Commercial AI for Opportunistic Detection of Vertebral Compression Fractures on Routine CT: A Systematic Review of Diagnostic Performance and Clinical Yield

Resumen Técnico: IA Comercial para la Detección Oportunista de Fracturas por Compresión Vertebral en TC de Rutina

Planteamiento del Problema
Las fracturas por compresión vertebral (FCV) son las fracturas osteoporóticas más comunes a nivel mundial, lo que conlleva riesgos significativos de aumento de la mortalidad y de fracturas subsecuentes. A pesar de esto, las tomografías computarizadas (TC) de rutina realizadas por otras indicaciones clínicas (por ejemplo, pulmonares, abdominales u oncológicas) frecuentemente no informan sobre FCV de moderadas a severas. La literatura indica que entre el 38 % y el 63 % de estas fracturas pasan desapercibidas debido a que la atención del radiólogo se dirige hacia la indicación clínica primaria en lugar de hacia la columna vertebral. Aunque ha surgido software de Inteligencia Artificial (IA) comercialmente disponible para abordar esta "brecha de detección" mediante el cribado oportunista, la evidencia sobre su rendimiento diagnóstico y su rendimiento en el mundo real permanece fragmentada entre diferentes productos, poblaciones y entornos de estudio. Existe una falta de datos sintetizados sobre si estas herramientas con autorización regulatoria detectan de manera fiable las fracturas incidentales y si su despliegue se traduce en acción clínica.

Metodología
Este estudio es una revisión sistemática realizada de acuerdo con las directrices PRISMA 2020 y registrada en PROSPERO (CRD420261423256).

• Estrategia de Búsqueda: Se realizó una búsqueda exhaustiva en PubMed, Scopus y Web of Science (1 de enero de 2020 – 31 de mayo de 2026) para publicaciones originales revisadas por pares.
• Criterios de Inclusión: Los estudios deben evaluar software de IA comercialmente disponible y con autorización regulatoria (FDA/CE) para la detección de FCV en TC de rutina en pacientes adultos. Los estudios requerían un estándar de referencia válido (consenso de radiólogos expertos o gradación estandarizada) y métricas diagnósticas cuantitativas.
• Criterios de Exclusión: Se excluyeron algoritmos no comerciales, herramientas exclusivamente de investigación, modalidades de RM/Rayos X/DXA, resúmenes de conferencias sin datos y estudios que carecieran de métricas de precisión diagnóstica.
• Síntesis de Datos: Ocho estudios cumplieron con los criterios de inclusión, abarcando 6,182 pacientes o tomografías computarizadas. Debido a la sustancial heterogeneidad en el diseño de los estudios, las poblaciones de pacientes, las plataformas de IA y las métricas de resultados, no se realizó un metanálisis formal. En su lugar, se llevó a cabo una síntesis narrativa estructurada.
• Evaluación del Sesgo: El riesgo de sesgo se evaluó utilizando la herramienta QUADAS-2, centrándose en la selección de pacientes, la prueba índice, el estándar de referencia y el flujo/tiempo.

Contribuciones Clave

• Evaluación de Plataformas: La revisión evalúa cuatro plataformas de IA comercial específicas: Nanox HealthVCF (anteriormente Zebra HealthVCF), IB Lab FLAMINGO y Avicenna.AI CINA-VCF.
• Cuantificación de la Brecha de Detección: La revisión cuantifica sistemáticamente la discrepancia entre los informes radiológicos de rutina y la detección por IA, confirmando que los informes clínicos omiten una proporción sustancial de fracturas.
• Estratificación del Rendimiento: El análisis diferencia el rendimiento basado en la severidad de la fractura (grados de Genant), los umbrales de detección y la unidad de análisis (nivel de paciente frente a nivel de escaneo frente a nivel de vértebra).
• Identificación de Brechas de Evidencia: La revisión destaca que, si bien se documenta el rendimiento de la detección diagnóstica, ningún estudio incluido evaluó los resultados de los pacientes (por ejemplo, inicio de tratamiento, mortalidad) como un objetivo primario, lo que limita las afirmaciones respecto al beneficio clínico.

Resultados

• Rendimiento Diagnóstico:
  • Sensibilidad: La sensibilidad a nivel de paciente para fracturas clínicamente accionables (grado de Genant ≥ 2) osciló entre el 65 % y el 95 % entre las plataformas. El rendimiento fue generalmente mayor para deformidades severas (grado de Genant 3) y más variable para fracturas moderadas.
  • Especificidad y VPN: La especificidad fue consistentemente alta (87 %–99 %), y los Valores Predictivos Negativos (VPN) oscilaron entre el 89 % y el 98 %, lo que sugiere una baja tasa de fracturas omitidas cuando la IA arroja un resultado negativo.
  • Variabilidad del VPP: Los Valores Predictivos Positivos (VPP) variaron significativamente (44 %–98 %), impulsados principalmente por la prevalencia de fracturas específica de cada cohorte en lugar del rendimiento del algoritmo.
• Tasas de Omisión de Radiólogos: En estudios que compararon la IA con los informes de rutina, los informes radiológicos clínicos omitieron entre un tercio y dos tercios de las fracturas moderadas a severas. La IA identificó consistentemente la mayoría de estos casos omitidos. Por ejemplo, en un estudio, los informes de rutina documentaron solo el 36.7 % de las fracturas confirmadas, mientras que la IA recuperó el 88.2 % de los casos no detectados.
• Dependencia de la Severidad: La sensibilidad mejoró a medida que aumentaba la severidad de la fractura. Por ejemplo, un estudio mostró que la sensibilidad aumentó del 89.7 % para fracturas de Grado 2 al 99.0 % para fracturas de Grado 3.
• Riesgo de Sesgo: El dominio de la "Prueba Índice" se calificó como de bajo riesgo en todos los estudios. Sin embargo, se observaron preocupaciones en "Selección de Pacientes" (enriquecimiento de la cohorte), "Estándar de Referencia" (verificación no independiente en algunos estudios) y "Flujo y Tiempo" (diseños retrospectivos, exclusión de fallos del algoritmo). Un estudio (Behanova 2026) fue calificado como de alto riesgo porque su estándar de referencia inicial (informes de rutina) no identificó fracturas reales que fueron confirmadas posteriormente mediante reevaluación de expertos.

Significancia y Afirmaciones
El artículo concluye que las herramientas de IA disponibles comercialmente para la detección oportunista de FCV en TC de rutina identifican con éxito las fracturas sistemáticamente omitidas en los informes de rutina, demostrando una alta especificidad y valores predictivos negativos. Sin embargo, los autores enfatizan varias limitaciones críticas:

1. Naturaleza Retrospectiva: Todas las evaluaciones incluidas fueron retrospectivas; ningún estudio estableció si el despliegue de la IA mejora los resultados de los pacientes (por ejemplo, tasas de tratamiento o mortalidad).
2. Variabilidad de Fracturas Moderadas: El rendimiento es más fuerte para deformidades severas, pero más variable para fracturas moderadas, que son las más cuestionadas clínicamente respecto a las decisiones de tratamiento.
3. Modelo de Despliegue: La evidencia respalda un modelo de "ayuda de cribado supervisada" donde la IA señala los resultados para la revisión del radiólogo antes de la acción clínica, en lugar de una herramienta de diagnóstico autónoma.
4. Contexto Regulatorio: Si bien las plataformas evaluadas contaban con autorización regulatoria en el momento del estudio, los autores señalan que el estado de la autorización y las indicaciones aprobadas deben verificarse localmente antes de su despliegue.

El artículo afirma que estas herramientas pueden integrarse en vías de atención de la osteoporosis estructuradas para cerrar la brecha de detección, pero se requieren estudios de resultados prospectivos con informes estandarizados antes de que se pueda recomendar su adopción clínica generalizada.