Introducción: La inteligencia artificial está cada vez más presente en la ciencia, la comunicación, así como en los congresos médicos. Cada día son más los investigadores que la usan para redactar o mejorar sus posters y presentaciones en reuniones especializadas.

Objetivo: Nuestro objetivo es Identificar la presencia y el uso de herramientas de IA en la creación de posters y videos, presentados durante las Reuniones Nacionales del Grupo de Urología oncológica 2024-2025

Materiales y Métodos: Se analizaron los posters presentados en el periodo 2024-2025, utilizando uno de los softwares de detección de IA mejor valorados (ISGEN.IA) se analizaron estos trabajos, para determinar el probable uso de IA y su tendencia a lo largo de los años

Resultados:

Conclusiones: Durante las Reuniones Nacionales del Grupo de Urología Oncológica 2024-2025 se presentaron 394 posters. Se identificó probable uso de inteligencia artificial en 65 trabajos (16,5% del total), con un notable incremento del 8,7% (15 posters) en 2024 al 22,5% (50 posters) en 2025, lo que supone un aumento relativo del 158%. El empleo de IA se concentró principalmente en las secciones de Introducción y Conclusiones, especialmente en 2025. Geográficamente, Madrid Cataluña y Valencia lideraron los casos detectados. Estos hallazgos evidencian una rápida adopción de herramientas de IA en resúmenes científicos oncológicos urológicos. Esto plantea la necesidad de guías éticas para su uso transparente

Introducción: La progresión precoz a cáncer de próstata resistente a la castración metastásico (CPRCm) en menos de 12 meses identifica un fenotipo de gran agresividad y mal pronóstico. Las herramientas actuales (CHAARTED, LATITUDE) ofrecen una capacidad predictiva individual limitada.

Objetivo: Desarrollar y validar externamente un algoritmo de aprendizaje automático (Machine Learning), denominado RINH, para predecir la progresión precoz a mCRPC utilizando exclusivamente variables clínicas rutinarias.

Material y Métodos: Estudio multicéntrico con 412 pacientes con cáncer de próstata hormonosensible metastásico (mHSPC) de novo de siete centros españoles. Se registraron 20 variables clínicas. Tras excluir 55 casos singulares mediante análisis de fiabilidad RINH, se utilizaron 357 pacientes para entrenar y comparar seis algoritmos: RINH, Regresión Logística, Discriminante Lineal, SVM, Random Forest y Subspace Discriminant. La validación externa se realizó entrenando el modelo en un centro (n=121) y testándolo de forma independiente en los seis restantes (n=207).

Resultados: El algoritmo RINH demostró un rendimiento superior y más equilibrado que los clasificadores convencionales. En la validación externa, RINH alcanzó un Área Bajo la Curva (AUC) de 0,95, con una sensibilidad del 0,90 y especificidad del 1,00, superando significativamente a los modelos tradicionales que mostraron un deterioro marcado en su capacidad predictiva al cambiar de cohortes. No obstante, el análisis de fiabilidad reveló una menor confianza del algoritmo en la validación externa debido al bajo número de eventos de progresión (n=10), lo que sugiere cierta inestabilidad potencial.

Conclusiones: El algoritmo RINH permite una estratificación de riesgo individualizada y precisa en mHSPC utilizando solo datos clínicos. Aunque los resultados son excelentes, la validación en cohortes más amplias es necesaria antes de su implementación clínica. Esta herramienta podría optimizar la selección de pacientes para intensificación terapéutica.

El seguimiento de pacientes con cáncer de próstata no metastásico representa un reto creciente para los sistemas sanitarios, dada la necesidad de detectar de forma precoz eventos relevantes sin incrementar la carga asistencial. En este contexto, las plataformas de inteligencia artificial (IA) conversacional surgen como una herramienta innovadora para el seguimiento de pacientes.

El objetivo primario de este estudio fue evaluar la utilidad de la plataforma de IA conversacional LOLA-Tucuvi en el seguimiento remoto de pacientes con cáncer de próstata no metastásico, con el fin de priorizar recursos clínicos y facilitar la detección temprana de eventos clínicamente relevantes. Como objetivos secundarios, se analizaron la adherencia y participación de los pacientes, la capacidad del sistema para generar alertas estratificadas según severidad, el impacto asistencial y la eficiencia operativa medida por la liberación de horas asistenciales y la reducción de interacciones presenciales no necesarias.

Se realizó un seguimiento remoto trimestral mediante la plataforma Tucuvi Health Manager, en la que una asistente clínica virtual administraba cuestionarios estructurados y detectaba automáticamente situaciones predefinidas que generaban alertas clasificadas por severidad y notificadas al equipo clínico. El análisis incluyó datos recopilados entre enero de 2025 y enero de 2026, evaluando métricas de alcance, adherencia, alertas, acciones clínicas y eficiencia asistencial.

Durante el periodo analizado, LOLA realizó el seguimiento de 643 pacientes, alcanzando un 55% de cobertura y una adherencia del 82%, lo que permitió liberar de forma estimada 1.507 horas asistenciales. Se generaron 691 alertas, de las cuales el 16% fueron de severidad grave. Las alertas indujeron acciones clínicas en el 8,5% de los casos, incluyendo revisiones de historia clínica, solicitudes de pruebas, contactos con el paciente y visitas presenciales. La mayoría de las interacciones se categorizaron como “sin alerta”, lo que facilitó la priorización de los casos clínicamente relevantes.

En conclusión, la asistente virtual LOLA permitió un seguimiento continuado y proactivo de pacientes con cáncer de próstata no metastásico sin aumentar la carga asistencial, optimizando la priorización clínica. Este modelo podría consolidarse como una estrategia complementaria en el manejo del cáncer de próstata, así como extrapolarse a otras patologías.

Palabras clave:IA, Próstata , Seguimiento

Introducción: Los comités multidisciplinares de tumores urológicos (CMTU) son el estándar para decisiones complejas. La inteligencia artificial generativa (IAG) podría apoyar este proceso, pero su utilidad en práctica real es incierta. Objetivo: evaluar el grado de acuerdo de dos herramientas basadas en IAG (un GPT personalizado y OpenEvidence) frente a decisiones adoptadas por un CMTU.

Material y métodos: Estudio prospectivo de 100 casos clínicos presentados en el CMTU del Hospital de Manises entre mayo y noviembre de 2025. Se recogieron edad, sexo, ECOG-PS, índice de Charlson, tipo de tumor y estadio. Se configuró un GPT personalizado en ChatGPT y se utilizó OpenEvidence para generar una recomendación concreta para cada caso. Se evaluó el grado de acuerdo con el CMTU en: concordancia exacta, aceptable y discordancia. Se realizó análisis por subgrupos y se estimó la concordancia entre IAs.

Resultados: Se incluyeron 100 casos clínicos (edad media: 69.08 años; 85% varones). Estadio tumoral: 51% localizado, 22% localmente avanzado y 27% metastásico. Tipos de tumor: próstata (n=55), riñón (n=16), vejiga (n=15), tracto urinario superior (TUS) (n=7), testículo (n=3) y otros (n=4). Frente al CMTU, el GPT personalizado mostró concordancia exacta en 60%, aceptable en 18% y discordancia en 22%. OpenEvidence presentó concordancia exacta en 57%, aceptable en 16% y discordancia en 27%. No se observaron diferencias en la distribución de categorías entre ambas IAs (Stuart–Maxwell χ²=1.29; p=0.525). En el análisis por subgrupos, se observaron variaciones por tipo de tumor, estadio e índice de Charlson, con un rendimiento similar entre herramientas. La concordancia exacta fue mayor en tumor renal para el GPT (81.2%) y en TUS para OpenEvidence (71.4%); el estadio localizado mostró la mayor concordancia exacta (68.6%) en ambas herramientas; se observó mayor concordancia cuanto menor comorbilidad. La coincidencia entre IAs fue del 62%.

Conclusiones: En 100 casos discutidos en un comité urológico, un GPT personalizado y OpenEvidence mostraron un grado de acuerdo global clínicamente aceptable, sin diferencias relevantes. La coincidencia entre ambas IAs del 62% sugiere que pueden emitir recomendaciones distintas para un mismo caso. Se requieren más estudios para delimitar sus limitaciones y optimizar su uso como apoyo al CMTU.

Palabras clave: Comité multidisciplinar de tumores urológico; ChatGPT; OpenEvidence.

Introducción y objetivos
La inteligencia artificial (IA) se ha convertido en una herramienta prometedora para el diagnóstico del cáncer de próstata (CP), especialmente en la interpretación de la resonancia magnética multiparamétrica (RMmp) y en la selección de pacientes candidatos a biopsia. El objetivo de este estudio fue evaluar la influencia de las variables clínicas en el rendimiento de modelos de IA para la detección del cáncer de próstata clínicamente significativo (CPcs), presentando resultados actualizados tras la ampliación del conjunto de datos y el reentrenamiento de los modelos.

Materiales y métodos
Se desarrollaron tres modelos de IA para la clasificación del CPcs:
(1) Modelo de imagen: red 3D EfficientNet-B7 preentrenada con el conjunto de datos del desafío Prostate Imaging: Artificial Intelligence (PI-CAI) y ajustada con la base de datos BIMCV-Prostate, utilizando secuencias de RM segmentadas ponderadas en T2, ADC y DWI.
(2) Modelo clínico: incluyó antígeno prostático específico (PSA), densidad de PSA, edad y volumen prostático.
(3) Modelo híbrido: combinación de datos de imagen y variables clínicas.
Todos los modelos se reentrenaron con un conjunto de datos ampliado de 2670 pacientes (1404 sin CPcs y 1266 con CPcs).

Resultados
Tras la ampliación del conjunto de datos, el rendimiento mejoró en los tres modelos:
– Modelo de imagen: sensibilidad 71 %, especificidad 70 %, precisión 70 % y F1 72 %.
– Modelo clínico: sensibilidad 53 %, especificidad 87 %, precisión 70 % y F1 64 %.
– Modelo híbrido: sensibilidad 65 %, especificidad 79 %, precisión 72 % y F1 71 %.
El modelo híbrido mostró el rendimiento diagnóstico más equilibrado al combinar la elevada sensibilidad del análisis por RM con la mayor especificidad aportada por las variables clínicas.

Conclusiones
La integración de variables clínicas en modelos de IA basados en imágenes mejora la precisión y la robustez diagnóstica en la detección del cáncer de próstata. El modelo híbrido alcanzó el mejor rendimiento global, destacando el valor complementario de la información clínica y radiológica. La ampliación del conjunto de datos y el reentrenamiento del modelo mejoraron la capacidad de generalización, apoyando la incorporación de enfoques multidimensionales basados en IA en el diagnóstico del cáncer de próstata.

Introducción

La creciente carga de documentación clínica asociada a la historia clínica electrónica supone una barrera para la relación médico‑paciente y contribuye al burnout profesional. Los sistemas de escriba basados en inteligencia artificial (IA) ambiental se presentan como una herramienta innovadora para optimizar el registro clínico, mejorar la humanización de la consulta y aumentar la seguridad del paciente. El objetivo de este trabajo es describir la experiencia de implantación y uso de Mobility Scribe en las consultas externas de un Servicio de Urología.

Material y métodos

Mobility Scribe es un sistema de escriba de IA ambiental integrado en la aplicación Casiopea Mobility. El proceso es semiautomático, generando información clínica sin intervención del usuario a partir de la voz, requiriendo interacción únicamente para la confirmación o corrección de datos o acciones al final de la consulta. Durante el año 2025 se implantó progresivamente en las consultas externas del Servicio de Urología, inicialmente en primeras consultas y revisiones generales, y posteriormente en consultas monográficas (litiasis, oncología, urología funcional, andrología y trasplante).

Resultados

Durante 2025, Mobility Scribe fue habilitado en las consultas externas y utilizado por el 100% de los urólogos del servicio. Se empleó en 11.057 consultas de un total de 14.522, lo que representa un porcentaje global de uso del 76,14%. El grado de utilización individual osciló entre el 54% y el 95%, evidenciando variabilidad en la adopción de este nuevo modelo de interacción médico‑paciente entre los diferentes urólogos. El 76% de los pacientes fue atendido en menos de 15 min desde que su registro hasta que fueron llamados, medidos por quendamedic ®.
La valoración por parte de los profesionales fue favorable, destacando una mayor humanización de la consulta, un enfoque más centrado en el paciente frente al dispositivo, una mejor percepción objetiva y emocional del paciente y una mejora en la seguridad clínica, con reducción de errores en el registro de la información y aumento de la calidad y exhaustividad de la documentación y del informe de consulta.
La evaluación de la experiencia del paciente fue positiva, con un Net Promoter Score (NPS) de 65. El sistema se encuentra en constante evolución gracias a la colaboración estrecha entre clínicos e ingenieros informáticos, con un plan de desarrollo estructurado.

Conclusiones

La implantación de un sistema de escriba de IA ambiental en un Servicio de Urología es factible, ampliamente adoptada y bien valorada por profesionales y pacientes. Mobility Scribe contribuye a mejorar la humanización de la consulta, la calidad de la documentación clínica y la seguridad del paciente, reduciendo la carga administrativa. Estos resultados apoyan su papel como herramienta clave en la transformación digital de la práctica urológica, con potencial para ampliar funcionalidades y consolidar nuevos modelos asistenciales.

Introducción:

Los asistentes virtuales conversacionales basados en inteligencia artificial (IA) permiten automatizar el seguimiento clínico mediante llamadas estructuradas. Esta tecnología puede complementar el control habitual, facilitando la detección precoz de incidencias clínicas entre consultas. En el CAULE se implementó una nueva herramienta (TuCuVI-LOLA) para el seguimiento de pacientes prostatectomizados entre 2018-2024, realizando llamadas trimestrales y detectando alertas en función de las respuestas de los pacientes.

Material y métodos:

Se realizó un estudio descriptivo de las alertas generadas tras 9 meses de seguimiento a pacientes incluidos en el programa (TuCuvi). Se contactó con 346 pacientes y se contestaron 863 llamadas de los 1038 seguimientos programados desde la implementación del programa en el CAULE. Las alertas se clasificaron por tipo (PSA, dolor inesperado, última consulta, hematuria, intensidad del dolor, número erróneo, fallecimiento, hospitalización, fracturas/caídas), gravedad (leve/grave) y grupo etario. Cada alerta fue revisada por el equipo de Urología, que contactó con el paciente para confirmar la incidencia y valorar la necesidad de intervención clínica.

Resultados:

El 76% de los pacientes no generaron alertas. Se registraron 239 alertas, de las cuales 216 fueron clasificadas como graves. La alerta más frecuente fue por analítica con PSA (51,8%), seguido de las relativas a dolor inesperado (12,5%), tiempo desde la última consulta (9,6%) y hematuria (7,1%). El grupo de edad con mayor número de alertas fue el de 75-79 años (37%).

Conclusión:

La mayoría de las llamadas transcurre sin incidencias, pero el sistema permite identificar alertas clínicas relevantes que orientan la actuación médica. El uso de asistentes virtuales conversacionales basados en IA mejora la continuidad asistencial, permite recuperar pacientes con seguimiento perdido y facilita la detección precoz de síntomas que podrían pasar desapercibidos entre consultas presenciales.

Palabras clave: inteligencia artificial, cáncer de próstata, prostatectomía

Introducción

La aplicación clínica de modelos de inteligencia artificial (IA) en resonancia magnética multiparamétrica (mpMRI) de próstata no depende solo del rendimiento, sino de su capacidad para explicar de forma comprensible y anatómicamente coherente por qué clasifica un estudio como sospechoso de cáncer de próstata clínicamente significativo (csPCa). Este trabajo evalúa la utilidad de técnicas de interpretabilidad para facilitar su adopción como herramienta de apoyo (segundo lector).

Material y métodos

Se entrenó un modelo de aprendizaje profundo 3D (EfficientNet-B7) con segmentación prostática previa (nnUNet) y estrategias de agregación (ensamble ponderado y stacking con regresión logística) en un entorno multicéntrico (4700 sesiones de 16 centros de salud de la comunidad valenciana). La interpretabilidad se estudió con dos métodos complementarios: Occlusion Sensitivity (oclusiones sistemáticas para identificar la región anatómica/slice stack relevante) y Guided Backpropagation (mapas de saliencia para resaltar rasgos texturales finos asociados a lesión). Para validar la localización sin entrenamiento con segmentación explícita, se realizó un análisis post-hoc en 125 sesiones de 48 pacientes con “ground truth” mediante bounding boxes anotadas por urólogos expertos con apoyo radiológico.

Resultados

Los mapas explicativos mostraron coherencia clínica: la oclusión señaló de forma consistente la zona anatómica de interés (localización “zonal”), y la saliencia destacó patrones compatibles con lesión en las secuencias (localización “de características”), reforzando que el modelo prioriza regiones relevantes y no artefactos. En el subestudio de localización, se observó concordancia espacial de las explicaciones con la lesión en 110/125 sesiones (88%). Como contexto de aplicabilidad, el mejor modelo agregado alcanzó ROC-AUC 0,816 en el hold-out multicéntrico.

Conclusiones

La interpretabilidad basada en oclusión y saliencia aporta explicaciones complementarias y validadas frente a localización experta (88%), lo que favorece la confianza y su integración como apoyo a la lectura de mpMRI prostática en práctica clínica.

Introducción:
TUCUVI es un asistente virtual conversacional basado en inteligencia artificial (IA) que permite realizar un seguimiento clínico de los pacientes mediante llamadas programadas. En pacientes operados de cáncer de próstata, esta tecnología puede facilitar la detección precoz de incidencias entre revisiones presenciales. Entre los objetivos del sistema se encuentran la evaluación clínica remota, su integración en el seguimiento habitual y la futura valoración del impacto económico y del tiempo asistencial liberado.
Material y métodos:
TuCuVi realiza llamadas trimestrales a los pacientes incluidos en el sistema, interactúa en lenguaje natural, recoge datos estructurados (estado general, hematuria, síntomas de alarma, fecha de última analítica y consulta) y genera alertas clínicas si detecta información relevante. Estas alertas son revisadas por el equipo de Urología. Se incluyeron pacientes prostatectomizados por cáncer de próstata entre 2018 y 2024. La recogida de datos se limitó a nombre, apellidos, número de historia clínica y teléfono de contacto.
Resultados:
Hasta la fecha, se han introducido 431 pacientes en el sistema, programándose llamadas para 346. Nueve meses tras la implementación de TuCuVi, se contestaron 863 llamadas y se completaron 688. En la mayoría de los casos, el contacto se logró en el primer intento, realizándose hasta cuatro intentos por paciente. Se generaron 239 alertas tras las llamadas completadas, de las cuales 124 estuvieron relacionadas con la analítica de PSA.
Conclusión:
La implementación de un asistente virtual conversacional para el seguimiento de pacientes operados de cáncer de próstata es factible y útil. El sistema permite documentar síntomas de alarma, priorizar pacientes que requieren atención adicional y complementar el seguimiento habitual. Aunque actualmente se emplea como apoyo entre consultas, su potencial para reducir la carga asistencial y mejorar la eficiencia clínica es prometedor.

Introducción

La evaluación y el manejo de la hematuria en las plantas de hospitalización continúa siendo un reto asistencial, condicionado por la alta rotación del personal, la falta de formación específica y la necesidad frecuente de alertar al urólogo de alerta (guardia localizada). La incorporación de tecnologías de inteligencia artificial (IA) podría optimizar los flujos de trabajo, mejorar la seguridad del paciente y racionalizar el uso de recursos. El objetivo de este estudio es evaluar el impacto de un asistente virtual de enfermería basado en IA para el manejo de la hematuria en pacientes hospitalizados.

Material y métodos

Se desarrolló e implantó un sistema de procesamiento de imágenes basado en IA, integrado en el programa de salud Casiopea Mobility, utilizando algoritmos de Konica Minolta ®. El sistema se entrenó mediante una escala predefinida de hematuria y diluciones artificiales con colorante rojo y povidona yodada en recipientes de orina y bolsas de diuresis.
En la evalución estructurada por enfermería del paciente hospitalizado usando dispositivos móviles inteligentes, al registrar orina hemática en el balance, el sistema activa automáticamente una cámara de alta resolución y un asistente virtual, capturando imágenes con iluminación, enfoque y dilución estandarizadas. La IA analiza el color de la orina, proporcionando recomendaciones en tiempo real al personal de enfermería.
Se compararon dos periodos consecutivos de seis meses en 2025, con y sin el sistema, analizando estancia media, tiempos de alta, consumo y coste de bolsas de irrigación y número de alertas al urólogo de guardia.

Resultados

Durante el segundo semestre (con sistema), se observó una reducción de la estancia media (1,71 vs. 1,87 días) y del consumo de bolsas de irrigación (6,16 vs. 7,04 bolsas por paciente), con menor coste medio por paciente (26,11 € vs. 29,86 €). El porcentaje de altas antes de las 10:00 h y liberación de recursos antes de las 12:00 h aumentó del 45,8% al 64,22%. Asimismo, disminuyeron las alertas que requirieron valoración presencial del urólogo (6 vs. 9).

Conclusiones

La implementación de un asistente virtual de enfermería basado en IA para el manejo de la hematuria mejora la eficiencia asistencial, optimiza el uso de recursos, reduce la estancia hospitalaria y disminuye la necesidad de alertas al urólogo de guardia. Esta herramienta demuestra su potencial para aumentar la seguridad del paciente y la eficiencia operativa en las plantas de hospitalización en un contexto de alta rotación de personal de enfermería.

INTRODUCCIÓN

El carcinoma de células renales (CCR) representa el 90 % de los cánceres renales primarios. Sin embargo, el aspecto en las imágenes no siempre es diagnóstico y, a menudo, existen similitudes superpuestas en el aspecto de las masas renales benignas y malignas. Entre el 20 % y el 30 % de los tumores renales detectados en las pruebas de imagen son benignos, la mayoría de ellos con un diámetro inferior a 4 cm, y la identificación previa de estos pacientes podría evitarles biopsias y cirugías innecesarias. La radiómica es un tipo de análisis cuantitativo que proporciona un método no invasivo para la evaluación detallada de los tumores renales.

MATERIAL Y MÉTODOS

El estudio desarrolló modelos de clasificación basados en una cohorte retrospectiva equilibrada de 82 estudios de TC (42 carcinomas de células claras y 40 oncocitomas). Las imágenes se anonimizan y se segmentan manualmente en 3D Slicer, generando máscaras validadas por radiólogos. De cada par de imágenes y máscaras, se extraen 132 características radiómicas con PyRadiomics; tras descartar los metadatos irrelevantes se conservan 73 características robustas. El conjunto de datos se estratifica en un 80 % de entrenamiento y un 20 % de prueba, y se entrenan cuatro clasificadores con las variables estandarizadas: árbol de decisión, bosque aleatorio, refuerzo de gradiente y k-vecinos más cercanos.

RESULTADOS

Los resultados muestran un alto rendimiento del modelo. Los algoritmos individuales (árbol de decisión y KNN) alcanzan una precisión del 77,65 % y una puntuación f1 de 0,81, mientras que los métodos de conjunto mejoran la discriminación: el bosque aleatorio alcanza un AUC de 0,83 sin pérdida de sensibilidad, y el modelo de refuerzo de gradiente alcanza el mejor rendimiento: precisión del 90,6 %, exactitud del 88 %, sensibilidad del 97,8 %, puntuación f1 de 0,93 y AUC de 0,86, minimizando tanto los falsos negativos como los falsos positivos.

CONCLUSIONES

El estudio demuestra que la combinación de radiómica e inteligencia artificial permite clasificar de forma fiable los oncocitomas y los carcinomas renales de células claras a partir de TAC multifásicas, lo que permite un diagnóstico personalizado y reduce los procedimientos invasivos.

INTRODUCCIÓN

La inteligencia artificial (IA) está ganando importancia a la hora de interpretar pruebas, hacer diagnósticos y proponer tratamientos en la medicina actual. La lectura de los estudios urodinámicos (EUD) puede suponer un reto y la IA puede ayudar a su interpretación, lo que sería muy útil para enfocar el diagnóstico y tratamiento de los pacientes.

El objetivo es analizar la interpretación de EUD por IA y comparar los resultados con la evaluación realizada por los urólogos.

MATERIALES Y MÉTODOS

Se trata de un estudio retrospectivo, donde se incluyenron los pacientes a los que se le realizó un EUD en el último trimestre de 2025 en el Hospital General de Villalba, Madrid. Para el análisis, se utilizó el estadístico Kappa de Cohen y Chi-cuadrado. Como IA, se eligió el programa "Perplexity pro", sin entrenamiento previo.

RESULTADOS

Se incluyeron 47 pacientes, de los cuales un 58.3% fueron hombres. La edad media fue de 59 años. El 56.3% se realizaron por STUI, un 27.1% por incontinencia y un 8.3% por dolor. Un 33.3% eran obesos, 66.7% fumadores y un 20.8% diabéticos. Un 35.4% habían sido intervendios de patología urológica previamente, y solo 3 pacientes habían recidivo radioterapia pélvica. Un 56.3% de los pacientes estaban medicados por patología urológica, siendo un 48.1% combinaciones de tratamientos.

En relación al diagnóstico, se halló una concordancia discreta-moderada con un k=0.38 (p<0.001), destacando la concordancia entre el diagnóstico de obstrucción infravesical e hiperactividad vesical.

En el caso del tratamiento, había una concordancia moderada (k=0.36, p<0.001), destacando el uso de fármacos o la instilación de botox intravesical.

CONCLUSIONES

A pesar de que la IA es una herramienta útil y nos puede dar una orientación, la interpretación por un urólogo sigue siendo esencial en el caso de los EUD. Los pacientes son difíciles de encajar a veces en una categoría y se deben tener muchos factores en cuenta además de los datos objetivos.

PALABRAS CLAVE: estudio urodinámico, inteligencia artificial, interpretación