Pronóstico del ictus: seis neurólogos, un modelo clásico y un modelo de aprendizaje profundo comparados en el ensayo MR CLEAN

Un equipo de los hospitales universitarios de Zúrich, Ámsterdam y Maastricht organizó una confrontación poco habitual: con los datos del ensayo aleatorizado MR CLEAN, seis neurólogos predijeron la discapacidad a tres meses de pacientes que habían sufrido un ictus por oclusión de gran vaso, y sus pronósticos se compararon con los de dos modelos — uno estadístico clásico y uno de aprendizaje profundo que lee directamente la imagen. En la escala completa de discapacidad, ambos modelos superan claramente a los médicos, cuyas predicciones adolecen de un optimismo sistemático y de una gran variabilidad. La conclusión no es "la máquina sustituye al neurólogo": es que el error humano proviene sobre todo de una lectura imprecisa de la imagen, y que un modelo de extremo a extremo, al eliminar ese paso manual, podría servir de segunda opinión fiable — sin convertirse nunca en el guardián que decide solo el tratamiento.

El contexto

El ictus por oclusión de gran vaso (en inglés large vessel occlusion, LVO) es una urgencia en la que cada minuto cuenta: un coágulo obstruye una arteria cerebral importante y el pronóstico depende en parte de la rapidez del tratamiento. La trombectomía mecánica (endovascular treatment, EVT — retirar el coágulo mediante catéter) ha transformado la atención, pero las trayectorias siguen siendo muy heterogéneas: a los tres meses, solo alrededor de la mitad de los pacientes tratados recuperan su autonomía.

Para anticipar la evolución, el patrón de medida es la escala de Rankin modificada (modified Rankin Scale, mRS), graduada de 0 (sin síntomas) a 6 (fallecimiento). Predecir esta puntuación a tres meses ayuda a decidir e informar al paciente y a su familia. Sin embargo, los estudios muestran desde hace años que incluso clínicos experimentados tienen dificultades para hacerlo con precisión. Se han propuesto puntuaciones estadísticas (THRIVE, DRAGON, MR PREDICTS) que a menudo superan a los médicos; más recientemente, modelos de aprendizaje profundo integran directamente la imagen en bruto. Pero quedaba una pregunta poco explorada: ¿qué valen realmente los médicos frente a estas herramientas, cómo modifica su juicio la asistencia de un modelo y de dónde procede exactamente el error humano? Es lo que este preprint, firmado por Lisa Herzog, Nelly Blindenbacher y sus colegas, intenta desmontar pieza por pieza.

El método

Los autores utilizan los datos del ensayo aleatorizado MR CLEAN (500 pacientes con oclusión de gran vaso, tratados en las primeras seis horas, aleatorizados entre trombectomía y ausencia de trombectomía), un ensayo histórico de la trombectomía. La tarea: predecir el mRS a tres meses, tanto en la escala ordinal completa (0–6) como en forma binaria (0–2, autonomía "favorable", frente a 3–6, "desfavorable").

Seis neurólogos del hospital universitario de Zúrich (4 a 20 años de experiencia, mediana 10,5) predijeron la evolución de 40 casos, seleccionados por emparejamiento por puntuación de propensión para equilibrar tratados y no tratados. Cada uno procedió en dos rondas: primero a partir únicamente de los datos clínicos y de imagen (TC sin contraste y angio-TC), y luego una segunda vez con la ayuda de MR PREDICTS, debiendo esta vez estimar él mismo los parámetros de imagen que exige la herramienta.

Dos modelos sirven de comparadores. MR PREDICTS es una herramienta de apoyo a la decisión validada y pública: una regresión ordinal que combina variables clínicas con características de imagen extraídas manualmente — la puntuación ASPECTS (que cuantifica la extensión de las lesiones precoces en la TC), la localización de la oclusión y la puntuación de colateralidad (la calidad de las vías sanguíneas de reserva). Detalle crucial para la lectura: MR PREDICTS se desarrolló originalmente sobre MR CLEAN, de modo que aquí juega en casa. El segundo modelo es una red de aprendizaje profundo multimodal que lee directamente la angio-TC en bruto mediante una arquitectura de tipo transformer (una red especializada en analizar datos estructurados por relaciones, aquí la imagen), combinada con las variables clínicas, en un marco de regresión ordinal llamado interpretable (los efectos de las variables clínicas se expresan en razones de probabilidades legibles). Se entrenó con 449 pacientes mediante validación cruzada de cinco pliegues. El rendimiento se mide con el kappa ponderado cuadrático (QWK, la concordancia con la puntuación real penalizando más los desvíos grandes), la exactitud con un margen de un punto, el AUC (área bajo la curva ROC, capacidad de separar favorable y desfavorable) y la puntuación de Brier (calidad de calibración de las probabilidades). El estudio sigue las recomendaciones TRIPOD y CONSORT-AI.

Los resultados

En la escala ordinal completa, los modelos ganan con claridad. En el subgrupo de comparación (40 casos), MR PREDICTS alcanza un QWK de 0,51 y el modelo profundo de 0,49, frente a solo 0,27 de los neurólogos sin ayuda — una diferencia neta. Sobre todo, los médicos divergen enormemente entre sí: la concordancia entre evaluadores (Fleiss κ) es de apenas 0,11, señal de un pronóstico muy inestable de un profesional a otro. En la cohorte más amplia (404 casos completos), MR PREDICTS obtiene un QWK de 0,48 y el modelo profundo de 0,41; para la predicción binaria, el modelo profundo alcanza un 71,3 % de exactitud frente al 66,8 % de MR PREDICTS, con un AUC de 0,74 (frente a 0,78) pero mejor calibración (Brier 0,17 frente a 0,20).

El punto más esclarecedor no es la puntuación, sino la disección del error humano. Los neurólogos son sistemáticamente optimistas: predicen discapacidades más leves que las realmente observadas, un sesgo presente en todos los evaluadores, con o sin asistencia, mientras que los modelos tienen un error simétrico. Y cuando deben extraer ellos mismos los parámetros de imagen, fallan a menudo: la localización de la oclusión solo es correcta en el 65,8 % de los casos, la puntuación de colateralidad en el 44,6 %, y su estimación de la puntuación ASPECTS se desvía en promedio 3,4 puntos del valor confirmado. Dar acceso a MR PREDICTS mejora modestamente y sobre todo armoniza las predicciones (la concordancia binaria entre evaluadores pasa de 0,25 a 0,40, la exactitud binaria al 68,8 %), sin elevar a los médicos al nivel de los modelos solos en la escala ordinal.

La traducción clínica honesta: para el triaje binario "¿será autónomo el paciente o no?", humanos y máquinas se equivalen más o menos (en torno al 64 a 71 % de exactitud). Es en el matiz — predecir el grado exacto de discapacidad — donde los modelos abren distancia, justo donde se juegan las decisiones y las conversaciones difíciles con las familias. Un AUC en torno a 0,77 sigue siendo, no obstante, modesto: los autores recuerdan que probablemente existe un techo biológico, ya que los acontecimientos posteriores a la fase aguda (recidiva, complicaciones) no figuran en los datos iniciales.

Lo que está bien

Un comparador humano, y no uno cualquiera. La mayoría de los artículos de IA-salud se comparan con una puntuación o con nada. Aquí, seis neurólogos en ejercicio predicen en condiciones controladas, y también se mide la interacción humano-modelo. Esa es la buena pregunta clínica: no "¿es bueno el modelo?", sino "¿qué cambia para el médico que decide?".

Una disección de las fuentes de error. En lugar de proclamar una superioridad, el estudio identifica por qué se equivocan los humanos: optimismo sistemático y, sobre todo, incapacidad para extraer de forma fiable los parámetros de imagen que exigen los modelos clásicos. Es un argumento sólido, y matizado, a favor de los modelos de extremo a extremo que eliminan ese paso manual.

Transparencia y reproducibilidad parcial. El código es público en GitHub, el estudio sigue las guías de reporte TRIPOD y CONSORT-AI, el modelo profundo se evalúa estrictamente sobre datos de prueba no vistos, y los autores declaran ausencia de financiación y de conflictos de interés. Otras tantas señales de seriedad metodológica.

Lo que está menos bien

Un comparador que juega en casa: el modo de fallo del comparador sesgado. MR PREDICTS se desarrolló sobre el ensayo MR CLEAN; evaluarlo sobre ese mismo conjunto de datos probablemente infla su rendimiento por sobreajuste, como reconocen los autores. La comparación con el modelo profundo, evaluado sobre datos no vistos, no se hace por tanto en igualdad de condiciones: la puntuación del modelo clásico es probablemente optimista.

Un solo ensayo, una cohorte antigua: el modo de fallo del sesgo de población. Todos los datos proceden de MR CLEAN, recogidos entre 2010 y 2014, antes de los dispositivos y protocolos de trombectomía actuales. La población es esencialmente neerlandesa. Nada garantiza que el modelo profundo, que aún no tiene validación externa, se mantenga en pacientes de hoy, de otros países o de otros escáneres — los autores lo dicen con claridad.

Una muestra de comparación minúscula y un montaje artificial. El experimento se basa en 40 casos y 6 médicos: los intervalos de confianza son amplios (el AUC del modelo profundo sobre esos 40 casos va de 0,42 a 0,91). Y el ejercicio — predecir sobre expediente, sin la presión del tiempo real ni el contacto directo con el paciente — no reproduce las condiciones de la guardia, donde la intuición clínica se nutre de elementos ausentes de los datos. El "pronóstico" medido aquí tiene además un límite intrínseco: parte de la evolución depende de acontecimientos posteriores que ningún dato inicial puede contener.

Lo que cambia

Para la comunidad de investigación, el estudio desplaza el debate. Confirma que los modelos superan a los clínicos en el pronóstico fino del ictus, pero sobre todo muestra que el cuello de botella humano es la lectura de la imagen — lo que aboga por modelos de extremo a extremo, que eliminan la extracción manual de variables, en lugar de puntuaciones que dependen de ella. Invita también a medir no solo el rendimiento del modelo, sino la interacción humano-modelo, ya que la superioridad de una herramienta no se traduce automáticamente en una mejor decisión humana.

Para los clínicos, nada es desplegable tal cual: modelo de un solo ensayo, retrospectivo, sin validación prospectiva ni externa. Pero la dirección es clara — un modelo de extremo a extremo podría ofrecer una "segunda opinión" objetiva y rápida, útil para contrarrestar el optimismo espontáneo y armonizar pronósticos hoy muy variables de un médico a otro. Los autores insisten en el encuadre ético: tal herramienta debe apoyar la decisión y el diálogo con las familias, nunca servir de guardián que denegaría un tratamiento. Para los pacientes y el público, el mensaje es mesurado: la máquina no "ve" el futuro, estima probabilidades a partir de los datos del primer día; puede ayudar al médico a ser más preciso y coherente, pero el pronóstico de un ictus sigue siendo incierto por naturaleza, y la decisión sigue siendo humana.

Para saber más

El preprint está disponible en medRxiv (DOI 10.64898/2026.06.12.26355559), y el código de análisis en el repositorio GitHub de los autores. Sobre la IA pronóstica tras un ictus desde otros ángulos, véanse nuestros decryptages sobre el grafo heterogéneo para la mortalidad tras un ictus y sobre el pronóstico cognitivo por neuroimagen.

Transparencia editorial: versión francesa redactada y firmada por la redacción de Tatakoto a partir de la lectura del preprint. Traducciones al inglés, español y chino producidas con asistencia de IA y revisadas.