Modelo de aprendizaje profundo para la identificación de la enfermedad ósea metabólica de la prematuridad mediante radiografías de la muñeca

Ayudando a los huesos frágiles de los recién nacidos

Los bebés muy prematuros enfrentan muchos riesgos de salud ocultos, y uno de los más graves son huesos débiles y con mala mineralización que pueden fracturarse con poca advertencia. Los médicos suelen apoyarse en radiografías de la muñeca para buscar daños tempranos, pero las señales características pueden ser tenues y pasarse por alto con facilidad, sobre todo en hospitales con alta carga de trabajo o donde faltan especialistas. Este estudio presenta un programa informático basado en aprendizaje profundo que analiza radiografías de muñeca de recién nacidos prematuros y ayuda a los médicos a detectar problemas óseos de forma más temprana y precisa, lo que podría prevenir fracturas dolorosas y complicaciones a largo plazo.

Por qué los huesos diminutos necesitan atención extra

La enfermedad ósea metabólica de la prematuridad es una afección en la que los huesos de bebés muy pequeños y muy prematuros no se mineralizan adecuadamente. Al nacer antes de tiempo, estos lactantes se pierden las semanas finales del embarazo, cuando se deposita gran parte del calcio y el fósforo en los huesos, por lo que son especialmente vulnerables. El riesgo es mayor en los bebés nacidos antes de las 28 semanas o con un peso inferior a 1.500 gramos, y alcanza su punto máximo entre las cuatro y ocho semanas después del nacimiento. Los análisis de sangre pueden sugerir un problema, pero los médicos suelen confirmar sus sospechas con radiografías de la muñeca que muestran cambios sutiles en el extremo en crecimiento del radio. Desafortunadamente, esos cambios pueden no aparecer hasta que la pérdida ósea ya está avanzada, y aun entonces pueden ser difíciles de reconocer para quienes no son expertos.

Enseñar a un ordenador a leer radiografías de la muñeca

Para abordar este problema, investigadores en Corea del Sur reunieron una gran colección de radiografías de muñeca de más de mil lactantes de muy bajo peso atendidos en dos hospitales principales. Especialistas con experiencia revisaron cuidadosamente 2.239 imágenes de 814 bebés en un hospital, etiquetando cada radiografía como de hueso normal o con signos de enfermedad ósea metabólica. Dibujaron un recuadro alrededor del área clave en el extremo del radio para que el ordenador se centrara en la misma región que usan los expertos humanos. El equipo entrenó luego varios modelos de aprendizaje profundo de última generación con estas imágenes recortadas, empleando técnicas estándar para rotar ligeramente, aclarar o desenfocar las imágenes de modo que los algoritmos fuesen robustos ante la realidad imperfecta de las imágenes en unidades de cuidados intensivos neonatales.

Qué tan bien funciona el lector digital

Entre los siete modelos probados, una red conocida como DenseNet-121 obtuvo el mejor rendimiento. En radiografías no vistas previamente del hospital original, discriminó correctamente entre imágenes normales y anormales en aproximadamente el 92 por ciento de los casos y fue especialmente buena para descartar enfermedad, rara vez pasando por alto a los lactantes afectados. Cuando el modelo fue evaluado con radiografías de un segundo hospital—con equipos y pacientes diferentes—siguió mostrando un rendimiento sólido, con alta precisión global y una excelente capacidad para separar las imágenes sospechosas de las normales. Un análisis adicional mostró que cuando el modelo acertaba, se concentraba en la misma región de la muñeca que los expertos humanos, lo que sugiere que había aprendido patrones médicamente significativos y no solo rarezas aleatorias de los datos.

Dar a los médicos una segunda opinión más inteligente

Los investigadores pidieron entonces a ocho pediatras y tres radiólogos que interpretaran radiografías de muñeca en dos ocasiones: una vez por su cuenta y otra con la predicción del modelo mostrada. Con este asistente digital, los clínicos se volvieron más precisos y más consistentes. En las imágenes del hospital original, la precisión media aumentó de aproximadamente dos tercios a más de cuatro quintos, y tanto las falsas alarmas como los casos no detectados disminuyeron. Ganancias similares se observaron al interpretar imágenes del segundo hospital. Los beneficios fueron más acusados para los pediatras, cuya experiencia en imágenes esqueléticas suele ser limitada. Para ellos, el apoyo de la IA convirtió una tarea difícil y propensa a errores en otra que se acercaba más al rendimiento de los radiólogos, además de reducir ligeramente el tiempo de lectura.

Qué podría significar esto para los bebés prematuros

En términos sencillos, este estudio demuestra que un programa informático bien entrenado puede actuar como una segunda mirada fiable para los médicos que atienden a bebés prematuros frágiles. Si bien el modelo no reemplaza el juicio clínico ni los análisis de sangre, facilita señalar radiografías que merecen una atención más detallada, especialmente en hospitales sin acceso inmediato a radiólogos pediátricos. La detección más temprana y con mayor confianza de la debilidad ósea podría motivar cambios oportunos en la alimentación, el seguimiento y el manejo, reduciendo el riesgo de fracturas dolorosas y problemas de crecimiento a largo plazo. Con más refinamiento, conjuntos de datos mayores e integración de marcadores sanguíneos, estas herramientas de IA podrían convertirse en compañeras habituales en las unidades neonatales de todo el mundo, trabajando discretamente en segundo plano para proteger a los pacientes más pequeños.

Cita: Park, S.G., Jeong, S., Cho, M. et al. Deep learning model for identification of metabolic bone disease of prematurity using wrist radiographs. Sci Rep 16, 7885 (2026). https://doi.org/10.1038/s41598-026-37116-7

Palabras clave: recién nacidos prematuros, salud ósea, IA en imágenes médicas, radiografías de la muñeca, unidad de cuidados intensivos neonatales