Generative Artificial Intelligence for Opportunistic Osteoporosis Screening Using Lumbar Spine Imaging: Diagnostic Performance, Reproducibility, Effects of Few-Shot Prompting, and Comparison with Physicians

Resumen Técnico: IA Generativa para el Cribado Oportunista de la Osteoporosis

Planteamiento del Problema
La osteoporosis sigue estando significativamente infradiagnosticada y subtratada a pesar de la disponibilidad de terapias eficaces y de la adquisición rutinaria de radiografías lumbares y tomografías computarizadas (TC) por otras indicaciones. Aunque la densitometría ósea de absorción de rayos X de energía dual (DXA) es el estándar de oro para el diagnóstico, muchos pacientes no se someten a la evaluación de la densidad mineral ósea (DMO) durante su atención rutinaria. Si bien los médicos forman impresiones intuitivas de la calidad ósea a partir de las imágenes espinales, estudios previos indican que la precisión de tales evaluaciones visuales es solo moderada, incluso entre cirujanos ortopédicos experimentados. Aunque los algoritmos de aprendizaje profundo han mostrado ser prometedores, requieren un desarrollo específico para cada tarea. En contraste, la inteligencia artificial (IA) generativa multimodal ofrece una alternativa ampliamente accesible capaz de interpretar imágenes médicas sin un entrenamiento de modelo dedicado. Sin embargo, el rendimiento diagnóstico de estos modelos para el cribado oportunista de la osteoporosis, su reproducibilidad y el impacto del "few-shot prompting" (proporcionar casos de ejemplo para guiar las respuestas) aún no se comprenden bien.

Metodología
Este estudio comparativo basado en imágenes evaluó el rendimiento diagnóstico de la IA generativa multimodal frente a médicos utilizando un conjunto de datos de 45 radiografías lumbares laterales y 45 imágenes de TC lumbar reconstruidas en el plano sagital.

• Estándar de Referencia: La osteoporosis y la baja masa ósea se definieron utilizando los umbrales de la puntuación T de la OMS para la DXA de −2.5 y −1.0, respectivamente.
• Participantes:
  • Médicos: 42 cirujanos ortopédicos certificados y 50 médicos no especialistas (datos derivados de un estudio previo).
  • Modelos de IA: Tres sistemas de IA generativa multimodal disponibles públicamente: ChatGPT (OpenAI, GPT-5, accedido en enero de 2026), Claude 4 Opus y Gemini 3.1 Pro.
• Protocolo de Evaluación:
  • Zero-shot vs. Few-shot: Los modelos de IA evaluaron las imágenes bajo condiciones de zero-shot (solo instrucciones) y condiciones de few-shot (proporcionándoles 20 casos de referencia etiquetados que incluían imágenes, clasificaciones y valores YAM).
  • Reproducibilidad: Cada modelo de IA evaluó el conjunto de datos completo cinco veces en sesiones de chat independientes. Las clasificaciones finales se determinaron mediante votación por mayoría (≥3 de 5 respuestas).
  • Combinación Humano-IA: Un análisis post-hoc exploratorio combinó los votos de la mayoría de los especialistas con los votos de la mayoría de Claude utilizando las reglas "OR" (positivo si cualquiera de los dos es positivo) y "AND" (positivo solo si ambos son positivos) para evaluar los errores diagnósticos complementarios.
• Métricas: Los resultados primarios incluyeron la precisión diagnóstica, sensibilidad, especificidad e intra-reproducibilidad del modelo (kappa de Cohen).

Resultados Clave

• Precisión Diagnóstica:
  • En el umbral de la puntuación T de −1.0 para radiografías, Claude logró la mayor precisión (73.3%), seguido de Gemini (64.4%), especialistas (57.4%), ChatGPT (55.6%) y no especialistas (44.0%). Los especialistas superaron significativamente a los no especialistas (P<0.001).
  • En el umbral convencional de −2.5, no se encontró una diferencia significativa entre especialistas y no especialistas para las radiografías, aunque los especialistas fueron significativamente más precisos para las imágenes de TC (P<0.001).
  • Los modelos de IA mostraron una precisión ampliamente similar a la de los especialistas en comparaciones descriptivas para las imágenes de TC.
• Impacto del Prompting:
  • Precisión: El few-shot prompting no mejoró consistentemente la precisión diagnóstica ni para los médicos ni para los modelos de IA. Los cambios variaron según el modelo y la condición, oscilando entre una disminución de 24.4 puntos porcentuales y un aumento de 11.1 puntos porcentuales.
  • Reproducibilidad: El few-shot prompting mejoró la intra-reproducibilidad de los modelos en varios casos, notablemente en Claude (κ aumentó de 0.543 a 0.855 para radiografías). Esta disociación entre la mejora de la consistencia y la precisión inalterada fue un hallazgo clave.
• Complementariedad Humano-IA:
  • La regla "OR" (combinando especialista y Claude) aumentó la sensibilidad para las radiografías en el umbral de −1.0 del 66.7% al 80.0% y para la TC del 83.3% al 90.0%, aunque la especificidad disminuyó.
  • El análisis de rescate de errores confirmó errores parcialmente no superpuestos: Claude clasificó correctamente el 40–50% de los casos de falsos negativos de los especialistas, y los especialistas corrigieron una parte de los errores de Claude.

Contribuciones Clave

1. Rendimiento Comparativo: El estudio proporciona evidencia directa de que ciertos modelos de IA generativa pueden alcanzar un rendimiento diagnóstico comparable, o en algunas condiciones superior, al de los médicos para el cribado oportunista de la osteoporosis utilizando imágenes lumbares.
2. Efectos del Prompting: Demuestra que el few-shot prompting no garantiza una mejora en la precisión diagnóstica, pero puede mejorar significativamente la intra-reproducibilidad (consistencia), un factor crítico para la integración en el flujo de trabajo clínico.
3. Complementariedad: La investigación ofrece evidencia cuantitativa de la complementariedad diagnóstica, mostrando que los errores humanos y de la IA son parcialmente no superpuestos. Esto sugiere que combinar los juicios podría reducir los casos perdidos (falsos negativos) en escenarios de cribado, aunque a costa de un aumento de los falsos positivos.
4. Variabilidad del Modelo: Los hallazgos resaltan la sustancial variabilidad en el rendimiento y la reproducibilidad entre los diferentes modelos de IA generativa, lo que indica que no son herramientas diagnósticas intercambiables.

Significancia y Reivindicaciones
El artículo concluye que la IA generativa debe verse como una potencial herramienta de apoyo a la decisión en lugar de un sistema autónomo para el cribado oportunista de la osteoporosis. Los autores sostienen que, si bien la IA puede no superar universalmente a los médicos, su capacidad para proporcionar juicios diagnósticos complementarios podría ayudar a identificar a pacientes que requieren una evaluación formal de la DMO, abordando así el problema del infradiagnóstico.

El estudio enfatiza que el valor clínico de la IA generativa reside en su integración en los flujos de trabajo clínicos junto con el juicio médico. Los autores advierten que las reglas de combinación simples implican un compromiso entre la sensibilidad y la especificidad, y que los efectos complementarios aparentes requieren una validación prospectiva en cohortes independientes. Además, el estudio señala que la mejora de la reproducibilidad mediante few-shot prompting no equivale necesariamente a una mejora de la validez diagnóstica, lo que subraya la necesidad de evaluar la precisión y la consistencia como dimensiones distintas del rendimiento de la IA.