Validación clínica del sistema de inteligencia artificial deepsars en la Fundación Oftalmológica de Santander - Foscal y Fundación Fosunab

Introducción: El COVID-19, causado por el SARS-CoV-2, tiene un espectro clínico que varía desde asintomático hasta grave, con diagnóstico principalmente a través de RT-PCR, aunque esta prueba no siempre es accesible ni rápida. Por ello, la tomografía computarizada (TC) de tórax se ha convertido en u...

Full description

Autores:: Santacruz Carmen, Sebastian

Tipo de recurso:

Fecha de publicación:: 2024

Institución:: Universidad Autónoma de Bucaramanga - UNAB

Repositorio:: Repositorio UNAB

Idioma:: spa

Description
Summary:	Introducción: El COVID-19, causado por el SARS-CoV-2, tiene un espectro clínico que varía desde asintomático hasta grave, con diagnóstico principalmente a través de RT-PCR, aunque esta prueba no siempre es accesible ni rápida. Por ello, la tomografía computarizada (TC) de tórax se ha convertido en una herramienta importante para detectar el virus debido a su afectación del parénquima pulmonar. Con el avance de la inteligencia artificial (IA), se han desarrollado modelos para analizar imágenes radiológicas, como DeepSARS, un sistema diseñado en 2020 para identificar y monitorear casos de COVID-19 y riesgo de síndrome de dificultad respiratoria aguda. Este estudio tiene como objetivo validar la eficacia de DeepSARS en la identificación de estas condiciones mediante TC de tórax y resultados de RT-PCR. Metodología: Este estudio de evaluación de prueba diagnóstica analizó la base de datos de DeepSARS, recopilando datos de tomografías de tórax y resultados de RT-PCR de pacientes sospechosos de COVID-19 atendidos en FOSCAL y FOSUNAB entre octubre de 2020 y agosto de 2021. Se incluyeron tanto pacientes con resultados positivos como aquellos sin COVID-19 confirmados por al menos dos pruebas RT-PCR negativas. Se excluyeron las TC que no pudieron ser evaluadas en DeepSARS. Dos radiólogos revisaron las tomografías de manera independiente, clasificando la presencia de COVID-19 y la severidad pulmonar. El software DeepSARS se utilizó para determinar la presencia y gravedad de COVID-19, así como la probabilidad de síndrome de dificultad respiratoria aguda. El análisis estadístico evaluó el desempeño del software mediante medidas como la sensibilidad, especificidad y la concordancia entre hallazgos clínicos e imagenológicos. Resultados: Se incluyeron 57 pacientes sospechosos de COVID-19, de los cuales el 50.8% eran hombres, con una edad promedio de 67.7 años. Las comorbilidades más comunes fueron hipertensión (53.5%) y diabetes (26.7%). La mitad de los pacientes tuvo una prueba positiva para COVID-19. Los hallazgos radiológicos más frecuentes incluyeron opacidades en vidrio esmerilado (74.14%) y consolidaciones (62%). En cuanto a la evaluación con la plataforma DeepSARS, se detectaron imágenes sugestivas de COVID-19 en el 50% de los pacientes, siendo los hallazgos moderados y avanzados los más comunes. Los análisis estadísticos mostraron una buena concordancia entre las radiólogas en la mayoría de los hallazgos imagenológicos, aunque el puntaje CT score difería significativamente entre ellas. No se encontraron diferencias significativas en la capacidad de DeepSARS para discriminar entre pacientes con y sin COVID-19. Discusión: Durante la pandemia de COVID-19, la inteligencia artificial emergió como una herramienta prometedora para la detección temprana y clasificación de neumonía por COVID-19 mediante imágenes radiológicas. Este estudio validó la herramienta de inteligencia artificial DeepSARS para la detección de COVID-19 mediante tomografía computarizada, usando una muestra de 57 pacientes. Aunque la herramienta mostró una adecuada concordancia en hallazgos típicos de COVID-19, como opacidades en vidrio esmerilado y consolidación, su capacidad discriminatoria fue limitada, con un AUC de 0.538. Los hallazgos imagenológicos fueron consistentes con estudios previos en algunos aspectos, pero también revelaron diferencias. Las discrepancias podrían deberse a la necesidad de bases de datos más grandes y a problemas en la validación y reporte de modelos de IA en la literatura. Conclusión: La implementación de la inteligencia artificial en el diagnóstico de COVID-19 debe ser acompañada por una validación interna y externa rigurosa y ajuste continuo para garantizar su efectividad clínica. Los resultados de este estudio subrayan la necesidad de integrar datos más amplios y variados, para mejorar la detección temprana y la gestión de la enfermedad, que siempre deben ir acompañadas de un seguimiento médico.

Validación clínica del sistema de inteligencia artificial deepsars en la Fundación Oftalmológica de Santander - Foscal y Fundación Fosunab

Publicaciones similares