Informe radiológico estructurado asistido por modelos de lenguaje en residentes de Radiología: piloto de implementación en Urgencias.
Resumen
Objetivo: Evaluar si un sistema de informe estructurado asistido por Large Language Models puede integrarse de forma práctica en el trabajo de residentes de Radiología durante las guardias. Como objetivos secundarios: describir preferencias de formato mediante evaluación ciega, caracterizar diferencias lingüísticas entre informes manuales y asistidos, e identificar riesgos percibidos para un estudio confirmatorio. Métodos: Estudio piloto con dos componentes. En la fase prospectiva, cuatro residentes generaron 480 informes alternando redacción manual y asistida por LLM (Custom GPT-4o). En paralelo, se analizaron 200 informes anonimizados de adjuntos para contextualizar las métricas. Se empleó una encuesta ad hoc tipo Likert (seis dimensiones) y se calcularon métricas de clasificación y perplejidad como indicadores descriptivos. Resultados: La herramienta fue bien recibida. Las medianas Likert oscilaron entre 4,75 y 4,90 sobre 5. Los residentes distinguieron con precisión qué informes habían sido asistidos (F1 = 0,92), lo que sugiere una huella formal reconocible. Se observó sesgo de autoatribución en las preferencias ciegas. La perplejidad difirió entre residentes y adjuntos (p = 0,03), apuntando a mayor regularidad en profesionales experimentados. Conclusiones: Los hallazgos respaldan la integración inicial del asistente en el circuito de guardias. El interés reside en su función de andamiaje para estandarizar la comunicación entre residentes y médicos peticionarios, no en automatizar el razonamiento diagnóstico.
Descargas
-
Resumen58
-
pdf28
-
pdf 28
Citas
1. Kahn CE Jr. Artificial intelligence in radiology: decision support systems. Radiographics. 1994, 14, 849-861. https://doi.org/10.1148/radiographics.14.4.7938772
2. Rajpurkar P, Lungren MP. The current and future state of AI interpretation of medical images. N Engl J Med. 2023, 388, 1981-1990. https://doi.org/10.1056/NEJMra2301725
3. Brown TB, Mann B, Ryder N, et al. Language models are few-shot learners. Advances in Neural Information Processing Systems. 2020, 33, 1877-1901. https://doi.org/10.48550/arXiv.2005.14165
4. Vaswani A, Shazeer N, Parmar N, et al. Attention is all you need. Advances in Neural Information Processing Systems. 2017, 30, 5998-6008. https://doi.org/10.48550/arXiv.1706.03762
5. Hartung MP, Bickle IC, Gaillard F, Kanne JP. How to Create a Great Radiology Report. RadioGraphics. 2020, 40, 1658-1670. https://doi.org/10.1148/rg.2020200020
6. Castro D, Mishra S, Kwan BY, et al. Structured Reporting in Radiology Residency: A Standardized Approach to Assessing Interpretation Skills and Competence. Int Med Educ. 2025, 4, 40. https://doi.org/10.3390/ime4010002
7. Larson DB, Towbin AJ, Pryor RM, Donnelly LF. Improving consistency in radiology reporting through the use of department-wide standardized structured reporting. Radiology. 2013, 267, 240-250. https://doi.org/10.1148/radiol.12121502
8. Kao JP, Kao HT. Large Language Models in radiology: A technical and clinical perspective. Eur J Radiol Artif Intell. 2025, 2, 100021. https://doi.org/10.1016/j.ejrai.2025.100021
9. Mongan J, Moy L, Kahn CE Jr. Checklist for Artificial Intelligence in Medical Imaging (CLAIM): A Guide for Authors and Reviewers. Radiol Artif Intell. 2020, 2, e200029. https://doi.org/10.1148/ryai.2020200029
10. Wirth S, Hebebrand J, Basilico R, et al. European Society of Emergency Radiology (ESER). Guideline on radiological polytrauma imaging and service (full version). Disponible en: https://www.eser-society.org/polytrauma-imaging-guidelines/ (Acceso: enero 2025).
11. Radiological Society of North America. RadReport Templates. Disponible en: https://www.rsna.org/practice-tools/data-tools-and-standards/radreport-templates (Acceso: enero 2025).
12. Sociedad Española de Radiología Médica. Léxico conflictivo en Radiología. Madrid: SERAM; 2020. Disponible en: https://static.seram.es/wp-content/uploads/2021/07/lexico_radiologico_conflictivo.pdf (Acceso: enero 2025).
13. Lewis P, Perez E, Piktus A, et al. Retrieval-augmented generation for knowledge-intensive NLP tasks. Advances in Neural Information Processing Systems. 2020, 33, 9459-9474. https://doi.org/10.48550/arXiv.2005.11401
14. Lancaster GA, Dodd S, Williamson PR. Design and analysis of pilot studies: recommendations for good practice. J Eval Clin Pract. 2004, 10, 307-312. https://doi.org/10.1111/j..2002.384.doc.x
15. Brooke J. SUS: A 'quick and dirty' usability scale. En: Jordan PW, Thomas B, McClelland IL, Weerdmeester B, eds. Usability Evaluation in Industry. London: Taylor & Francis; 1996. p. 189-194.
16. Patel BN, Rosenberg L, Willcox G, et al. Human-machine partnership with artificial intelligence for chest radiograph diagnosis. NPJ Digit Med. 2019, 2, 111. https://doi.org/10.1038/s41746-019-0189-7
17. Wood D, Bruner JS, Ross G. The role of tutoring in problem solving. J Child Psychol Psychiatry. 1976, 17, 89-100. https://doi.org/10.1111/j.1469-7610.1976.tb00381.x
18. Ten Cate O. Entrustability of professional activities and competency-based training. Med Educ. 2005, 39, 1176-1177. https://doi.org/10.1111/j.1365-2929.2005.02341.x
19. Epstein RM. Assessment in medical education. N Engl J Med. 2007, 356, 387-396. https://doi.org/10.1056/NEJMra054784
20. Schwartz LH, Panicek DM, Berk AR, et al. Improving communication of diagnostic radiology findings through structured reporting. Radiology. 2011, 260, 174-181. https://doi.org/10.1148/radiol.11101913
21. Busch F, Hoffmann L, Pinto dos Santos D, et al. Large language models for structured reporting in radiology: past, present, and future. Eur Radiol. 2025, 35, 2589-2602. https://doi.org/10.1007/s00330-024-11107-6
22. Lindholz M, Burdenski A, Ruppel R, et al. Comparing large language models and text embedding models for automated classification of textual, semantic, and critical changes in radiology reports. Eur J Radiol. 2025, 191, 112316. https://doi.org/10.1016/j.ejrad.2025.112316
23. Martín-Noguerol T, López-Úbeda P, Luna A. From GPS to ChatGPT in Radiology... Dumb and Dumber? J Am Coll Radiol. 2025. https://doi.org/10.1016/j.jacr.2025.09.014
24. European Society of Radiology. ESR paper on structured reporting in radiology. Insights Imaging. 2018, 9, 1-7. https://doi.org/10.1007/s13244-017-0588-8
Derechos de autor 2026 Servicio de Publicaciones de la Universidad de Murcia
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Las obras que se publican en esta revista están sujetas a los siguientes términos:
1. El Servicio de Publicaciones de la Universidad de Murcia (la editorial) conserva los derechos patrimoniales (copyright) de las obras publicadas y favorece y permite la reutilización de las mismas bajo la licencia de uso indicada en el punto 2.
© Servicio de Publicaciones, Universidad de Murcia
2. Las obras se publican bajo una licencia Creative Commons Reconocimiento-NoComercial-SinObraDerivada 4.0.
3. Condiciones de auto-archivo. Se permite y se anima a los autores a difundir electrónicamente las versiones preprint (versión antes de ser evaluada y enviada a la revista) y/o post-print (versión evaluada y aceptada para su publicación) de sus obras antes de su publicación, ya que favorece su circulación y difusión más temprana y con ello un posible aumento en su citación y alcance entre la comunidad académica.
