Una IA vale lo que valen las decisiones que ayuda a los clínicos a tomar.
Evaluamos Legit.Health mediante pruebas de desarrollo y estudios clínicos. En conjunto, examinan el funcionamiento del software, cómo utilizan los profesionales sus resultados y cómo apoya el diagnóstico, la valoración de gravedad y las decisiones de derivación.
Nuestro programa de validación clínica incluye más de diez estudios en distintas afecciones y poblaciones. Esta página explica los métodos y destaca una selección de resultados. Los Estudios de validación clínica de las instrucciones de uso recogen el catálogo de estudios e indican los beneficios clínicos que respalda cada uno.
Dos cifras distintas
El rendimiento del modelo y el rendimiento clínico responden a preguntas distintas.
Estas evaluaciones se complementan: una mide el resultado del software y la otra examina su uso en una tarea clínica.
El algoritmo analiza imágenes y su resultado se compara con un diagnóstico de referencia. La sensibilidad, la especificidad y el área bajo la curva (AUC) describen distintos aspectos de su rendimiento en ese conjunto de casos.
En nuestros estudios de lectores, los mismos profesionales evalúan los mismos casos con y sin Legit.Health. La comparación de sus respuestas mide el cambio en la precisión diagnóstica para los casos y las condiciones de lectura estudiados.
Los conjuntos de prueba de desarrollo y los estudios clínicos pueden incluir distintas afecciones, poblaciones y diagnósticos de referencia. Sus resultados se presentan por separado, identificando el estudio y la variable evaluada, en lugar de promediarlos en una única cifra de precisión.
Por qué importa aquí
Legit.Health apoya la decisión; la toma el clínico.
Legit.Health devuelve una lista ordenada de las afecciones que puede mostrar una fotografía, cada una con su probabilidad, junto con los índices de derivación y de malignidad y las puntuaciones de gravedad. El clínico interpreta estos resultados junto con la historia clínica, la exploración, la medicación y las visitas anteriores. La decisión es suya.
Top-1 mide con qué frecuencia la afección correcta aparece en primer lugar; Top-3 y Top-5 indican si aparece entre las tres o las cinco primeras opciones. Estas medidas describen el diagnóstico diferencial ordenado. Los estudios de lectores evalúan después cómo cambian las respuestas de los profesionales al utilizar el informe.
Resultados de profesionales en la literatura
Acertar la primera opción del diagnóstico diferencial es una tarea exigente también para los profesionales. En un estudio de teledermatología con 963 casos, los médicos de atención primaria alcanzaron un 44 % de acierto en el primer diagnóstico (Top-1), y los dermatólogos un 63 %, tomando como referencia el diagnóstico de un panel de dermatólogos. Liu et al., Nature Medicine (2020).
En una cohorte de 144 casos de un estudio prospectivo sobre sospecha de neoplasia cutánea en hospitales de Corea del Sur, los dermatólogos responsables de la atención alcanzaron un 61,8 % en Top-1, un 69,4 % en Top-2 y un 71,5 % en Top-3. Kim et al., PLOS ONE (2022).
Son referencias para interpretar la precisión diagnóstica: las afecciones y los criterios de diagnóstico difieren de los utilizados en IDEI_2023, que evaluó lesiones pigmentadas confirmadas por histopatología y agrupó los subtipos de nevos. No constituyen una comparación directa con Legit.Health.
Cómo se diseñan los estudios
Los mismos clínicos, los mismos casos, con y sin Legit.Health.
Nuestros estudios de lectores utilizan un diseño multilector multicaso: varios profesionales evalúan un conjunto común de casos.
- Los casos: se seleccionan fotografías para la pregunta clínica del estudio, con un diagnóstico de referencia para cada caso.
- La primera lectura, sin Legit.Health: cada clínico anota su diagnóstico de cada caso por su cuenta.
- La segunda lectura, con Legit.Health: el mismo clínico vuelve a ver el mismo caso con el informe de Legit.Health al lado, y anota de nuevo su diagnóstico.
- La comparación: las respuestas de cada profesional se comparan caso a caso entre las dos lecturas. El protocolo define las variables y el análisis antes de evaluar los resultados.
El uso de fotografías permite que todos los profesionales evalúen los mismos casos. Las investigaciones clínicas prospectivas y los estudios de derivaciones complementan estas tareas de lectura de imágenes.
Qué encontraron los estudios
Con Legit.Health, los clínicos acertaron la afección más a menudo.
Todos los estudios siguientes compararon a los clínicos que usaban Legit.Health con esos mismos clínicos leyendo los mismos casos sin él.
El análisis por especialidad de MAN_2025 es exploratorio.
Médicos de atención primaria
BI_2024Psoriasis pustulosa generalizada y otras afecciones+20 puntos porcentuales del 49% al 69%PH_2024Lesiones cutáneas en atención primaria+18 puntos porcentuales del 64% al 82%SAN_2024Una amplia variedad de afecciones cutáneas+27 puntos porcentuales del 63% al 90%MAN_2025Piel oscura, fototipos V y VI de Fitzpatrick+28 puntos porcentuales del 37% al 65%
Dermatólogos
En todos los estudios mostrados que compararon los dos grupos profesionales, la mejora fue mayor en los médicos de atención primaria. Los gráficos muestran la precisión del primer diagnóstico; las mejoras se expresan en puntos porcentuales.
Los estudios
BI_2024, psoriasis pustulosa generalizada: evaluó el reconocimiento de esta enfermedad rara junto a otras afecciones con presentaciones similares. Ver el estudio.SAN_2024, una amplia variedad de afecciones: médicos de atención primaria y dermatólogos, en casos desde los frecuentes hasta los raros. Ver el estudio.MAN_2025, piel oscura: todos los casos eran de los fototipos V o VI de Fitzpatrick, los menos representados en la mayoría de los conjuntos de datos.PH_2024, atención primaria: médicos de familia, con las lesiones cutáneas que ven cada semana. Ver el estudio.
Cáncer de piel
Probado con pacientes reales.
Las investigaciones clínicas evalúan el índice de malignidad y el diagnóstico diferencial en poblaciones de pacientes definidas. Estos ejemplos responden a distintas preguntas clínicas.
- Lesiones pigmentadas confirmadas por histopatología: en la parte prospectiva de
IDEI_2023, el índice de malignidad de Legit.Health alcanzó un AUC del 96.69% (89.00%-100.00%) para distinguir lesiones pigmentadas malignas de benignas, tomando la histopatología como referencia. El intervalo indicado es el intervalo de confianza del 95 %. Esta estimación procede de una muestra prospectiva pequeña y está prevista su confirmación independiente. Ver el estudio. - Carcinoma basocelular y carcinoma epidermoide de cabeza y cuello: un estudio prospectivo en una consulta de cirugía de cabeza y cuello evaluó el reconocimiento de estos cánceres en el diagnóstico diferencial, tomando la histopatología como referencia. Publicado en European Archives of Oto-Rhino-Laryngology. Ver el estudio.
El AUC describe cómo distinguen las puntuaciones las lesiones malignas de las benignas a través de distintos umbrales de decisión. No es el porcentaje de cánceres detectados con un punto de corte concreto.
Elegir una IA dermatológica
Cuatro preguntas que vale la pena hacer a cualquier proveedor.
Son las preguntas que hacemos a nuestra propia evidencia, y sirven para cualquier herramienta.
- ¿Se midió con clínicos? Una sensibilidad en un conjunto de prueba dice cómo se comporta el software por sí solo. Pida el resultado de los clínicos con y sin la herramienta, en los mismos casos.
- ¿Con qué profesionales? Pida resultados en los grupos profesionales que utilizarán la herramienta, como médicos de atención primaria o dermatólogos.
- ¿En qué afecciones? Pregunte si la evidencia cubre las afecciones que traen sus pacientes, o solo una de ellas, como la sospecha de cáncer de piel.
- ¿Está certificada para ese uso? La finalidad prevista que figura en el certificado dice qué tenía que demostrar la evidencia. La de Legit.Health se explica en la página de certificación.
Agendemosuna demostración
Legit.Health es la solución de inteligencia artificial todo en uno con alto rendimiento, características exclusivas y respaldo clínico.
