La crisis de sobrecarga en radiología es real. Así es como podemos devolver tiempo a los radiólogos y al personal.

Cuando comencé a trabajar como neurorradiólogo en 1996, un examen por tomografía computarizada del cerebro constaba de 20 imágenes. Cuando, 15 años después, hice la transición de la práctica clínica para centrarme en impulsar la innovación digital en la atención médica, ese número había aumentado a 1200, ¡60 veces más! Este notable aumento de datos nos permitió a mí y a mis compañeros diagnosticar enfermedades con más precisión que nunca. Pero también fue una fuente de sobrecarga de datos. Ni habíamos ganado más tiempo por estudio ni nuestros flujos de trabajo habían evolucionado a la misma velocidad para soportar la interpretación eficiente de tantas imágenes.

Lo que esto indica es una descompensación fundamental en la innovación en radiología. Por un lado, hemos visto avances espectaculares en la tecnología de imágenes médicas, y es realmente sorprendente cómo las innovaciones en resonancia magnética, tomografía computarizada, ultrasonido y otras modalidades pueden ayudar ahora a los radiólogos a obtener imágenes increíblemente detalladas y precisas del cuerpo humano. Pero, por otro lado, los departamentos de radiología a menudo carecen del tiempo y de los recursos para gestionar la creciente avalancha de datos y complejidad tecnológica, especialmente cuando se topan con las limitaciones de la escasez de mano de obra. En pocas palabras: los flujos de trabajo de radiología no han seguido el ritmo de la innovación en imágenes.

Abordar esta descompensación es lo que puede ayudar a ofrecer una salida a la crisis de la sobrecarga en radiología. Esto también se une con lo que escucho de los clientes. Hace diez años, lo que más les interesaba eran las especificaciones técnicas de los últimos equipos de imagen. Hoy en día, su atención se centra en optimizar los flujos de trabajo para llegar a un diagnóstico más rápido y preciso. Los líderes en radiología no buscan más píxeles. Su atención se centra en cómo pueden dotar a los radiólogos y al personal de las capacidades y conocimientos adecuados para ayudarles a atender a más pacientes con mayor rapidez. Y para los pacientes, el tiempo también es esencial: puede significar la diferencia entre detectar el cáncer en una etapa temprana, cuando aún es tratable, o avanzar sin ser detectado hasta llegar a una condición avanzada y potencialmente mortal

Por eso necesitamos aumentar el ritmo de innovación del flujo de trabajo en radiología. Es un foco principal de nuestra estrategia en Philips, con el lanzamiento del negocio de informática empresarial más grande de la industria a principios de este año. ¿Nuestro objetivo en radiología? Ayudar a reducir el tiempo de diagnóstico, sin comprometer la calidad.

Permítanme darles cinco ejemplos tangibles de cómo se ve esto y cómo puede beneficiar a los médicos, al personal y a los pacientes por igual, comenzando en el punto de adquisición de la imagen.

A medida que han avanzado modalidades como la resonancia magnética y la tomografía computarizada, también lo ha hecho la complejidad en la realización de los exámenes. Los tecnólogos en radiología deben elegir los protocolos y parámetros correctos para cada paciente para garantizar los mejores resultados de imágenes y permitir diagnósticos precisos. Esto puede ser una fuente importante de estrés cuando el tecnólogo carece de la experiencia en la subespecialidad necesaria y no hay un colega experimentado que lo apoye. Desafortunadamente, esta es la realidad a la que se enfrentan muchos de ellos hoy en día, especialmente en sitios de imágenes más pequeños, hay más vacantes para tecnólogos en radiología que cualquier otro grupo de profesionales de la salud [3], y necesitan una gran cantidad de formación para realizar exámenes complejos.

Cuando solía leer estudios como radiólogo, una preocupación que siempre estaba en mi mente era esta: ¿qué pasaría si, de los innumerables estudios que estoy leyendo hoy, el último resulta ser el que tiene una anomalía que requiere un seguimiento urgente? Idealmente, uno no quiere que ese estudio anormal sea el último en la pila de lecturas. Deseas que sea el primero para poder alertar al médico remitente de inmediato.

La organización inteligente del flujo de trabajo puede permitir precisamente eso. Prioriza y delega automáticamente los casos al radiólogo de subespecialidad adecuado en el momento adecuado y en el orden correcto, en función de varios parámetros, incluida la detección basada en IA. Esto también ayuda a equilibrar las cargas de trabajo en una red de imágenes, evitando que un radiólogo se sobrecargue cuando hay otro radiólogo trabajando al 85 % de su capacidad. Como resultado, existe el ejemplo de una organización de atención médica pudo acelerar sus flujos de trabajo de radiología en un 50 %, lo que aumentó significativamente su capacidad para brindar atención oportuna y de alta calidad a cada paciente [4].

En mi época como radiólogo, todos trabajábamos en el mismo edificio del hospital. ¡Qué diferente es hoy! Después de que la pandemia normalizara la lectura de imágenes médicas desde casa, el 65% de los radiólogos que trabajan para hospitales académicos tienen la intención de continuar leyendo de forma remota, una cifra que es aún mayor en entornos no académicos (82%) según un estudio reciente publicado en el Journal of the Colegio Americano de Radiología [5]. En esta nueva realidad híbrida, los flujos de trabajo deben permitir el intercambio rápido y fluido de imágenes radiológicas y otra información médica entre ubicaciones, desde el hospital hasta el hogar.

La IA en radiología solía ser algo anecdótico; ahora es un diferenciador en la práctica. Para entender por qué, basta con pensar en la aplicación meteorológica de su teléfono. No estás buscando datos meteorológicos segundo a segundo de miles de sensores en estaciones meteorológicas cercanas; solo quieres saber si el sol brillará dentro de una hora o si necesitas traer un paraguas cuando salgas por la puerta. Lo mismo ocurre con los radiólogos, que a menudo tienen una gran cantidad de datos, pero poca información. Ahí es donde entra la IA.

Al convertir grandes cantidades de datos de imágenes en conocimientos relevantes, la IA puede reducir la carga cognitiva de los radiólogos y permitirles centrar su experiencia donde más importa. Por ejemplo, en la detección del cáncer de pulmón por CT, donde la detección temprana es fundamental para mejores resultados para los pacientes, la IA puede ayudar a los radiólogos a identificar nódulos pulmonares un 26 % más rápido y también a detectar el 29 % de los nódulos previamente pasados por alto [6]. O, como otro ejemplo, la IA puede ayudar a clasificar a los pacientes que ingresan en el departamento de emergencias con sospecha de fracturas óseas, al identificar automáticamente exploraciones radiológicas en las que no hay evidencia inmediata de una fractura. Como resultado, los radiólogos pueden concentrarse en casos más complejos y urgentes, mientras que los pacientes se benefician de tiempos de espera reducidos [7].

Imagine a un piloto pilotando un avión y teniendo que llamar a la tripulación de cabina para obtener lecturas de altitud, velocidad aérea y navegación. No está muy lejos de la realidad a la que se enfrentan los radiólogos cuando intentan obtener una visión general de toda la información relevante del paciente, que normalmente se encuentra distribuida en sistemas dispares. Mis compañeros radiólogos y yo solíamos decir que teníamos que “buscar y picotear” en busca de información, ya sea abriendo otra aplicación o llamando a la recepcionista para obtener más antecedentes o casos externos. Fuimos capacitados para interpretar estudios; sin embargo, pasamos gran parte de nuestro tiempo haciendo clic, desplazándonos y haciendo llamadas telefónicas solo para recopilar los datos que necesitábamos. Peor aún: tiende a ser lo mismo para otros médicos involucrados en el diagnóstico de pacientes, incluidos patólogos, cardiólogos y oncólogos.

Los diagnósticos integrados pueden ayudar a crear la cabina de la que los radiólogos y otros médicos a menudo carecen hoy en día, reuniendo datos dispares en todos los dominios para proporcionar una imagen completa de la enfermedad del paciente. Siguiendo con la atención del cáncer como ejemplo: al integrar datos de radiología, patología y laboratorio en una sola vista, podemos permitir que todos los miembros de un equipo de atención trabajen juntos de manera más eficiente y efectiva. Esto también brinda a los diferentes especialistas más información sobre cuán consistentes son sus hallazgos entre sí, lo que crea un circuito de retroalimentación continuo y, en algunos casos, puede revelar la necesidad de diagnósticos adicionales. Para los pacientes con cáncer, eso puede significar la diferencia entre un resultado ideal o malo debido a una detección y diagnóstico más tempranos, así como a un tratamiento más preciso y personalizado.

Los avances del hardware en la adquisición de imágenes médicas han avanzado mucho en las últimas décadas. Ahora es el momento de que las innovaciones en informática se pongan al día y mejoren la experiencia general del flujo de trabajo clínico de las personas que interpretan esas imágenes. Porque si hay algo de lo que los médicos y el personal nunca se cansan es del tiempo. Y si podemos devolverles parte de ese tiempo, en última instancia serán los pacientes los que se beneficiarán de un diagnóstico y tratamiento más rápidos y precisos.