inteligencia artificial (IA), concretamente de radiómica y deep learning (DL), para predecir que pacientes con ictus isquémico agudo van a desarrollar una transformación hemorrágica (HT). Esto tiene un gran potencial para la práctica clínica porque la HT puede condicionar completamente el devenir del paciente.
Los autores analizaron 16 estudios con más de 3000 pacientes en total y compararon el rendimiento de modelos basados en imagen (TC o RM), modelos combinados con datos clínicos, y también compararon DL frente a radiómica.
En general, los resultados fueron bastante buenos:
- Los modelos de imagen tenían una AUC de 0,87 tanto en entrenamiento como validación, con sensibilidades y especificidades alrededor del 80-85%.
- Los modelos que combinaban imagen + clínica funcionaban aún mejor: AUC de 0,93, sensibilidad 84% y especificidad 89%.
- Deep learning tuvo mejor rendimiento que la radiómica pura.
Esto quiere decir que la IA puede identificar bastante bien a los pacientes con mayor riesgo de HT. Y que si a los datos de imagen les añades los clínicos (NIHSS, antecedentes, etc.), el modelo mejora aún más.
La radiómica consiste en extraer muchas variables cuantitativas de las imágenes (como textura, intensidad, forma…) que no vemos a simple vista. El DL, en cambio, aprende directamente de la imagen sin necesidad de predefinir esas variables, usando redes neuronales profundas.
En cuanto a la metodología de los estudios, los autores fueron bastante críticos. Usaron dos herramientas de evaluación (METRICS y QUADAS-2) y encontraron que la calidad era «correcta pero mejorable» y coincidían en la falta de estandarización en cómo se definía la HT. También criticaban la escasez de estudios multicéntricos, y sobre todo la falta de validación externa (la mayoría probaban sus modelos en la misma población con la que los habían entrenado).
También hubo heterogeneidad entre estudios (diferentes algoritmos, modalidades de imagen, segmentaciones manuales vs automáticas…), aunque en general no se detectó sesgo de publicación.
En resumen, es una revisión muy completa que deja claro que los modelos basados en imagen sumados a IA tienen mucho potencial para predecir HT, pero aún no están listos para aplicarse directamente en la clínica. Hay que mejorar su validación, estandarización y transparencia.
Para residentes, este artículo es muy formativo porque repasa conceptos de imagen, clínica del ictus y también introduce las bases de la IA aplicada a la radiología. Además, da las claves para leer críticamente estudios que usan estas nuevas herramientas.
Valoración personal:
Este artículo me ha parecido muy interesante, sobre todo porque aborda un tema que probablemente veamos más y más en los próximos años que es cómo la inteligencia artificial puede ayudarnos en la toma de decisiones clínicas complejas. Lo que me gusta es que no se queda en la parte técnica de los algoritmos, sino que realmente intenta responder una pregunta clínica importante: ¿podemos saber antes de tiempo qué pacientes van a sangrar después de un ictus?
Desde el punto de vista del residente, el artículo es útil por varios motivos. Primero, porque te obliga a repasar conceptos básicos del ictus y de sus complicaciones, especialmente la transformación hemorrágica, que, aunque no es frecuente, sí es muy grave cuando ocurre. Segundo, porque explica bien (y sin demasiada jerga técnica) qué es la radiómica y qué aporta el deep learning, lo cual viene bien para los que aún no tenemos mucha experiencia en IA.
Me parece especialmente relevante que insistan en que los modelos que combinan datos clínicos e imagen funcionan mucho mejor. Esto tiene mucho sentido ya que cuanta más información útil tenga el modelo (como edad, NIHSS, tiempo de evolución…), mejor podrá hacer predicciones. A veces da la sensación de que la IA solo quiere reemplazarnos interpretando imágenes, pero este artículo demuestra que puede ser una herramienta más integrada en nuestro trabajo diario.
En cuanto a los puntos flojos, creo que los autores son bastante sinceros al reconocerlos: muchos modelos están hechos en un solo centro, no se validan fuera y la calidad metodológica es irregular. Esto es clave ya que, si queremos que en algún momento estas herramientas lleguen a nuestra práctica diaria, tienen que haber demostrado que funcionan en pacientes distintos a los del estudio original. También es llamativo que no haya una definición unificada de transformación hemorrágica, lo cual puede afectar bastante a la fiabilidad de las conclusiones.
En definitiva, me parece un artículo muy útil para residentes que quieran ponerse al día con este tipo de temas. Aporta una visión realista del estado actual de la IA en neurorradiología, y al mismo tiempo señala qué se necesita para que esta tecnología se pueda aplicar de forma segura en la clínica. Lo recomendaría tanto para aprender sobre transformación hemorrágica como para empezar a entender cómo leer estudios que aplican inteligencia artificial en imagen médica.
Juan Ignacio García García
Hospital Universitario de Bellvitge (Barcelona)
cbseram.com 
Deja un comentario