La herramienta desarrollada y publicada en la revista Computers in Biology and Medicine no solo mejora la precisión diagnóstica, sino que también incorpora técnicas de interpretación visual validadas por radiólogos y neumólogos
Investigadores de la Universidad de Cádiz y del Hospital Universitario Puerta del Mar, adscritos al Instituto de Investigación e Innovación Biomédica de Cádiz (INiBICA), han desarrollado un innovador sistema de soporte al diagnóstico clínico, basado en inteligencia artificial, para la detección precoz de la silicosis provocada por la exposición al polvo de piedra artificial. Esta herramienta permite identificar la enfermedad y clasificar su grado de severidad a partir de radiografías de tórax, lo que representa un avance significativo frente a las limitaciones de los métodos tradicionales.
La silicosis es una enfermedad pulmonar grave, especialmente prevalente entre trabajadores del sector de la piedra artificial. Su diagnóstico temprano es fundamental para evitar la progresión a fases más severas, pero los procedimientos actuales —basados en la interpretación radiológica— suelen presentar dificultades en los estadios iniciales, además de una alta variabilidad entre especialistas.
El nuevo sistema, desarrollado por el grupo de investigación en Bioingeniería, Automática y Robótica (ATARI) de la Universidad de Cádiz, en colaboración con el Servicio de Neumología del Hospital Universitario Puerta del Mar, ha sido validado clínicamente y sus resultados han sido publicados en la revista científica Computers in Biology and Medicine.
La investigación se ha basado en una cohorte de pacientes de la provincia de Cádiz, seguidos clínicamente durante más de 15 años en el Hospital Universitario Puerta del Mar. Uno de los principales logros del estudio es la capacidad del sistema para detectar signos de silicosis incluso en fases muy tempranas, cuando su diagnóstico mediante métodos convencionales resulta especialmente complejo.
Este trabajo forma parte del proyecto PEOPLE, financiado por la Consejería de Universidad, Investigación e Innovación de la Junta de Andalucía. El proyecto está liderado por Daniel Sánchez Morillo, coordinador del grupo ATARI, y Antonio León Jiménez, jefe del Servicio de Neumología del Hospital Puerta del Mar.
Un problema emergente en la provincia de Cádiz
La silicosis asociada a la piedra artificial es una patología emergente en España, con una incidencia particularmente alta en la provincia de Cádiz. La proliferación de talleres dedicados a la fabricación e instalación de encimeras de baño y cocina, elaboradas con materiales como el cuarzo, ha incrementado el riesgo de exposición al polvo de sílice.
A diferencia de la silicosis tradicional —vinculada históricamente a la minería—, esta nueva forma presenta una evolución más rápida, afecta a personas más jóvenes y puede continuar desarrollándose incluso tras cesar la exposición al material.
El sistema desarrollado no solo mejora la precisión diagnóstica, sino que también incorpora técnicas de interpretación visual validadas por radiólogos y neumólogos, lo que permite una mejor comprensión de las decisiones automáticas del modelo y facilita su integración en la práctica clínica.
Herramienta clave para el diagnóstico temprano
Los resultados de la investigación destacan el valor del sistema como herramienta anticipatoria, capaz de detectar la enfermedad antes de que alcance fases avanzadas, en las que las opciones terapéuticas son más limitadas. Además, subrayan la importancia de contar con mecanismos eficaces de detección precoz para retirar al trabajador del foco de exposición y frenar la progresión de la enfermedad.
Este desarrollo refuerza el compromiso de la Universidad de Cádiz, el Servicio Andaluz de Salud y el INiBICA con la transferencia de conocimiento y la aplicación de tecnologías emergentes al servicio de la salud pública y laboral.
Referencia bibliográfica: Priego-Torres, B., Sánchez-Morillo, D., Khalili, E., Conde-Sánchez, M. Á., García-Gámez, A., & León-Jiménez, A. (2025). ‘Automated engineered-stone silicosis screening and staging using Deep Learning with X-rays’. Computers in Biology and Medicine, 191, 110153. https://doi.org/10.1016/j.compbiomed.2025.110153
Más información sobre el proyecto PEOPLE: http://people.uca.es