La IA substituirà els radiòlegs? [Vídeo i qüestionari]

Resposta curta: la IA no substituirà completament els radiòlegs aviat; principalment automatitza tasques específiques com el triatge, la detecció de patrons i les mesures, alhora que impulsa el rol cap a la supervisió, la comunicació clara i el judici d'alt risc. Si els radiòlegs no s'adapten als fluxos de treball habilitats per la IA, corren el risc de ser marginats, però la responsabilitat clínica continua sent dels humans.

Conclusions clau:

Canvi de flux de treball: s'espera que el triatge, el mesurament i el suport al "segon lector" s'escalin ràpidament.

Responsabilitat: Els radiòlegs continuen sent els signants responsables en els informes clínics amb suport d'IA.

Validació: només cal confiar en les eines si es proven en diferents centres, escàners i poblacions de pacients.

Resistència a l'ús indegut: Reduir el soroll d'alerta i protegir contra errors silenciosos, deriva i biaix.

Preparació per al futur: apreneu els modes de fallada de la IA i uniu-vos a la governança per supervisar el desplegament segur.

Articles que potser t'agradaria llegir després d'aquest:

🔗 La IA substituirà els metges: el futur de la medicina
Una visió realista del paper de la IA en la pràctica mèdica moderna.

🔗 Com la IA ajuda l'agricultura
Maneres en què la IA millora els rendiments, la planificació i la presa de decisions agrícoles.

🔗 Per què la IA és dolenta per a la societat
Riscos com el biaix, la pèrdua de feina, la vigilància i els danys causats per la desinformació.

🔗 Com la IA detecta anomalies
Com els models marquen comportaments inusuals en dades i sistemes.

La dura comprovació de la realitat: què està fent la IA ara mateix ✅

La IA en radiologia actual és principalment forta en llocs de treball específics:

• Marcant troballes urgents perquè els estudis que fan por passin de llarg (triatge) 🚨

• Trobar "patrons coneguts" com ara nòduls, hemorràgies, fractures, èmbols, etc.

• Mesurant coses que els humans poden mesurar però odien mesurar (volums, mides, canvis al llarg del temps) 📏

• Ajudar els programes de cribratge a gestionar el volum sense esgotar la gent

I no és només un rumor: la IA radiològica regulada i utilitzada a la clínica ja constitueix una gran part del panorama dels dispositius d'IA clínica. Una revisió taxonomica del 2025 dels dispositius mèdics d'IA/ML autoritzats per la FDA (que cobria les autoritzacions llistades per la FDA a 20 de desembre de 2024) va trobar que la majoria dels dispositius prenen imatges com a entrada, i la radiologia va ser el principal panell de revisió per a la majoria. Això és un gran indicador d'on aterra primer la "IA clínica". [1]

Però "útil" no és el mateix que "substitut autònom del metge". Diferent barrera, diferent risc, diferent responsabilitat...

Per què la "substitució" és el model mental equivocat la majoria de les vegades 🧠

La radiologia no és només "mirar píxels, anomenar malalties".

A la pràctica, els radiòlegs fan coses com:

• Decidir si la pregunta clínica coincideix amb l'examen sol·licitat

• Ponderació d'antecedents, historial de cirurgia, artefactes i casos extrems complexos

• Trucar al metge que el deriva per aclarir què està passant realment

• Recomanar els propers passos, no només etiquetar una troballa

• Assumir la responsabilitat mèdica i legal de l'informe

Aquí teniu una escena ràpida del tipus "sona avorrit, ho és tot":

Són les 02:07. TAC del cap. Artefacte de moviment. L'historial diu "mareig", la nota de la infermera diu "caiguda" i la llista d'anticoagulants diu "oh-oh".
La feina no és "píxels de sagnat puntual". La feina és triatge + context + risc + claredat del següent pas.

És per això que el resultat més comú en el desplegament clínic és: la IA dóna suport als radiòlegs en lloc d'eliminar-los.

I diverses societats de radiologia han estat explícites sobre la capa humana: una declaració ètica multisocietat (ACR/ESR/RSNA/SIIM i altres) emmarca la IA com quelcom que els radiòlegs han de gestionar de manera responsable, incloent-hi la realitat que els radiòlegs continuen sent els responsables últims de l'atenció al pacient en un flux de treball recolzat per IA. [2]

Què fa que una bona versió d'IA sigui per a radiologia? 🔍

Si esteu jutjant un sistema d'IA (o decidint si confiar-hi), la "bona versió" no és la que té la demostració més interessant. És la que sobreviu al contacte amb la realitat clínica.

Una bona eina d'IA radiològica sol tenir:

• Àmbit clar : fa bé una cosa (o un conjunt de coses ben definit)

• Validació forta : provada en diferents llocs, escàners i poblacions

• Ajust del flux de treball : s'integra amb PACS/RIS sense fer que tothom sigui infeliç

• Baix soroll : menys alertes brossa i falsos positius (o ho ignoraràs)

• Explicabilitat que ajuda : no és una transparència perfecta, però suficient per verificar-la.

• Governança : monitorització de la deriva, els errors i els biaixos inesperats

• Responsabilitat : claredat sobre qui signa, qui assumeix els errors i qui els eleva a l'altura.

A més: "està aprovat per la FDA" (o equivalent) és un senyal significatiu, però no és una mesura a prova d'errors. Fins i tot la llista de dispositius amb IA de la pròpia FDA s'emmarca com un recurs de transparència que no és exhaustiu, i el seu mètode d'inclusió depèn en part de com els dispositius descriuen la IA en materials públics. Traducció: encara cal una avaluació local i un seguiment continu. [3]

Això sona avorrit... i l'avorriment és bo en medicina. L'avorriment és segur 😬

Taula comparativa: opcions comunes d'IA amb què es troben els radiòlegs 📊

Els preus sovint es basen en pressupostos, així que mantinc aquesta part imprecisa pel que fa al mercat (perquè sol ser-ho).

Confessió de peculiaritat de format: el "preu" es manté vague perquè els venedors els encanten els preus vagues. No sóc jo qui em posi en dubte, és el mercat 😅

On la IA pot superar l'ésser humà mitjà en carrils estrets 🏁

La IA brilla més quan la tasca és:

• Molt repetitiu

• Estabilitat en patrons

• Ben representat en dades d'entrenament

• Fàcil de puntuar respecte a un estàndard de referència

En alguns fluxos de treball d'estil de cribratge, la IA pot actuar com un parell d'ulls addicionals molt consistent. Per exemple, una avaluació retrospectiva a gran escala d'un sistema d'IA de cribratge de mama va informar d'un rendiment mitjà de comparació de lectors més fort (per AUC en un estudi de lectors) i fins i tot va simular una reducció de la càrrega de treball en una configuració de doble lectura d'estil Regne Unit. Aquesta és la victòria del "carril estret": treball de patrons consistent, a escala. [4]

Però, de nou... això és assistència en el flux de treball, no "la IA substitueix el radiòleg que és el propietari del resultat".

On la IA encara té dificultats (i no és poca cosa) ⚠️

La IA pot ser impressionant i, tot i així, fallar en aspectes que importen clínicament. Punts febles comuns:

• Casos fora de distribució: malalties rares, anatomia inusual, peculiaritats postoperatòries

• Ceguesa contextual: les troballes per imatge sense la "història" poden induir a error

• Sensibilitat als artefactes: moviment, metall, configuracions estranyes de l'escàner, sincronització del contrast... coses divertides

• Falsos positius: un mal dia amb IA pot generar feina addicional en lloc d'estalviar temps.

• Fallades silencioses: la mena perillosa: quan passa per alt alguna cosa discretament

• Deriva de dades: el rendiment canvia quan els protocols, les màquines o les poblacions canvien.

Això últim no és teòric. Fins i tot els models d'imatge d'alt rendiment poden variar quan canvia la manera com s'adquireixen les imatges (canvis de maquinari de l'escàner, actualitzacions de programari, ajustos de reconstrucció), i aquesta variació pot canviar la sensibilitat/especificitat clínicament significativa de maneres que importen pel que fa al dany. És per això que "monitorització en producció" no és una paraula de moda, sinó un requisit de seguretat. [5]

A més, i això és molt important, la responsabilitat clínica no migra a l'algoritme. En molts llocs, el radiòleg continua sent el signant responsable, cosa que limita la possibilitat real d'intervenció. [2]

La feina de radiòleg que creix, no es redueix 🌱

En un gir inesperat, la IA pot fer que la radiologia sigui més "médica", no menys.

A mesura que l'automatització s'expandeix, els radiòlegs sovint dediquen més temps a:

• Casos difícils i pacients amb múltiples problemes (els que la IA odia)

• Protocolització, idoneïtat i disseny de vies

• Explicant els resultats als metges, a les comissions tumorals i, de vegades, als pacients 🗣️

• Radiologia intervencionista i procediments guiats per imatge (molt poc automatitzats)

• Lideratge de qualitat: monitorització del rendiment de la IA, construcció d'una adopció segura

També hi ha el rol "meta": algú ha de supervisar les màquines. És una mica com el pilot automàtic: encara vols pilots. Potser una metàfora lleugerament defectuosa... però ho entens.

La IA substitueix els radiòlegs: la resposta directa 🤷♀️🤷♂️

• A curt termini: substitueix segments de treball (mesures, triatge, alguns patrons de segons lectors) i canvia les necessitats de personal als marges.

• A llarg termini: podria automatitzar en gran mesura certs fluxos de treball de cribratge, però encara necessita supervisió humana i escalada a la majoria de sistemes sanitaris.

• Resultat més probable: els radiòlegs + IA tenen un rendiment superior per si sols, i la feina es desplaça cap a la supervisió, la comunicació i la presa de decisions complexes.

Si ets estudiant de medicina o metge de tercer any: com preparar-te per al futur (sense entrar en pànic) 🧩

Uns quants moviments pràctics que ajuden, fins i tot si no t'agrada la tecnologia:

• Apreneu com falla la IA (biaix, deriva, falsos positius): això és l'alfabetització clínica actual [5]

• Familiaritzar-se amb els conceptes bàsics del flux de treball i la informàtica (PACS, informes estructurats, control de qualitat)

• Desenvolupar hàbits de comunicació sòlids: la capa humana esdevé més valuosa

• Si és possible, uneix-te a un grup d'avaluació o governança d'IA al teu hospital.

• Centrar-se en àrees amb alt context + procediments (IR, neurologia complexa, imatges oncològiques)

I sí, sigues la persona que pot dir: "Aquest model és útil aquí, perillós allà, i així és com el monitoritzem". Aquesta persona esdevé difícil de reemplaçar.

Conclusió + resum ràpid 🧠✨

La IA remodelarà absolutament la radiologia, i fer veure el contrari és una bona idea. Però la narrativa de "els radiòlegs estan condemnats" és majoritàriament un esquer per clics amb bata de laboratori.

Presa ràpida

• La IA ja s'utilitza per al triatge, el suport a la detecció i l'ajuda en el mesurament.

• És excel·lent en tasques estretes i repetitives, i inestable amb una realitat clínica poc freqüent i d'alt context.

• Els radiòlegs fan més que detectar patrons: contextualitzen, comuniquen i assumeixen responsabilitats.

• El futur més realista és que "els radiòlegs que utilitzen la IA" substitueixin els "radiòlegs que la rebutgen", no que la IA substitueixi la professió a l'engròs. 

Exemple del món real: Creació d'un flux de treball de triatge de cap per TC amb IA durant la nit

Escenari

Un hospital de mida mitjana té un radiòleg que cobreix les imatges d'urgències durant la nit. Entre les 22:00 i les 07:00, la llista de treball s'omple de capçals de TC per a caigudes, confusió, marejos, pacients anticoagulats i sospita d'ictus.

L'objectiu no deixar que la IA emeti informes. L'objectiu és ajudar l'equip de guàrdia a identificar hemorràgies intracranials potencialment urgents més ràpidament, tot mantenint el radiòleg com a signant responsable.

En aquesta configuració, la IA actua com a capa de triatge: revisa els estudis de TC del cap sense contrast entrants, marca possibles hemorràgies agudes i mou aquests estudis cap amunt a la cua de lectura. El radiòleg encara obre les imatges, comprova la troballa, revisa les notes clíniques i signa l'informe final.

Què necessita l'assistent

Per a un pilot segur, el departament necessitaria:

• Una eina d'IA amb un abast clar: per exemple, "possible hemorràgia intracranial aguda en una TC del cap sense contrast"

• Casos de prova locals dels escàners del propi hospital

• Una regla que les banderes d'IA mai ignoren la revisió del radiòleg

• Un pla d'inactivitat si l'eina d'IA falla o es desconnecta del PACS

• Un full d'auditoria senzill que fa un seguiment dels falsos positius, els falsos negatius, el temps de resposta i les alertes perdudes

• Un radiòleg o responsable de governança designat responsable de la revisió setmanal

El flux de treball hauria de ser deliberadament senzill: indicador d'IA → llista de treball prioritzada → verificació del radiòleg → informe signat → auditoria.

Exemple d'instrucció

Feu servir aquesta instrucció per a l'equip pilot, no per al model d'IA en si:

"Executeu l'eina de triatge de cap per TC en tots els estudis de cap per TC d'emergència sense contrast en adults entre les 22:00 i les 07:00. Si el sistema marca una possible hemorràgia aguda, moveu el cas a la cua de revisió urgent. El radiòleg ha de verificar les imatges abans de prendre cap acció clínica. Registreu si l'indicador d'IA va ser veritable positiu, fals positiu o no es va detectar a la revisió final. Escaleu qualsevol sospita d'hemorràgia no detectada o patró repetit de falsa alerta al responsable de governança d'imatges."

Com provar-ho

Abans de la publicació, proveu el flux de treball en un lot retrospectiu de casos.

Feu servir un conjunt petit però realista, com ara:

• 50 capçals de TC normals

• 20 casos confirmats d'hemorràgia aguda

• 10 escanejos amb degradació de moviment o tècnicament difícils

• 10 casos postoperatoris o anatòmicament inusuals

• 10 casos en què la història clínica és vaga o enganyosa

Per a cada cas, anoteu:

• La IA ho va marcar?

• El radiòleg hi estava d'acord?

• La bandera hauria canviat la prioritat de la llista de treball?

• Va crear una urgència significativa o només va ser soroll?

• Hi va haver algun cas en què la IA semblés segura però s'equivocava?

La prova més important no és "la demostració té un aspecte impressionant?", sinó: això millora la seguretat de les cues sense ofegar el radiòleg en alertes brossa?

Resultat

Només un resultat il·lustratiu: en un assaig pilot retrospectiu de 100 casos, el departament compara l'ordre de cua nocturna ordinari amb el triatge assistit per IA.

Base de la mesura: el temps de resposta es mesura des de la finalització de l'escaneig fins a la revisió preliminar del radiòleg. La precisió es comprova amb l'informe final signat i una segona revisió radiològica dels casos disputats.

Exemple d'estimació:

• El temps mitjà de revisió dels casos d'hemorràgia confirmada baixa de 38 minuts a 14 minuts

• Les alertes d'IA falsos positius es produeixen en 9 de cada 100 casos

• Un cas tècnicament difícil s'ha marcat incorrectament a causa d'un artefacte de moviment

• No s'envia cap sortida d'IA directament als clínics sense verificació del radiòleg

• El temps de revisió setmanal del full d'auditoria és de 25 minuts

Aquest és un resultat valuós, però no és que "la IA hagi substituït el radiòleg". Vol dir que els estudis de més risc van arribar a l'expert humà més ràpidament.

Què pot anar malament

El error evident són els falsos positius. Si l'eina marca massa casos inofensius, la cua d'urgències perd sentit i l'equip comença a ignorar-la.

El fracàs més perillós és un error silenciós. Una hemorràgia que no està marcada encara s'ha de trobar mitjançant una revisió radiològica normal, i per això la IA hauria de donar suport a la cua en lloc de convertir-se en la cua.

Altres riscos inclouen canvis en el protocol de l'escàner, mala qualitat d'imatge, casos pediàtrics o postoperatoris fora de l'abast previst de l'eina i excés de confiança per part del personal subaltern. El departament també ha de vigilar les desviacions al llarg del temps, especialment després d'actualitzacions de l'escàner o canvis en la reconstrucció. [5]

I el punt de responsabilitat continua sent el mateix: el radiòleg signa l'informe, no l'algoritme. [2]

Conclusió pràctica

Un bon pilot d'IA radiològica comença a poc a poc, mesura coses senzilles i manté els humans al càrrec. La victòria no és substituir el radiòleg; és aconseguir que l'escaneig correcte arribi al radiòleg abans, amb prou dades d'auditoria per demostrar que el flux de treball és realment més segur.

Preguntes freqüents

La IA substituirà els radiòlegs en els propers anys?

No completament, i no a la majoria de sistemes sanitaris. La IA radiològica actual està dissenyada en gran part per automatitzar funcions específiques com el triatge, la detecció de patrons i les mesures, en lloc d'assumir la responsabilitat diagnòstica integral. Els radiòlegs encara proporcionen context clínic, gestionen casos extrems, es comuniquen amb els equips de derivació i mantenen la responsabilitat medicolegal dels informes. El canvi més immediat és el redisseny del flux de treball, no la substitució de tota la professió.

Quines tasques radiològiques està fent realment la IA actualment?

La majoria de les eines implementades es concentren en treballs repetitius i específics: marcar estudis urgents per prioritzar-los, detectar patrons comuns (com ara nòduls o hemorràgies) i generar mesures o comparacions longitudinals. La IA també s'utilitza com a "segon lector" en algunes vies de cribratge per donar suport a la gestió del volum i la coherència. Aquests sistemes poden escurçar les cues i reduir la feina manual, però encara requereixen verificació humana.

Qui és responsable si un informe recolzat per IA és incorrecte?

En molts fluxos de treball del món real, el radiòleg continua sent el signant responsable, fins i tot quan la IA contribueix al triatge o la detecció. La responsabilitat clínica no es transfereix automàticament a l'algoritme ni al proveïdor. A la pràctica, els radiòlegs han de tractar la sortida de la IA com a suport a la decisió, verificar els resultats i documentar-los adequadament. Unes vies d'escalada clares i una governança ajuden a definir com procedir quan la sortida de la IA entra en conflicte amb el judici clínic.

Com puc saber si una eina d'IA és fiable per al meu hospital?

Un enfocament comú és jutjar les eines pel realisme clínic en lloc del rendiment de la demostració. Busqueu un abast clarament definit, validació en múltiples llocs, escàners i poblacions de pacients, i proves que el sistema es mantingui dins dels vostres protocols i restriccions de qualitat d'imatge. La integració del flux de treball (ajust PACS/RIS) és tan important com la precisió, ja que un "bon" model que interromp la lectura sovint no s'utilitza. El seguiment continu continua sent essencial.

Vol dir que "aprovat per la FDA" (o regulat) és segur confiar en el model?

L'autorització reglamentària és un senyal significatiu, però no garanteix un rendiment sòlid en el vostre entorn específic. Els resultats del món real poden canviar amb les actualitzacions de l'escàner, els ajustos de protocol i les diferències de població. L'avaluació local i el seguiment de la producció continuen sent importants, fins i tot per a eines autoritzades. Tracteu l'autorització com a línia de base, després valideu-la per a la vostra configuració i continueu mesurant la deriva.

Quines són les principals maneres en què la IA radiològica falla a la pràctica?

Els modes de fallada comuns inclouen casos fora de distribució (malalties rares, anatomia inusual), ceguesa contextual, sensibilitat als artefactes (moviment, metall, temps de contrast) i falsos positius que afegeixen feina. Els problemes més perillosos són els "errors silenciosos", en què el model passa per alt troballes sense un avís evident. El rendiment també pot variar a mesura que canvien les condicions d'adquisició, de manera que la monitorització i les barreres de seguretat es troben dins de la seguretat del pacient, no com una "cosa agradable de tenir"

Com poden els departaments reduir la fatiga d'alerta i evitar el triatge sorollós de la IA?

Comença ajustant els llindars perquè coincideixin amb les teves prioritats clíniques i la realitat del personal, en lloc de perseguir la màxima sensibilitat sobre el paper. Mesura la càrrega de falsos positius del món real i dissenya regles d'escalada perquè els indicadors d'IA activin accions consistents i manejables. Molts processos es beneficien de la revisió per etapes (IA → comprovació del radiògraf/tècnic → radiòleg) i d'un comportament explícit a prova d'errors quan l'eina no està disponible. El "baix soroll" sovint és el que fa que la IA sigui viable dia a dia.

Si la idea de substituir els radiòlegs per la IA està exagerada, com haurien de preparar els estudiants per al futur?

Intenta convertir-te en la persona que pot supervisar amb seguretat els fluxos de treball habilitats per la IA. Aprèn els modes de fallada principals, com ara el biaix, la deriva i la sensibilitat als artefactes, i familiaritza't amb els fonaments informàtics com ara els PACS, els informes estructurats i els processos de control de qualitat. Les habilitats de comunicació guanyen valor a mesura que s'automatitza el treball rutinari, especialment en juntes de tumors i consultes d'alt risc. Unir-se a un grup d'avaluació o governança és una manera concreta de construir una experiència duradora.

Referències

1. Singh R. et al., npj Digital Medicine (2025) : una revisió de taxonomia que cobreix 1.016 autoritzacions de dispositius mèdics d'IA/ML autoritzades per la FDA (tal com es llista fins al 20 de desembre de 2024), que destaca la freqüència amb què la IA mèdica es basa en entrades d'imatges i la freqüència amb què la radiologia és el panell de revisió principal. Llegiu-ne més

2. Declaració multisocietal organitzada per l'ESR : un marc ètic intersocietal per a la IA en radiologia, que emfatitza la governança, el desplegament responsable i la responsabilitat contínua dels clínics dins dels fluxos de treball recolzats per la IA. Llegiu-ne més

3. Pàgina de dispositius mèdics amb IA de la FDA dels EUA : la llista de transparència i les notes metodològiques de la FDA per a dispositius mèdics amb IA, incloent-hi advertències sobre l'abast i com es determina la inclusió. Més informació

4. McKinney SM et al., Nature (2020) : una avaluació internacional d'un sistema d'IA per al cribratge del càncer de mama, que inclou anàlisi de comparació de lectors i simulacions de l'impacte de la càrrega de treball en una configuració de doble lectura. Llegiu-ne més

5. Roschewitz M. et al., Nature Communications (2023) - Recerca sobre la deriva del rendiment sota el canvi d'adquisició en la classificació d'imatges mèdiques, que il·lustra per què la monitorització i la correcció de la deriva són importants en la IA d'imatges desplegada. Llegiu-ne més

Troba la darrera versió d'IA a la botiga oficial d'assistents d'IA

Sobre nosaltres