La enfermedad del hígado graso no alcohólico (EHGNA) representa uno de los principales retos emergentes para la salud pública global. Se estima que afecta aproximadamente al 25 % de la población mundial, y su progresión sin diagnóstico oportuno puede derivar en cirrosis, hepatocarcinoma y complicaciones metabólicas graves. A pesar de esta alta prevalencia, su detección oportuna continúa siendo limitada debido a la dependencia de tecnologías de imagen avanzadas y costosas como la ecografía, la tomografía computarizada (TC) y la resonancia magnética (RM).
En este contexto, investigadores de la Universidad Metropolitana de Osaka, liderados por los profesores asociados Sawako Uchida-Kobayashi y Daiju Ueda, han desarrollado un modelo de inteligencia artificial (IA) capaz de identificar signos de hígado graso mediante radiografías de tórax, una técnica ampliamente disponible en los sistemas de salud.
Una herramienta común, un nuevo uso potencial
Las radiografías de tórax son una de las pruebas por imagen más utilizadas a nivel mundial, principalmente para evaluar el estado pulmonar y cardiovascular. Sin embargo, estas imágenes también capturan parcialmente el hígado, lo que abre la posibilidad de explorar señales indicativas de esteatosis hepática, una oportunidad que hasta ahora ha sido poco aprovechada en la práctica clínica.
El estudio, publicado en Radiology: Cardiothoracic Imaging, se basa en un análisis retrospectivo de 6.599 radiografías de tórax correspondientes a 4.414 pacientes. Los investigadores entrenaron un algoritmo de IA para detectar patrones visuales asociados con el hígado graso, utilizando como referencia los parámetros de atenuación controlada (CAP), una medida cuantitativa de grasa hepática obtenida mediante elastografía.
El rendimiento del modelo fue validado con resultados prometedores: el área bajo la curva ROC (AUC) alcanzó entre 0,82 y 0,83, lo que indica una alta precisión diagnóstica en comparación con métodos estándar.
Reducción de brechas diagnósticas en contextos con recursos limitados
Desde una perspectiva de salud pública, la implementación de esta tecnología podría tener un impacto significativo. El alto costo y la baja disponibilidad de los métodos convencionales de diagnóstico han dificultado una estrategia efectiva de tamizaje para la EHGNA, especialmente en regiones de ingresos bajos y medios. La posibilidad de reutilizar radiografías de tórax, una prueba rutinaria, para detectar oportunamente signos de hígado graso representa un avance estratégico en la gestión clínica y preventiva de esta enfermedad.
“El desarrollo de métodos de diagnóstico mediante radiografías de tórax fáciles de obtener y económicas tiene el potencial de mejorar la detección del hígado graso. Esperamos que pueda aplicarse en la práctica en el futuro”, afirmó el profesor Uchida-Kobayashi.
En entornos hospitalarios y ambulatorios donde se realizan miles de radiografías de tórax diariamente, un sistema automatizado de IA podría revisar estas imágenes y alertar al equipo médico sobre la presencia de signos sugestivos de esteatosis hepática, permitiendo canalizar al paciente hacia una evaluación más específica o intervención temprana.
Aplicaciones futuras e integración con los sistemas de salud
El hallazgo no solo es relevante desde el punto de vista tecnológico, sino que también plantea desafíos y oportunidades en términos de integración con los sistemas de información clínica. La interoperabilidad entre plataformas de imagenología, historia clínica electrónica y sistemas de alerta clínica será fundamental para que este tipo de herramientas se traduzcan en mejoras efectivas en la práctica asistencial.
Además, la inclusión de la IA como apoyo diagnóstico debe ser acompañada de regulaciones éticas y marcos de validación clínica. Si bien los resultados preliminares son alentadores, se requerirán estudios prospectivos y multicéntricos que confirmen su utilidad en diferentes poblaciones y escenarios clínicos.
