Desarrollo y evaluación clínica de un nuevo modelo de diagnóstico basado en IA para la enfermedad de Hirschsprung

Área de la Ciencia:

• Gastroenterología pediátrica
• Análisis de imágenes médicas
• Inteligencia artificial en el cuidado de la salud

Sus antecedentes:

• El diagnóstico de la enfermedad de Hirschsprung (HD) se basa tradicionalmente en métodos invasivos.
• La obtención de imágenes mediante un enema de contraste (CE) es una herramienta de diagnóstico clave para la EH.
• Mejorar la precisión del diagnóstico y reducir la invasividad en el diagnóstico de la EH es crucial.

Objetivo del estudio:

• Desarrollar y validar un modelo de aprendizaje profundo basado en IA para el diagnóstico de la enfermedad de Hirschsprung utilizando imágenes CE.
• Mejorar la precisión del diagnóstico y reducir la invasividad del diagnóstico de EH.
• Explorar la utilidad de la IA en la gastroenterología pediátrica para la detección inicial de la EH.

Principales métodos:

• Se utilizó un conjunto de datos de 725 imágenes de enema de contraste (CE) de pacientes con enfermedad de Hirschsprung confirmada histopatológicamente (HD).
• Un modelo de aprendizaje profundo, YOLOv8, fue entrenado y validado usando Python y PyTorch.
• El rendimiento se evaluó utilizando métricas que incluyen precisión media (mAP), precisión, recuerdo y puntuación F1.

Principales resultados:

• El modelo de IA logró una alta precisión (0.87477) y recuerdo (0.87317) con una puntuación mAP50 de 0.91.
• La validación externa demostró una sensibilidad del 86,96%, una especificidad del 72,22% y una precisión general del 80,49%.
• El modelo muestra un potencial significativo para un diagnóstico preciso y menos invasivo de la EH.

Conclusiones:

• Un modelo de aprendizaje profundo impulsado por IA que utiliza imágenes CE ofrece un enfoque de diagnóstico prometedor y menos invasivo para la enfermedad de Hirschsprung.
• Este modelo de IA puede servir como una herramienta efectiva para la detección inicial en gastroenterología pediátrica.
• La integración de la IA en el diagnóstico médico tiene el potencial de mejorar los resultados de los pacientes y la eficiencia de la atención médica.