Agreement of an AI tool for joint space width measurement in radiographic knee osteoarthritis: data from the LOSEIT trial

Resumen Técnico: Acuerdo de una herramienta de IA para la medición del ancho del espacio articular en la osteoartritis de rodilla radiográfica

Problema y justificación
La osteoartritis de rodilla (OAR) es una causa principal de discapacidad, y el diagnóstico y la monitorización de su progresión dependen a menudo de características radiográficas. Si bien el grado de Kellgren-Lawrence es el estándar para la elegibilidad, el ancho mínimo del espacio articular (mJSW, por sus siglas en inglés) es un biomarcador estructural crítico utilizado como criterio de valoración para la progresión de la enfermedad y es actualmente uno de los pocos parámetros de imagen aceptados en la guía regulatoria para el desarrollo de fármacos. Sin embargo, el mJSW es una medida indirecta sensible a factores técnicos como la angulación del haz de rayos X y el posicionamiento de la rodilla. Para mitigar esto, ensayos clínicos como el ensayo LOSEIT utilizan dispositivos de flexión fija.

Históricamente, la extracción de estas características ha requerido la anotación manual por parte de radiólogos, un proceso que consume mucho tiempo y está sujeto a la varianza interobservador. Aunque las herramientas de inteligencia artificial (IA) que utilizan redes neuronales profundas ofrecen el potencial de realizar mediciones automatizadas y consistentes, su rendimiento en entornos reales multicéntricos no está garantizado. Estudios previos sugieren que los modelos de IA pueden funcionar peor con datos de hospitales distintos a sus centros de entrenamiento, lo que resalta la necesidad de una validación externa antes de su uso clínico o regulatorio.

Metodología
Este estudio es un análisis secundario de los datos del ensayo LOSEIT, un ensayo aleatorizado, doble ciego y controlado con placebo que investiga los efectos de la liraglutida frente al placebo en la OAR tras un periodo de pérdida de peso. El análisis se centra en el acuerdo entre una herramienta de IA comercialmente disponible (RBknee-FDA) y un estándar de referencia de un radiólogo de "mejor práctica" para medir el ancho del espacio articular (JSW) en radiografías tibiofemorales adquiridas durante la inscripción y a las 52 semanas (60 semanas desde la inscripción).

• Estándar de referencia: El JSW de referencia fue establecido por dos radiólogos residentes independientes que anotaron las superficies óseas femorales y tibiales utilizando un digitalizador. Si sus mediciones diferían por menos de 0,40 mm, se utilizó el promedio. Si la diferencia excedía los 0,40 mm, el caso se reanotaba; si la discrepancia persistía, un radiólogo especialista en musculoesquelético arbitraba el valor final.
• Prueba de índice: La herramienta de IA (RBknee-FDA) analizó las mismas radiografías localmente como un proceso contenedor, produciendo el JSW mínimo medial y lateral (mmJSW, lmJSW) y el JSW de localización fija (mfJSW, lfJSW).
• Marco estadístico: El estudio emplea un marco de equivalencia utilizando el enfoque de las Dos Pruebas Unilaterales (TOST). El análisis primario evalúa el cambio en el JSW (seguimiento menos inscripción) entre la IA y la referencia.
• Criterios de equivalencia: El margen de equivalencia ($\delta$) se establece en 0,5 mm. El acuerdo se considera establecido si el límite superior del intervalo de confianza (IC) del 95% para el Límite de Acuerdo (LoA) y el límite inferior del IC del 95% para el LoA inferior caen dentro de los márgenes de $\pm 0,5$ mm.
• Análisis complementarios: Estos incluyen análisis de Bland-Altman de efectos mixtos en puntos temporales individuales, un análisis que excluye configuraciones de "contacto hueso con hueso" (donde mJSW = 0 mm), un enfoque "naíf" sin componentes de efectos mixtos y análisis de sensibilidad con márgenes de equivalencia variables (0,35 mm, 0,70 mm y 0,85 mm).

Contribuciones clave y resultados previstos
El documento describe un Plan de Análisis Estadístico (SAP) riguroso diseñado para validar el rendimiento de una herramienta de IA comercial frente a un estándar de referencia humano de alta calidad en un entorno de ensayo controlado. Las contribuciones clave incluyen:

1. Validación externa: Proporcionar una evaluación independiente de una herramienta de IA comercialmente disponible en los datos de un contexto de ensayo clínico específico, abordando la brecha entre la aprobación regulatoria y el rendimiento en el mundo real.
2. Prueba de equivalencia: Ir más allá de la simple correlación para probar la equivalencia estadística en el cambio de los biomarcadores estructurales, que es la métrica crítica para monitorizar la progresión de la enfermedad.
3. Estándar de referencia robusto: Utilizar un proceso de adjudicación de múltiples evaluadores para minimizar el error humano en el estándar de referencia.
4. Métricas exhaustivas: Evaluar no solo el mJSW sino también el JSW de localización fija, y abordar específicamente el desafío de los casos de "contacto hueso con hueso" donde el rendimiento de la IA es históricamente más débil.

Resultos
Dado que este documento es un Plan de Análisis Estadístico (SAP) escrito antes de la ejecución del análisis (con fecha de junio de 2026), no contiene resultados empíricos. El documento detalla los métodos previstos para generar los resultados, incluyendo los modelos estadísticos específicos (Bland-Altman, efectos mixtos), los criterios para establecer la equivalencia y la estructura para reportar los datos (por ejemplo, la Tabla 2 para el sesgo medio y el LoA). El resultado previsto es una determinación de si los cambios en las mediciones de JSW de la herramienta de IA son estadísticamente equivalentes a los del panel de expertos radiólogos dentro del margen predefinido de 0,5 mm.

Significación y declaraciones
El documento posiciona este análisis como un paso necesario en la línea de validación para la IA en radiología. Sostiene que, si bien las herramientas de IA ofrecen eficiencia y reproducibilidad, la aprobación regulatoria no garantiza un rendimiento uniforme en diferentes conjuntos de datos. Al establecer el acuerdo (o la falta de este) en un marco riguroso, el estudio pretende determinar si tales herramientas pueden utilizarse de forma fiable para medir la progresión estructural en la OAR. Los autores enmarcan modestamente el trabajo como una evaluación de acuerdo en lugar de una prueba definitiva de utilidad clínica, señalando que el estudio sigue un marco de equivalencia para asegurar que cualquier diferencia entre la IA y los lectores humanos sea clínicamente insignificante. La validación exitosa de tal herramienta podría potencialmente liberar el tiempo de los radiólogos y proporcionar mediciones más consistentes para futuros ensayos de OAR y el desarrollo de fármacos.