Diagnóstico radiográfico de displasia del desarrollo de la cadera infantil asistido por inteligencia artificial: estudio retrospectivo

Resumen

Introducción: La displasia del desarrollo de la cadera (DDC) es la alteración musculoesquelética pediátrica más frecuente y su diagnóstico radiográfico puede verse afectado por variaciones técnicas e interpretativas. La inteligencia artificial (IA), particularmente mediante plataformas AutoML, ofrece herramientas para estandarizar la evaluación de imágenes y asistir en la clasificación diagnóstica. Objetivos: Desarrollar y evaluar un modelo de IA para diferenciar radiografías panorámicas de pelvis de niños normales o con DDC utilizando la plataforma Landing Lens. Materiales y Métodos: Se realizó un estudio retrospectivo de 328 radiografías de pelvis de pacientes de entre 1 mes y 14 años. Cuatro ortopedistas infantiles con distintos niveles de experiencia realizaron el etiquetado independiente de las imágenes. El diagnóstico final se definió mediante mayoría simple y consenso en casos discordantes. Las radiografías se dividieron en conjuntos de entrenamiento (70%), validación (20%) y prueba (10%). El rendimiento del modelo se evaluó mediante exactitud, sensibilidad, especificidad, F1 score y coeficientes de concordancia. Resultados: El modelo clasificó correctamente 320 imágenes (exactitud 97,6%, sensibilidad 92,8%, especificidad 98%, F1 score 86,6%). La concordancia interobservador fue casi perfecta (kappa de Fleiss 0,86), y el acuerdo entre el modelo y los especialistas aumentó con la experiencia clínica (kappa de Cohen 0,85 con el observador senior). Conclusiones: Estos resultados respaldan el uso de la IA como herramienta complementaria para estandarizar el diagnóstico radiográfico de la DDC y reducir la variabilidad interobservador. Se requieren validaciones externas y estudios multicéntricos antes de su implementación clínica rutinaria.