Evaluación ecocardiográfica en niños con secuelas postagudas de la infección por SARS-CoV-2 mediante aprendizaje...

Área de la Ciencia:

• Cardiología
• Inteligencia Artificial
• Pediatría

Sus antecedentes:

• Las secuelas postagudas de la infección por SARS-CoV-2 (PASC) pueden provocar complicaciones cardíacas en niños.
• La ecocardiografía es crucial para detectar anomalías cardíacas, pero los cambios sutiles pueden pasarse por alto en el análisis estándar.

Objetivo del estudio:

• Aplicar el aprendizaje profundo para mejorar la detección y comprensión de los cambios ecocardiográficos en niños con PASC.
• Evaluar el rendimiento de un modelo de IA para distinguir la función cardíaca entre niños con PASC y controles.

Principales métodos:

• Un estudio de casos y controles que involucró a 270 niños con PASC y 400 controles emparejados por edad.
• Las imágenes ecocardiográficas se analizaron utilizando un modelo de aprendizaje profundo basado en ResNet-50.
• Los criterios de exclusión incluyeron cardiopatías congénitas, afecciones inflamatorias o arritmias.

Principales resultados:

• Los parámetros ecocardiográficos estándar no mostraron anomalías significativas en el grupo PASC.
• El modelo de aprendizaje profundo logró una alta precisión (96,6%), sensibilidad (96,7%) y especificidad (96,2%).
• El análisis asistido por IA distinguió eficazmente la función cardíaca entre los grupos PASC y control.

Conclusiones:

• Los modelos de aprendizaje profundo pueden mejorar la detección de cambios cardíacos sutiles en niños con PASC.
• La ecocardiografía asistida por IA demuestra un alto rendimiento en la identificación de diferencias cardíacas relacionadas con PASC.
• Se necesitan más estudios a gran escala para determinar la significancia clínica de estas diferencias detectadas por IA.