DESARROLLO DE MODELOS PREDICTIVOS BASADOS EN INTELIGENCIA ARTIFICIAL PARA EL DIAGNÓSTICO DE OSTEOPOROSIS EN MUJERES POSMENOPÁUSICAS A PARTIR DE RADIOGRAFÍAS PANORÁMICAS

Objetivo: Desarrollar y validar modelos predictivos basados en inteligencia artificial (IA) para estimar el riesgo de osteoporosis en mujeres posmenopáusicas utilizando radiografías panorámicas dentales (ortopantomografías, OPT), comparando distintos enfoques de análisis de imagen.

Métodos: Se analizaron 301 radiografías panorámicas de mujeres posmenopáusicas, clasificadas según la densidad mineral ósea determinada mediante DXA. Un total de 245 imágenes procedentes del Hospital de San Giovanni Rotondo se utilizaron para entrenamiento y validación interna, mientras que 56 imágenes de la Universidad de Parma se emplearon como cohorte de validación externa. En cada imagen se definió una región de interés mandibular. Se desarrollaron modelos predictivos basados en radiómica clásica, radiómica profunda y redes neuronales convolucionales (CNN), evaluándose su rendimiento mediante el área bajo la curva (AUC), exactitud, sensibilidad y especificidad.

Resultados: La radiómica clásica mostró una capacidad predictiva limitada (AUC = 0,514). El mejor rendimiento dentro de este grupo se obtuvo con radiómica profunda utilizando características extraídas con DenseNet-121 combinadas con regresión logística (AUC = 0,722). Entre los modelos end-to-end basados en CNN, ResNet-50 con una estrategia híbrida de extracción de características alcanzó el mejor rendimiento en la validación externa (AUC = 0,786), con una sensibilidad del 90,5%. Aunque los resultados en validación interna fueron elevados, la validación externa mostró una reducción de la capacidad predictiva, evidenciando las limitaciones de generalización.

Conclusión: Los modelos basados en IA muestran un potencial prometedor para el cribado oportunista de la osteoporosis a partir de radiografías panorámicas. No obstante, se requiere validación adicional en cohortes más amplias y diversas antes de su aplicación clínica rutinaria.

• La radiómica clásica presenta escasa capacidad diagnóstica para osteoporosis (AUC ≈ 0,51).
• La radiómica profunda mejora significativamente el rendimiento predictivo (AUC hasta 0,72).
• Las CNN con transferencia de aprendizaje (ResNet-50) alcanzan el mejor rendimiento en validación externa:
  • AUC: 0,786.
  • Sensibilidad: 90,5%.
• La validación externa revela una menor generalización de los modelos respecto a los resultados internos.
• La OPT podría utilizarse como herramienta de cribado oportunista no invasivo.

La osteoporosis continúa siendo una patología infradiagnosticada, especialmente en fases iniciales. Este estudio introduce una estrategia innovadora basada en IA que permitiría identificar pacientes de riesgo utilizando pruebas de imagen ya existentes, como las radiografías panorámicas dentales, ampliamente utilizadas en la práctica odontológica.

Desde el punto de vista del especialista en columna, este enfoque podría facilitar:

• Diagnóstico precoz de osteoporosis.
• Identificación temprana de pacientes con mayor riesgo de fracturas vertebrales.
• Derivación selectiva a DXA y unidades de metabolismo óseo.

El concepto de cribado oportunista representa un cambio de paradigma en la prevención de fracturas por fragilidad.

Este trabajo ilustra de forma clara tanto el potencial como las limitaciones actuales de la inteligencia artificial aplicada al diagnóstico de la osteoporosis. La principal fortaleza reside en el uso de una cohorte de validación externa, algo aún poco frecuente en estudios de IA, lo que aporta realismo a los resultados.

Sin embargo, la pérdida de rendimiento fuera del centro de entrenamiento subraya un problema clave: la generalización de los modelos. Antes de su implementación clínica, será imprescindible estandarizar protocolos de adquisición, ampliar el tamaño muestral y validar los algoritmos en poblaciones heterogéneas.

En la práctica clínica, estos modelos no deben entenderse como sustitutos de la DXA, sino como herramientas complementarias que pueden alertar sobre pacientes de riesgo y optimizar los circuitos diagnósticos. Este estudio representa un paso sólido hacia una medicina más preventiva, integrada y apoyada en tecnología.