IA para el seguimiento longitudinal de la escoliosis en radiografías de columna completa en población pediátrica y adulto joven

Artículo original:   Enters J, Zoubi A, Dascalescu C, Endres F, Zaccaria R, Herr F, Hesse N, Hoppe BF, Hohmann N, Udoh L, Hamberger M, Gildein H, Schäfer V, Bernd W, Dussa C, Ziegler C, Reidler P. AI-Based Longitudinal Scoliosis Monitoring on EOS Whole-Spine Radiographs in a Pediatric to Young Adult Cohort. Academic Radiology. 2026. 10.1016/j.acra.2026.06.019

DOI: 10.1016/j.acra.2026.06.019

Sociedad:  Academic Radiology (@academicradiology)

Palabras clave: ángulo de Cobb; escoliosis; inteligencia artificial; pediatría; radiografía EOS; radiología musculoesquelética; reproducibilidad; seguimiento longitudinal.

Abreviaturas y acrónimos utilizados: Área bajo la curva (AUC), sistema de radiografía biplanar de baja dosis (EOS), coeficiente de correlación intraclase (ICC), intervalo de confianza (IC), inteligencia artificial (IA), características operativas del receptor (ROC), valor predictivo negativo (VPN), valor predictivo positivo (VPP).

Línea editorial del número

Academic Radiology es una revista especialmente orientada a la investigación aplicada en Radiología, con un interés creciente en inteligencia artificial, educación, evaluación de nuevas tecnologías y análisis de la práctica clínica. A diferencia de revistas más centradas en hallazgos radiológicos clásicos, Academic Radiology suele publicar trabajos que exploran cómo se incorporan nuevas herramientas al flujo asistencial, cómo se mide su rendimiento y qué limitaciones metodológicas condicionan su aplicabilidad.

En los últimos años, la revista ha incrementado notablemente la presencia de artículos sobre IA en imagen médica. Muchos de los trabajos publicados no se limitan a describir un algoritmo, sino que intentan responder preguntas más prácticas: si el algoritmo reproduce al radiólogo, si reduce la variabilidad y si puede integrarse en escenarios reales de seguimiento o cribado. El artículo seleccionado encaja bien en esta línea editorial porque estudia una aplicación concreta de IA en Radiología musculoesquelética: la medición automática del ángulo de Cobb en radiografías EOS de columna completa. 

Destacaría otros dos trabajos de este número, entre ellos el artículo Necesidad urgente de preparación en inteligencia artificial: resultados de un estudio transversal multicéntrico en estudiantes de Medicina y residentes de Radiología del centro y oeste de China, que pone de manifiesto la necesidad de reforzar la formación en IA para facilitar su integración en la práctica clínica. También resulta especialmente interesante el artículo Guiado automático en tiempo real durante la ecografía de hombro mediante inteligencia artificial: reducción de la dependencia del operador en la valoración del manguito rotador, que demuestra cómo la IA puede emplearse para mejorar la reproducibilidad de exploraciones dependientes del operador y facilitar la estandarización de la técnica ecográfica.

En conjunto, ambos trabajos, al igual que el artículo seleccionado, reflejan una tendencia cada vez más evidente, donde la inteligencia artificial ya no persigue únicamente mejorar el rendimiento diagnóstico, sino integrarse de forma segura y eficiente en el flujo asistencial, reducir la variabilidad entre observadores y convertirse en una herramienta de apoyo útil para el radiólogo en la práctica clínica diaria.

Motivos para la selección

He seleccionado este artículo porque aborda un problema frecuente y muy práctico: la variabilidad en la medición manual del ángulo de Cobb durante el seguimiento de pacientes con escoliosis. Aunque la medición del Cobb parece sencilla, en la práctica depende de la elección de las vértebras límite, de la calidad de la imagen, de la rotación vertebral y de la experiencia del lector. Los propios autores recuerdan que la variabilidad interobservadora puede alcanzar 5–8°, una cifra muy relevante si se tiene en cuenta que la progresión clínica suele definirse alrededor de los 5°.  

Además, el trabajo resulta interesante desde el punto de vista metodológico porque no se limita a comparar una medición aislada de IA frente a lectores humanos. Evalúa también el comportamiento longitudinal del algoritmo, su capacidad para detectar progresión, el rendimiento en pacientes con corsé, en estudios de pie y sentado, y utiliza herramientas estadísticas adecuadas para datos repetidos por paciente.

Resumen

La medición del ángulo de Cobb constituye el estándar para cuantificar la gravedad y la progresión de la escoliosis, aunque presenta una variabilidad inter e intraobservador conocida que puede influir en la valoración evolutiva de los pacientes. En este contexto, los autores evalúan el rendimiento de un algoritmo comercial de inteligencia artificial (IB Lab SQUIRREL) para la medición automática del ángulo de Cobb en radiografías EOS de columna completa y su utilidad durante el seguimiento de pacientes pediátricos y adultos jóvenes con escoliosis.

Para ello realizaron un estudio retrospectivo unicéntrico que incluyó 29 pacientes con un total de 144 radiografías EOS seriadas. Las mediciones obtenidas por el algoritmo se compararon con la media de las realizadas de forma independiente por dos radiólogos especializados en  musculoesquelético, utilizada como estándar de referencia. A diferencia de otros trabajos centrados únicamente en la concordancia entre mediciones aisladas, este estudio analiza además la capacidad del algoritmo para detectar progresión de la deformidad, definida como un incremento del ángulo de Cobb ≥5°, situación con repercusión clínica directa sobre el manejo del paciente.

La concordancia entre ambos métodos se evaluó mediante el coeficiente de correlación intraclase (ICC) y análisis de Bland-Altman, demostrando una excelente concordancia entre la inteligencia artificial y las mediciones manuales, con diferencias medias inferiores a un grado. Los autores concluyen que este algoritmo puede automatizar la medición del ángulo de Cobb y constituir una herramienta de apoyo para mejorar la reproducibilidad durante el seguimiento de pacientes con escoliosis, aunque serán necesarios estudios prospectivos multicéntricos para confirmar su utilidad en distintos entornos asistenciales y su impacto sobre la práctica clínica.

Puntos fuertes y débiles del artículo

Puntos fuertes

• Pregunta clínica claramente definida y con relevancia asistencial, centrada en un problema frecuente como es la variabilidad de la medición del ángulo de Cobb durante el seguimiento de la escoliosis.
• Evaluación longitudinal del algoritmo, aspecto poco frecuente en estudios de inteligencia artificial, permitiendo valorar no sólo la concordancia puntual sino también la capacidad para detectar progresión de la deformidad.
• Análisis estadístico completo y apropiado, utilizando ICC, gráficos de Bland-Altman, modelos mixtos y cluster bootstrap para corregir la dependencia entre observaciones repetidas.
• Comparación frente a radiólogos expertos, reproduciendo un escenario clínico real y empleando como referencia la media de dos observadores independientes.

Puntos débiles

• Tamaño muestral reducido, con únicamente 29 pacientes incluidos, lo que limita la validez externa pese al elevado número de exploraciones analizadas.
• Diseño retrospectivo y unicéntrico, susceptible de sesgos de selección y difícilmente extrapolable a otros entornos asistenciales.
• Ausencia de un verdadero estándar de referencia, ya que la comparación se realiza frente a la media de dos lectores expertos, aceptable metodológicamente pero no exenta de variabilidad.
• Evaluación limitada a un único software comercial, por lo que los resultados no pueden extrapolarse automáticamente a otros algoritmos de inteligencia artificial disponibles.

Valoración personal global

La inteligencia artificial aplicada a la Radiología es un tema ampliamente tratado en la literatura reciente; sin embargo, este trabajo resulta especialmente interesante porque se centra en un problema muy concreto de la práctica clínica: la variabilidad en la medición del ángulo de Cobb durante el seguimiento de pacientes con escoliosis. Más que desarrollar un nuevo algoritmo, los autores evalúan su utilidad en un escenario asistencial real, donde pequeñas diferencias en la medición pueden condicionar decisiones terapéuticas.

Desde el punto de vista metodológico, considero que el estudio está correctamente planteado y utiliza un análisis estadístico adecuado para un diseño longitudinal, aunque el reducido número de pacientes limita la generalización de los resultados. En conjunto, se trata de un trabajo bien diseñado que muestra el potencial de la inteligencia artificial como herramienta de apoyo para mejorar la reproducibilidad, sin plantearse como un sustituto del radiólogo.

Cataloga­ción

Sociedad a la que pertenece la publicación: Academic Radiology

Sección (órgano-sistema): Musculoesquelético – Columna

Técnica radiológica:  Radiografía EOS

Tipo de artículo: Estudio retrospectivo de validación diagnóstica

Año de residencia recomendado: R3, R4.

Miriam Aybar Cifuentes

maybarci@gmail.com

Hospital Regional Universitario de Málaga, R4.