Las dos versiones están alineadas bloque a bloque, en el orden del texto: titular, lo esencial y después párrafo a párrafo. Cuando la traducción ha fusionado o dividido un párrafo, la casilla correspondiente queda vacía — nunca emparejamos dos pasajes a ojo.
A CT scan taken to check for pneumonia can carry far more than that answer. Somewhere in its slices, a radiologist's eye may miss the early signs of a heart rhythm problem or a failing kidney, because nobody asked the question. Penn Medicine researchers have built an artificial intelligence model that tries to find exactly those things, and a new study in npj Digital Medicine reports what it can pick up.
Una tomografía computarizada hecha para descartar una neumonía puede aportar mucho más que esa respuesta. En alguno de sus cortes, el ojo de un radiólogo podría pasar por alto los primeros signos de un problema del ritmo cardíaco o de un riñón que falla, porque nadie se había hecho esa pregunta. Investigadores de Penn Medicine han desarrollado un modelo de inteligencia artificial que intenta encontrar precisamente esas cosas, y un nuevo estudio en npj Digital Medicine informa de lo que es capaz de detectar.
The model, called Percival, was trained on roughly 400,000 CT scans from about 50,000 patients, drawn from the Penn Medicine BioBank, which gathers data on more than 350,000 people across the University of Pennsylvania Health System over two decades. Most AI tools have to be pointed at a specific condition. Percival is designed to run in the background and surface patterns nobody thought to look for. The team says it found traces of atrial fibrillation, an irregular heartbeat, and chronic kidney disease in scans. Against another AI model, TotalSegmentator, Percival flagged pancreatic cancer, cirrhosis and bacterial pneumonia much more reliably, according to the study's authors.
El modelo, llamado Percival, se entrenó con unas 400.000 tomografías de unos 50.000 pacientes, extraídas del Penn Medicine BioBank, que recoge datos de más de 350.000 personas del Sistema de Salud de la Universidad de Pensilvania a lo largo de dos décadas. La mayoría de las herramientas de IA deben orientarse hacia una enfermedad concreta. Percival está diseñada para funcionar en segundo plano y sacar a la luz patrones que nadie pensó en buscar. El equipo afirma que encontró indicios de fibrilación auricular, un latido irregular, y de enfermedad renal crónica en las imágenes. Frente a otro modelo de IA, TotalSegmentator, Percival detectó cáncer de páncreas, cirrosis y neumonía bacteriana con mucha más fiabilidad, según los autores del estudio.
The researchers call this approach 'opportunistic screening': finding disease on a scan ordered for something else. Co-author Charles Kahn, a radiology professor, argues that many patients already have substantial heart or metabolic disease by the time they reach specialty care, so an image taken for another reason could bring that forward. The results are still preclinical. They come from the team's own testing, and the model has not yet been used on patients in routine care.
Los investigadores llaman a este enfoque «cribado oportunista»: detectar una enfermedad en una prueba pedida por otro motivo. El coautor Charles Kahn, profesor de radiología, sostiene que muchos pacientes ya presentan una enfermedad cardíaca o metabólica importante cuando llegan a la atención especializada, así que una imagen tomada por otra razón podría adelantar ese diagnóstico. Los resultados siguen siendo preclínicos. Proceden de las pruebas del propio equipo, y el modelo todavía no se ha utilizado en pacientes de la práctica asistencial habitual.
For patients, the practical gain would be earlier recognition, and for hospitals, a way to get more out of imaging they already perform. The developers hope to test Percival early next year, aiming to bring it into the clinic for regular use. Until then, the gains are a promise to be checked: the team is examining how larger datasets and data from several institutions could make the model more robust and predictive. Its code and training specifications are open source, so other groups can test it too.
Para los pacientes, la ganancia práctica sería un reconocimiento más temprano de la enfermedad; para los hospitales, una forma de sacar más partido a las imágenes que ya realizan. Los desarrolladores esperan ensayar Percival a principios del próximo año, con el objetivo de llevarla a la clínica para un uso habitual. Hasta entonces, las ventajas son una promesa que debe comprobarse: el equipo estudia cómo los conjuntos de datos más grandes y los datos de varias instituciones podrían hacer el modelo más robusto y predictivo. Su código y sus especificaciones de entrenamiento son de código abierto, de modo que otros grupos también puedan probarlo.
Penn Medicine is also developing other tools. A separate model for cardiac MRI scans, built to help diagnose new conditions, reached near-perfect accuracy in one test, and the team's earlier AInSights tool is expected to help guide Percival's path to the clinic.
Penn Medicine desarrolla además otras herramientas. Un modelo separado para resonancias magnéticas cardíacas, diseñado para ayudar a diagnosticar enfermedades nuevas, alcanzó una precisión casi perfecta en una prueba, y se espera que la herramienta AInSights, desarrollada antes por el equipo, ayude a orientar el camino de Percival hacia la clínica.