Resumen

Introducción: En México, las cardiopatías congénitas (CC) constituyen las malformaciones más frecuentes al nacimiento. A pesar de su letalidad, una proporción considerable no se detecta oportunamente en el primer nivel de atención. Si bien el ecocardiograma es el estándar diagnóstico, su disponibilidad es limitada. La radiografía de tórax, pese a su interpretación subjetiva, es un estudio económico y accesible, cuyo análisis mediante inteligencia artificial (IA) podría apoyar el diagnóstico presuntivo de CC.

Objetivo: Crear una base de datos de radiografías torácicas pediátricas y desarrollar una prueba de concepto que evalúe la viabilidad de aplicar algoritmos de IA para la detección presuntiva de CC a partir de dichas imágenes.

Material y métodos: Estudio transversal retrospectivo basado en el análisis de imágenes de radiografía de tórax mediante una red neuronal convolucional profunda, bajo la arquitectura Residual Network.

Resultados: Se generó una base de datos de 656 radiografías de tórax, de las cuales 426 correspondieron a pacientes con CC. Un algoritmo de aprendizaje profundo de clasificación binaria aplicado a este conjunto alcanzó una precisión diagnóstica del 75%.

Conclusiones: La base de datos generada constituye, según los registros disponibles, la colección más amplia de radiografías torácicas de pacientes pediátricos mexicanos con CC confirmada por expertos clínicos. Este recurso permitió entrenar un algoritmo de inteligencia artificial con una precisión diagnóstica que respalda su utilidad como herramienta presuntiva en entornos con acceso limitado a subespecialistas.

Palabras clave: Cardiopatías congénitas inteligencia artificial radiografía torácica red neuronal convolucional medicina de precisión.

2026-10-06   |   6 visitas   |   Evalua este artículo valoraciones

Vol. 64 Núm.4. Julio-Agosto 2026 Pags. Rev Med Inst Mex Seguro Soc 2026; 64(4)