Tuberculosis: ¿mejora el cribado añadir datos clínicos de rutina a la ecografía pulmonar? Un preprint de Benín con 502 pacientes y una prueba de 101

Un equipo sudafricano, beninés y suizo entrenó una red neuronal para leer ecografías pulmonares a pie de cama y le añadió un segundo modelo que usa datos clínicos de rutina (edad, fiebre, sudores nocturnos, estado de VIH, etc.) para cribar la tuberculosis. En un conjunto de prueba de 101 pacientes, el promedio de ambos puntajes alcanza un AUROC de 0,95 frente a 0,91 solo con imagen, con sensibilidad de 0,93 y especificidad de 0,76. La mejora es plausible pero no está demostrada: los propios autores indican que no es estadísticamente concluyente (p = 0,10), y todo proviene de un único hospital.

El contexto

La tuberculosis sigue siendo una de las enfermedades infecciosas más mortales del mundo, y el cuello de botella suele ser el cribado: en muchos centros de salud del África subsahariana no hay radiólogo y a veces ni siquiera equipo de radiografía. La ecografía pulmonar en el punto de atención (POCUS, point-of-care ultrasound) es una vía atractiva: las sondas portátiles son baratas, no emiten radiación y un algoritmo puede asistir a un operador poco formado. Trabajos previos han mostrado que el deep learning (aprendizaje profundo) detecta signos de tuberculosis en estas imágenes.

Este estudio plantea una pregunta más modesta pero muy práctica: dado que el clínico dispone de todos modos de información básica del paciente, ¿cuánto gana el algoritmo al usarla además de la imagen? Los autores trabajan sobre la cohorte ya publicada por su grupo, esta vez con un conjunto de variables clínicas y una definición ampliada de casos de tuberculosis.

El método

Los datos. Se incluyeron 502 pacientes con síntomas respiratorios en el hospital universitario CNHU-PPC de Cotonú (Benín), un solo centro. Cada uno se sometió a un protocolo estandarizado de ecografía torácica en 14 puntos (en promedio 27 adquisiciones por paciente, de 10 a 33). La referencia es la prueba molecular Xpert MTB/RIF Ultra en esputo (que detecta el ADN del bacilo); los pacientes diagnosticados clínicamente (síntomas, imagen, evolución) también se cuentan como positivos. En total, 224 pacientes están etiquetados como tuberculosis. Los datos se dividen en cinco pliegues de validación cruzada (unos 80 pacientes cada uno; técnica que alterna los subconjuntos de entrenamiento y validación) y un conjunto de prueba fijo de 101 pacientes, 43 con tuberculosis.

El modelo de imagen. Es una ResNet-18, una red convolucional clásica, aplicada a imágenes de 224 × 224 en escala de grises. Un esquema de aprendizaje de instancias múltiples (multi-instance learning) trata las imágenes de un paciente como un conjunto: cada una de las 14 localizaciones anatómicas recibe una representación propia y un mecanismo de atención aditiva pondera las imágenes antes de una capa de decisión única por paciente.

Las variables clínicas. Se agrupan en tres familias: 28 variables autodeclaradas (tos, pérdida de peso, fiebre, sudores nocturnos, tuberculosis previa, etc.), 13 medidas (saturación de oxígeno, frecuencia cardíaca, tensión, temperatura, adenopatías, etc.) y 3 de pruebas rápidas en el punto de atención (VIH, prueba rápida de malaria y su estado realizada/no realizada). Una selección secuencial voraz conserva 18 variables para el mejor modelo.

La fusión. Se comparan tres estrategias: concatenar las representaciones antes de la decisión, promediar las dos probabilidades, o entrenar una regresión logística sobre las salidas de ambos modelos. La métrica principal es el AUROC (área bajo la curva ROC: la probabilidad de que el modelo asigne un puntaje mayor a un paciente con tuberculosis que a uno sin ella elegido al azar).

Los resultados

Métricas de ML. En el conjunto de prueba, el modelo solo de imagen alcanza un AUROC de 0,91 [IC 95 %: 0,86–0,96]. Los modelos solo clínicos obtienen de 0,88 a 0,89 con selección de variables. La mejor fusión (variables de las tres familias, selección, promedio de puntajes) alcanza 0,95 [0,91–0,99]; la regresión logística da 0,94 y la concatenación 0,93. Con un umbral fijado para un 90 % de sensibilidad en desarrollo, el modelo fusionado muestra en la prueba una sensibilidad de 0,93 [0,81–0,98] y una especificidad de 0,76 [0,63–0,85]. La mejora respecto a la imagen sola es de unos 4 puntos de AUROC, con p = 0,10: no se puede descartar el azar. Las variables de pruebas rápidas aportan poco y, solas, casi no discriminan (AUROC de desarrollo 0,57).

Traducción clínica. Apliquemos estas cifras a 1.000 pacientes con la misma proporción de tuberculosis que la muestra de prueba (43 %, es decir, 426 casos): se detectarían unos 396 y se perderían 30 (falsos negativos), mientras que, entre los 574 sin tuberculosis, unos 138 serían derivados por error a una prueba de confirmación (falsos positivos). Pero el intervalo de confianza de la sensibilidad (0,81–0,98) admite entre 9 y 81 casos perdidos. En un cribado masivo con menor prevalencia, por ejemplo 10 % (ilustración, no proviene del artículo), las mismas tasas darían 7 casos perdidos pero unos 216 falsos positivos por cada 1.000 personas: los falsos positivos serían la verdadera cuestión operativa. Los autores indican que estos valores cumplen los objetivos de la OMS para una prueba de triaje, pero esos objetivos suelen evaluarse con intervalos mucho más estrechos que los de una prueba con 101 pacientes.

Lo que está bien

Una pregunta pragmática. En lugar de buscar un modelo nuevo, el estudio mide cuánto vale la información ya recogida en la consulta y cuál es inútil. El resultado de la selección (bastan 18 variables, lo que evita introducir 27 valores más) es directamente aprovechable para diseñar una herramienta ligera.

Fusiones sencillas y comparadas. Se prueban tres métodos y el más simple (promedio de puntajes) es el mejor o igual de bueno que los demás. Es un resultado honesto que evita complejidad innecesaria. Los autores señalan además que otras variantes (máximo, mínimo, calibración) no ayudaron.

Transparencia en datos y ética. El estudio está registrado (NCT05423847), aprobado por un comité de ética, con consentimiento escrito de cada participante. Los datos están disponibles para investigación bajo acuerdo de uso a través de Hugging Face. El fabricante del equipo (Butterfly) declara no haber participado en la financiación, la recogida, el análisis ni las conclusiones; la financiación procede de la Unión Europea (EDCTP3), Suiza y la Liga Suiza contra las Enfermedades Pulmonares.

Lo que está peor

Una prueba minúscula y una mejora no establecida (métrica engañosa). 101 pacientes, 43 con tuberculosis: los intervalos de confianza son amplios y la mejora de 4 puntos de AUROC no supera el umbral de significación (p = 0,10). Además, el umbral de decisión se fija con datos de desarrollo y el rendimiento operativo (sensibilidad 0,93, especificidad 0,76) descansa en muy pocos casos.

Un solo hospital, sin validación externa (sesgo de población). Los 502 pacientes proceden de un centro de referencia de tuberculosis en Cotonú: prevalencia alta (45 % en la cohorte), pacientes derivados por síntomas respiratorios, un solo tipo de sonda. Nada garantiza que el modelo funcione en un centro de atención primaria, con otro operador u otra prevalencia. Los autores no reportan validación externa y no se menciona código.

Una definición de casos cambiante y variables posiblemente entrelazadas con la referencia (fuga de información y etiquetas ruidosas). Los pacientes «diagnosticados clínicamente» se cuentan como positivos: ese diagnóstico pudo basarse en los mismos síntomas e imágenes que usa el modelo, lo que puede hacer que las variables clínicas parezcan artificialmente predictivas. El artículo no analiza este punto. Además, esta definición difiere de la del trabajo anterior del grupo sobre la misma cohorte (que solo contaba casos confirmados bacteriológicamente, AUROC 0,91), lo que complica cualquier comparación. Por último, el artículo no tiene una sección dedicada a las limitaciones y no indica explícitamente que la división se haga a nivel de paciente.

Lo que cambia

Para la comunidad investigadora. El artículo ofrece un marco de comparación útil (ecografía sola, clínica sola, fusión) y un conjunto de datos accesible. Hará falta una muestra mayor, varios centros y, si es posible, una evaluación prospectiva con el modelo congelado antes de probarlo.

Para los clínicos. Hoy no cambia nada: es un preprint sin revisión por pares ni validación externa. La enseñanza práctica es sobre todo que unos pocos datos de la consulta (peso, fiebre, sudores, antecedentes, estado de VIH) parecen complementar la imagen, un recordatorio de que el algoritmo no sustituye a la anamnesis.

Para los pacientes y el público. La ecografía pulmonar asistida por IA podría algún día facilitar el triaje donde no hay radiólogo, pero todavía no es una herramienta validada. Un triaje positivo no es un diagnóstico: orienta hacia una prueba de confirmación.

Para ir más lejos

Preprint: arXiv:2610.06034 (enviado el 5 de octubre de 2026, versión 1, sin revisión por pares). Autores: Joshua M. Jansen van Vüren, Christiaan M. Geldenhuys, Devendra S. Parihar, Véronique Suttels, Trevor Brokowski, Ablo P. Wachinou, Mary-Anne Hartley, Rensu P. Theart, Grant Theron y Thomas R. Niesler. Conjunto de datos: AI-POCUS-COP/ultrai-lung-ultrasound en Hugging Face (requiere acuerdo de uso). Estudio clínico: NCT05423847. Trabajo relacionado del mismo grupo: arXiv:2610.03290 (preentrenamiento ecocardiográfico para ecografía pulmonar).

Transparencia editorial: este artículo se elaboró con ayuda de herramientas de inteligencia artificial a partir del texto del preprint; todas las cifras proceden del artículo, salvo las conversiones por cada 1.000 pacientes, calculadas por la redacción. Las versiones en inglés, español y chino son traducciones automáticas.