Las patologías cutáneas y subcutáneas son la cuarta causa principal de carga de enfermedades no mortales a nivel mundial, afectando a 30-70% de los individuos de todas las geografías y grupos etarios. La enfermedad de la piel es también una de las consultas más comunes en la atención primaria. Sin embargo, los dermatólogos son escasos, particularmente en zonas rurales. En consecuencia, la identificación clínica suele recaer en médicos de atención primaria quienes, al no tener la especialidad, su precisión diagnóstica es del 24 a 70%, a pesar de la disponibilidad y el uso de referencias como libros de texto de dermatología, UpToDate y motores de búsqueda de imágenes en línea. La baja precisión de los diagnósticos puede conducir a resultados deficientes en los pacientes, como el retraso o el tratamiento inadecuado.

En este estudio, Yuan Liu e investigadores de Google Health, Palo Alto (California, Estados Unidos) presentaron los resultados de un sistema de aprendizaje profundo (DLS, del inglés deep learning system) para proporcionar un diagnóstico diferencial de las condiciones de la piel utilizando 16.114 casos no identificados (fotografías y datos clínicos) de un consultorio de teledermatología que presta servicios en 17 sitios. El DLS distinguió entre 26 condiciones cutáneas comunes, que representan el 80% de los casos atendidos en atención primaria, y también proporcionó una predicción secundaria que cubrió 419 condiciones cutáneas.

Finalmente, en 963 casos de validación, en los que un panel rotativo de tres dermatólogos certificados por la junta del estudio definió el estándar de referencia, el DLS no fue inferior a otros seis dermatólogos y fue superior a seis médicos de atención primaria y seis enfermeras. Estos resultados destacan el potencial del DLS para ayudar a los médicos generales en el diagnóstico de las condiciones de la piel.