La inteligencia artificial aplicada al diagnóstico de COVID-19 mediante imágenes
radiológicas
Nombres
Denilson Raúl Garrido Ballesteros
Leonardo José claro peñaranda
Edwin García romero
Silvia Juliana Monsalve Mejía
Devora Myriam Gómez rincón
Universidad Nacional Abierta y a Distancia - UNAD
Escuela de Ciencias de la Salud (ECISA)
Tecnología en Radiología e Imágenes Diagnosticas
27 abril del 2024
Dedicatoria.
Agradecimientos.
Resumen.
Este trabajo de investigación documental consiste en realizar una revisión bibliográfica
sobre el efecto del virus denominado COVID-19 en las personas, conocer las diferentes
sintomatologías que se presentaron en su momento, y como mediante las imágenes
radiológicas se diagnosticaron, seguidamente revisar los métodos de inteligencia
artificial aplicados como complemento de las imágenes radiológicas, para finalmente
determinar cual es la mejor opción encontrada para el más rápido y confiable
diagnóstico del COVID-19. Para este propósito proponemos la siguiente metodología.
Palabras Clave.
COVID-19, radiografías de tórax, inteligencia artificial, diferenciación, imágenes
médicas, algoritmos de aprendizaje automático, inteligencia artificial en radiología,
diagnóstico por imagen, IA en diagnóstico de COVID-19, aplicaciones de IA en
radiología.
Abstract
Keywords
Tabla de contenido
Lista de Tablas.
Lista de Figuras.
Introducción.
Las pruebas de imagen tienen un papel importante en el manejo del paciente con
sospecha o con confirmación de COVID-19. La prueba de imagen inicial es la
radiografía de tórax.
JMIR Med Educ, 5 (2019) Da una verdad y es que la IA carece de la esencia humana,
la curiosidad, empatía, imaginación, sentido común y ética. Es incapaz de improvisar y
tampoco entiende los matices, el lenguaje corporal o el valor de una mirada o de tomar
la mano de un paciente. Es por esto que los estudiantes debemos entender que la
medicina es un arte, no una ciencia exacta ejercida únicamente por algoritmos fríos e
inextricables.
Según encuestas llevadas a cabo por Singapore Med J (2019) La IA tendrá un impacto
significativo el cual será positivo para la mayoría de los consultados, destacando, por
un lado, la posible reducción de errores en la toma imágenes y del tiempo dedicado a
cada estudio y, por otro, un aumento del tiempo dedicado a cada paciente.
La solución más viable será la necesidad de crear una asignatura en la universidad (o
incluso un área formativa específica) en imagen y datos médicos la ciencia, la
informática clínica o la IA. En este sentido, la IA ayudará a los radiólogos a no
interpretar las imágenes de forma descontextualizada sin discernir su impacto clínico, y
nos permitirá integrar esa información con muchos otros datos, consiguiendo así un
mayor protagonismo y una mayor visibilidad entre los pacientes.
Planteamiento del problema.
Durante la pandemia del COVID-19, cuyos primeros casos se vieron en Wuhan, China,
a fines de diciembre de 2019 y desde allí se extendido rápidamente a prácticamente
todo el mundo. Siendo reconocida oficialmente como pandemia por la Organización
Mundial de la Salud (OMS) el 11 de marzo de 2020, no se contaban con las
herramientas suficientes para un diagnóstico acertado y oportuno, esto tuvo como
consecuencia el diagnóstico y tratamiento tardío y/o erróneo, mostrando una mayor
mortalidad (Pavel and Vargas, 2022).
A finales de octubre de 2020, el número de casos confirmados de COVID-19 en todo el
mundo alcanzó los 46 millones, y el número de muertos superaba ya la cifra de
1.140.000 1. Coronavirus Resource Center. John Hopkins’ University. [Internet].
Disponible en: https://coronavirus.jhu.edu/map.html.(acceso 28 de octubre de 2020).
[Ref list]
Conviene subrayar, que la radiografía de tórax es generalmente la primera prueba de
imagen en los pacientes con sospecha o confirmación de COVID-19 por su utilidad,
disponibilidad y bajo coste, sin embargo al igual que la PCR (:::::::::::::::::::::), una de las
limitaciones de la radiografía de tórax es el alto índice de falsos negativos o casos
sospechosos, considerándose como posibles causas: la precocidad de la prueba de
imagen y la ausencia de patología pulmonar en el momento de la presentación, o la
limitación de la técnica radiológica, especialmente en las radiografías portátiles. Manna
S., Wruble J., Maron S.Z., Toussie D., Voutsinas N., Finkelstein M. COVID-19: A
Multimodality Review of Radiologic Techniques. Clinical Utility, and Imaging Features.
Radiol Cardiothorac Imaging. 2020;2:e200210. [PMC free article] [PubMed] [Google
Scholar] [Ref list]
Esto trajo consecuencias indeseables para los pacientes que no padecen de la
enfermedad, pero son considerados casos sospechosos, Puesto que la definición de
caso sospechoso es una persona con infección respiratoria aguda y al menos alguno
de los síntomas típicos de COVID-19.
Por consiguiente, nos proponemos realizar una revisión de la literatura donde se hayan
aplicado diferentes técnicas de Inteligencia Artificial (IA) (Díaz, 2020). buscando asi un
diagnsotico integrado, que satisfaga la necesidad de personalizar aún más la atención
médica, que permita la diferenciación con una radiografía de tórax en cualquier
paciente considerado caso sospechoso, entre padecer o no de COVID-19; de esta
forma contribuir a mejorar el rendimiento diagnostico. Puesto que estas herramientas
de IA pueden ser implementadas en centros de salud que no cuentan con sistemas de
diagnóstico por imagen sofisticados, ampliando el acceso a un diagnóstico rápido y
preciso.
Justificación.
Explicación detallada de por qué el tema es crucial en el contexto actual.
Esta investigación permitirá describir la aplicabilidad de la IA con relación a la
radiografía de tórax. Si la prueba diagnóstica tiene alto potencial podrá ser utilizada en
zonas donde la prueba diagnóstica RT-PCR (La RT-PCR en tiempo real es un método
nuclear que detecta la presencia de material genético específico de patógenos, como
los virus) no esté disponible y la radiografía de tórax sí, para el diagnóstico de COVID-
19.
Considerando que la IA examina características como las opacidades del espacio
aéreo, consolidaciones y opacidades en vidrio deslustrado, que son hallazgos comunes
en pacientes con COVID-19. Estas metodologías permiten la detección automática en
imágenes radiológicas, agilizando el proceso diagnóstico y reduciendo el error humano.
Las motivaciones personales detrás de la elección del tema de investigación. Opinión
grupal
Existen en la actualidad innumerables herramientas que ayudan a obtener mayor
precisison en el diagnostico radiologico. Es nuestra funcio conocerlas para mejorara la
atencion primaria de los pacientes y recordar que la primera imagen cuenta.
el valor del conociemento es cuando este se pone en practica.tomas alba edison
objetivos???
Por consiguiente, nos proponemos realizar una revisión de la literatura donde se hayan
aplicado diferentes técnicas de Inteligencia Artificial (IA) (Díaz, 2020). buscando asi un
diagnsotico integrado, que satisfaga la necesidad de personalizar aún más la atención
médica, que permita la diferenciación con una radiografía de tórax en cualquier
paciente considerado caso sospechoso, entre padecer o no de COVID-19;
• Identificar las generalidades del COVID-19 y las técnicas radiológicas utilizadas
en su diagnóstico.
• identificar las metodologías de inteligencia artificial (IA) aplicadas para el
diagnóstico de COVID-19.
• Determinar la metodología de IA que obtiene los mejores resultados en
confiabilidad para el diagnóstico de COVID-19.
La inteligencia artificial aplicada al diagnóstico de COVID-19 mediante imágenes
radiológicas
Objetivos
Objetivo general:
• Determinar la metodología más eficiente de inteligencia artificial (IA) para la
predicción del COVID-19.
Objetivos específicos:
• Revisar las generalidades del COVID-19 y las técnicas radiológicas utilizadas en
su diagnóstico.
• Revisar las metodologías de inteligencia artificial (IA) aplicadas para el
diagnóstico de COVID-19. machine learning como lagoritmos con la habilidad de
aprender sin necesidad de ser programados explicitamente y deeo learning
redes neuronales que aprender tareas complejas a partir de garndes datos.
• Determinar la metodología de IA que obtiene los mejores resultados en
confiabilidad para el diagnóstico de COVID-19.
la capacidad de la IA para interpretar radiografías de tórax y diferenciar el COVID-19 de
otras patologías es crucial para aprovechar al máximo este método de imagen, y así
mejorar el diagnóstico y manejo de los pacientes con sospecha de COVID-19.
Además, la IA en este contexto se ha demostrado altamente efectiva, con tasas de
precisión que pueden alcanzar hasta el 95%. Estos sistemas de IA no solo agilizan el
proceso de diagnóstico, sino que también pueden ser de gran utilidad en entornos con
recursos limitados o en áreas donde la disponibilidad de pruebas de PCR es escasa.
Marco teórico.
Los coronavirus pertenecen a una familia de virus ARN de gran variedad que afectan a
humanos y animales. A finales de 2019 se identificó un nuevo coronavirus en Wuhan –
China debido a ser causante de una neumonía viral inexplicable, hoy nombrado
coronavirus 2 del síndrome respiratorio agudo severo SARS-COV-2 (Hao, et al, 2019).
Este brote se extendió rápidamente por china, y posteriormente por otros 19 países, es
así que el 30 de enero de 2020 fue declarada una emergencia de salud pública de
interés internacional. Durante el mes de febrero de 2020, la Organización Mundial de la
Salud designó la enfermedad COVID-19, que significa enfermedad por coronavirus
2019 (OPS/OMS, 2020).
La transmisibilidad del virus COVID-19, es principalmente por contacto con las gotitas
respiratorias. siendo transmisión directa cuando se produce por contacto a menos de
un metro con una persona con síntomas respiratorios debido a la facilidad de que las
mucosas y la conjuntiva entran en contacto con gotitas respiratorias que pueden ser
infecciosas. y transmisión indirecta se produce cuando una persona entra en contacto
con superficies u objetos utilizados por el enfermo como termómetro y estetoscopio.
(Liu, et al., 2020).
Por tanto, es importante identificar lo más precozmente a los que poseen
manifestaciones clínicas graves para que reciban un manejo oportuno; seindo estos
pacientes con neumonía y además saturación periférica de oxígeno menor de 90% o
frecuencia respiratoria mayor a 29 respiraciones por minuto (Torres, et al., 2021).
En base a lo anterior, entra la inteligencia artificial como apoyo a detectar afecciones,
impulsando eficiencia en menos examenes repetidos e irradiacion inecesaria y eficacia
en aplicaciones de servicio remoto, a traves de mejorar la lectura y la respuesta
oportuna.
IA en Radiografía de Tórax (Webinar)
Streaming Inteligencia Artificial en VM PACS: "I.A. para Radiografía de Tórax"
Los resultados clínicos al ser variables también coinciden con una variedad de
complicaciones, predominando las complicaciones respiratorias sobre todo el SDRA,
entre las complicaciones no respiratorias destacan la lesión cardiaca aguda y la
insuficiencia renal aguda (IRA) (Vakili, et al., 2020). Dentro de los casos clínicos se
considera a quienes recibieron ventilación mecánica, atención en UCI o cursaron con
síntomas de shock o atendidos en un hospital de atención terciaria. (Galbadage, et al.,
2020).
Las manifestaciones clínicas son variadas y poco específicas, sin embargo, entre toda
la gama de signos y síntomas que pueden estar presentar, en general síntomas
gripales como fiebre, fatiga, tos seca, anorexia y mialgias presentadas en orden de
mayor a menor frecuencia. Cabe resaltar que la presencia de clínica no es únicamente
respiratoria, a pesar de que esta sea la más frecuente, como es la clínica
cardiovascular, gastrointestinal e incluso neurológica (Grant, et al., 2020).
Según Fang et al. (2023) ofrecen un examen en profundidad de varias técnicas de IA
que han surgido para el diagnóstico rápido de esta nueva enfermedad en esta
emergencia de salud pública. En la Figura 1 se proporciona una descripción general de
los temas clave de esta revisión.
Figura 1. Descripción general de las técnicas de IA en modelos de diagnóstico de
COVID-19. a) Categorización del modelo basado en el formato de entrada y la
necesidad de segmentación. b) Mejorar el rendimiento del modelo en pequeños
conjuntos de datos mediante técnicas de generalización. c) Métodos para identificar
características predictivas y evaluar la confianza en la predicción para mejorar la
confiabilidad de los resultados.
El curso de los pacientes con COVID 19 es muy variable, presentándose desde
pacientes asintomáticos, a sintomáticos leves 81% aproximadamente; sintomáticos
graves 14% que cursan con disnea e hipoxia o afectación pulmonar mayor al 50%
demostrado por imagen y críticos 5% que presentan insuficiencia respiratoria, shock o
falla multiorgánica (Martínez, et al., 2021). Entre todo esto es importante identificar lo
más precozmente a los que poseen manifestaciones clínicas graves para que reciban
un manejo oportuno en el centro de salud más adecuado, se encontrarán en este grupo
pacientes que cursen con neumonía y además saturación periférica de oxígeno menor
de 90% o frecuencia respiratoria mayor a 29 respiraciones por minuto (Torres, et al.,
2021).
El periodo promedio de incubación es de 5.68 días aproximadamente. La duración de
los síntomas es de 18.55 días y existe un retraso de 4.92 días desde el inicio de los
síntomas hasta la primera visita clínica (Khalili, et al., 2020). En el caso de los
pacientes graves que presentaron síndrome de distrés respiratorio agudo (SDRA) que
ingresaron a hospitalización y fallecieron, existió un periodo de 17.5 días en promedio
desde el ingreso hasta el día de deceso (Nasiri, et al,. 2020).
Los resultados clínicos al ser variables también coinciden con una variedad de
complicaciones, predominando las complicaciones respiratorias sobre todo el SDRA,
entre las complicaciones no respiratorias destacan la lesión cardiaca aguda y la
insuficiencia renal aguda (IRA) (Vakili, et al., 2020). Dentro de los casos clínicos se
considera a quienes recibieron ventilación mecánica, atención en UCI o cursaron con
síntomas de shock o atendidos en un hospital de atención terciaria, siendo 70% de los
casos varones y 30% mujeres (Galbadage, et al., 2020).
2. Diagnósticos en imágenes radiológicas
Se utiliza ampliamente la radiografía de tórax y la tomografía computarizada de tórax
para el diagnóstico de COVID-19.
2.1. Radiografía de Tórax
Generalmente es visible la afectación bilateral, sin embargo, existen pacientes sin
anormalidades en la radiografía de tórax especialmente al inicio de la enfermedad.
Entre los hallazgos radiográficos más comunes tenemos patrón reticular,
consolidaciones y patrón en vidrio deslustrado, que típicamente tienen una distribución
bilateral, subpleural y periférica, predominando en los campos inferiores; estos
hallazgos pueden evolucionar a enfermedad difusa en el transcurso de la primera a la
tercera semana desde el inicio de los síntomas. Estas anormalidades pueden persistir
hasta las 12 semanas tras el alta en un 36% de pacientes y hasta 6 meses posterior al
alta en 30% (Alarcón, et al., 2021).
2.2. Tomografía
Se pueden apreciar la presencia de dilataciones bronquiales, bandas subpleurales,
afectación intersticial subpleural de forma no panal y patrón de vidrio deslustrado con
mayor frecuencia; otras presentaciones menos comunes con el atrapamiento aéreo,
neumatoceles y la presentación en panal. Es importante resaltar que la distribución
suele ser bilateral, periférica y a predominio de los campos inferiores.
2.3. Diagnóstico
Diagnóstico clínico: se incluyen a todos los casos con síndrome gripal con antecedente
de viaje al interior o exterior del país, o contacto cercano con personas que hayan
realizado dichas actividades en los último 14 días.
Diagnóstico laboratorial: Pruebas serológicas La muestra se obtiene por punción de la
yema de los dedos con el fin de extraer una gota de sangre, que será colocada en la
prueba rápida para la detección de IgG o IgM desarrollado frente a SARS-CoV-2.
La interpretación de resultados es:
• Reactivo IgM: infección reciente, se visualiza banda de control y banda IgM.
• Reactivo IgG: infección pasada, se visualiza banda de control y banda IgG.
• Reactivos IgM e IgG: infección en curso, se visualizan las tres bandas IgG, IgM y
control.
• No reactivo: se visualiza sólo la banda de control, indica que no hay una cantidad de
inmunoglobulina detectable.
• Inválido:
3. Inteligencia Artificial (IA)
Metodología.
Métodos de investigación.
Este proyecto se basa en recolectar la información adecuada para determinar la
influencia de la IA en la lectura acertada del soporte de imágenes radiologías, el cual se
tendría que recolectar información de investigaciones pasadas en base a la idea
fundamental del proyecto. La investigación en resultados de aplicaciones de IA, con el
mejor número de acercamiento a una lectura y diagnostico preciso.
Método cuantitativo, nos permitirá analizar mediante recolección de datos cual o cuales
aplicaciones en base de IA nos brinda un diagnóstico oportuno en identificar pacientes
con COVID-19. En base de experiencia y recomendación de médicos y/o instituciones
que han manejado este tipo de aplicaciones de IA se obtendría una medición en base a
la satisfacción del diagnóstico dado por la IA.
Se emplearía diferentes tipos de herramientas para la recolección de información como
encuesta, base de datos.
Método cualitativo, este permite analizar los métodos que se usan en las herramientas
digitales para los diagnósticos dados por la IA, se podría observar bajo el criterio
medico los resultados obtenidos para verificar en sí que aplicación de IA seria la
apropiada al realizar el dictamen de lo encontrado después del estudio de radiología a
los pacientes bajo observación, siendo portadores o en casos sospechosos de COVID-
19.
Este tipo de investigación nos permite avanzar en la recolección de datos basándonos
en herramientas digitales como encuestas, para determinar las técnicas que más se
usan en radiología para determinar la presencia de COVID-19, ya que nos permitirá
avanzar en conocimientos e información de proyectos anteriores como base
fundamental y complementaria.
El objetivo de realizar esta investigación es hablar sobre el impacto que tuvo el COVID-
19 desde una serie de revisiones bibliográficas; comprenderemos como este virus tuvo
afecciones en nuestro cuerpo, como actuaba y cómo podemos llevar esto a la ayuda
diagnostica por imágenes como un caso más específico lo es la radiología; de tal
manera de identificar un diagnóstico más rápido y preciso sobre el COVID-19. Para
lograr este objetivo realizamos unos pasos en la metodología que se encontrara a
continuación
• Revisar generalidades del Covid-19
En la presente actividad se abordara como un virus conocido como el Covid-19 ataco a
la mayor parte de la población mundial; el cual inicio este ataque el año2019 y debido a
su falta de información tuvo grandes consecuencia a la humanidad.
• Revisión de las Metodologías de Inteligencia Artificial (IA)
Analizar cuales serias las metodologías más eficientes o las más utilizadas para
analizar e identificar enfermedades en este caso concreto como lo es el COVID-19
teniendo en claro cuáles serían las ventajas y desventajas de la IA en cuanto a su
precisión y adaptación en el entorno de la pandemia.
• Determinar la metodología de IA que obtiene los mejores resultados
Debemos establecer cuáles serían los criterios de evaluación para que la IA los pueda
identificar, para eso debemos enseñarle patrones sanos o normales para que esta
pueda dar los mejores resultados o los deseados; para lograr esto debemos supervisar
el proceso de aprendizaje y especificar la información que suministraremos a la IA.
3. Determinar la Metodología de IA más Confiable para el Diagnóstico de COVID-19
Entre las metodologías de IA, las redes neuronales convolucionales (CNN) son ampliamente
utilizadas para el análisis de imágenes radiológicas. Los estudios indican que las CNN
entrenadas con grandes cantidades de datos de imágenes pueden alcanzar una alta precisión y
confiabilidad en el diagnóstico de COVID-19. Otras metodologías, como las redes neuronales
profundas y las técnicas de transferencia de aprendizaje, también muestran resultados
prometedores. La combinación de CNN con modelos de aprendizaje profundo y análisis de
características puede aumentar la precisión del diagnóstico.
2. Metodologías de Inteligencia Artificial para el Diagnóstico de COVID-19
La inteligencia artificial se ha aplicado para automatizar el análisis de imágenes radiológicas y
ayudar en el diagnóstico de COVID-19. Las técnicas incluyen redes neuronales convolucionales
(CNN), aprendizaje profundo y aprendizaje automático. Estas metodologías permiten la
detección automática de patrones relacionados con COVID-19 en imágenes radiológicas,
agilizando el proceso diagnóstico y reduciendo el error humano.
• Revisión de las Generalidades del COVID-19
• Objetivo: Entender los aspectos básicos del COVID-19 para establecer un
contexto adecuado.
Pasos:
• Recopilar información sobre la historia del COVID-19, su origen y propagación.
• Revisar la sintomatología común y las posibles complicaciones.
• Analizar la epidemiología actual y las tendencias de propagación.
• Revisión de las Metodologías de Inteligencia Artificial (IA)
• Objetivo: Explorar las distintas metodologías de IA aplicadas a la predicción y
análisis de enfermedades, con énfasis en el COVID-19.
Pasos:
• Identificar las principales metodologías de IA utilizadas en la predicción de
enfermedades.
• Revisar estudios y literatura científica que apliquen IA al análisis del COVID-19.
• Evaluar las ventajas y limitaciones de cada metodología en términos de precisión,
escalabilidad y aplicabilidad en el contexto de la pandemia.
• Determinación de la Metodología de IA Más Efectiva
• Objetivo: Seleccionar la metodología de IA que haya demostrado obtener los
mejores resultados en la predicción y análisis del COVID-19.
Pasos:
• Establecer criterios de evaluación, como precisión, sensibilidad, especificidad y
robustez.
• Recopilar datos de estudios y experimentos que hayan comparado diferentes
metodologías de IA en la predicción del COVID-19.
• Analizar los resultados obtenidos por cada metodología en función de los criterios
establecidos.
• Seleccionar la metodología de IA que mejor se ajuste a los objetivos del estudio y al
contexto de aplicación.
• Validación y Análisis de Resultados
• Objetivo: Validar la metodología seleccionada y analizar sus resultados en
relación con la predicción y análisis del COVID-19.
Pasos:
• Implementar la metodología seleccionada utilizando conjuntos de datos relevantes
y actualizados.
• Evaluar el rendimiento de la metodología en términos de precisión y fiabilidad.
• Comparar los resultados obtenidos con los datos reales del COVID-19 para
verificar la eficacia de la metodología.
• Analizar las posibles implicaciones y limitaciones de la metodología seleccionada y
proponer áreas de mejora.
• Conclusiones y Recomendaciones
• Objetivo: Resumir los hallazgos del estudio y ofrecer recomendaciones para
futuras investigaciones y aplicaciones prácticas.
Pasos:
• Sintetizar los resultados obtenidos en cada etapa de la metodología.
• Discutir las implicaciones de los hallazgos y su relevancia para la predicción y
gestión del COVID-19.
• Formular recomendaciones para mejorar la aplicación de la metodología
seleccionada y para investigaciones futuras en el campo de la IA y la salud pública.
Desarrollo del proyecto.
Caracterizada por dificultad respiratoria severa y necesidad de oxígeno suplementario
para el paciente puede estar presente a cualquier edad, sin embargo, es mayor la
frecuencia en adultos mayores o personas que padecen comorbilidades médicas
subyacentes (Struyf, et al., 2021), entre los factores de riesgo para hacer enfermedad
grave destaca la edad mayor de 75 años que también se asocia a mayor riesgo de
muerte, también se considera el sexo masculino y ser obeso (IMC >40). El incremento
del riesgo para enfermedad severa también se relaciona con la presencia de
enfermedades preexistentes, principalmente hipertensión arterial, diabetes, cáncer
activo y enfermedad renal crónica, siendo el de mayor asociación el padecer cáncer
activo. Las características particulares de laboratorio también se han asociado con
peores resultados (Ou, et al., 2020):
• Linfopenia
• Plaquetopenia
• Elevación de enzimas hepáticas (ALT, AST)
• Elevación de lactato deshidrogenasa (LDH)
• Elevación de la creatinina
• Dímero D elevado (> 1 mcg / Ml)
Conclusiones.
Existen an ñla actualidad innumerables herramientas que ayudan a obtener mayor
precisison en el diagnostico radiologico. Es nuestra funcio conocerlas para mejorara la
atencion primaria de los pacientes y recordar que la primera imagen cuenta.
Radiografía de tórax y tomografía computarizada son herramientas esenciales para el diagnóstico
de COVID-19. La tomografía computarizada proporciona un nivel de detalle más alto, pero la
radiografía de tórax es más accesible y rentable.
La inteligencia artificial mejora la eficiencia y precisión del diagnóstico. Las técnicas como las
redes neuronales convolucionales (CNN) permiten identificar automáticamente características
asociadas con COVID-19 en imágenes radiológicas, agilizando el proceso diagnóstico.
Las redes neuronales convolucionales (CNN) combinadas con técnicas de aprendizaje profundo
y transferencia de aprendizaje ofrecen una alta confiabilidad en el diagnóstico de COVID-19. El
uso de estas metodologías puede reducir el error humano y aumentar la precisión diagnóstica.
Según la filogenia, taxonomía y clínica que produce, se ha establecido SARS-COV-2 es
un virus ARN de hebra positiva típica de la familia Coronaviridae y género
Betacoronavirus relacionado con el síndrome respiratorio agudo severo (Wang, et al.,
2020). SARS-COV-2 se diferencia de otros dos coronavirus de origen zoonótico como
SARS-CoV y MERS-CoV por su hospedador intermediario que logra la transmisión
humana, aunque es muy similar la región del gen de unión al receptor del coronavirus
SARS y que el virus usa el mismo receptor, la enzima convertidora de angiotensina 2
(ACE2), para su ingreso dentro de la célula (Jin, et al., 2020; Gorbalenya, et al., 2019).
Referencias.
Díaz, J. (2020). Inteligencia artificial y Big Data como soluciones frente a la COVID-19.
Revista de Bioetica y Derecho, 50, 315–331.
Pavel, L., and Vargas, S. (2022). Uso de inteligencia artificial para el diagnóstico de
COVID-19 a través de radiografía de tórax en el Hospital Nacional Adolfo Guevara
Velasco, Hospital Regional Y Hospital Antonio Lorena, CUSCO-PERÚ, PERIODO
2020-2021. In Repositorio Institucional - UCV.
Chang Z, Zhan Z, Zhao Z, You Z, Liu Y, Yan Z, Fu Y, Liang W, Zhao L. Application of
artificial intelligence in COVID-19 medical area: a systematic review. J Thorac Dis.
2021 Dec;13(12):7034-7053. doi: 10.21037/jtd-21-747. PMID: 35070385; PMCID:
PMC8743418.
Alarcón-Rodríguez J, Fernández-Velilla M, Ureña-Vacas A, Martín-Pinacho JJ, Rigual-
Bobillo JA, Jaureguízar-Oriol A, et al. Radiological management and follow-up of
post-COVID-19 patients. Radiologia (Panama) 2021.
https://doi.org/10.1016/j.rx.2021.02.003.
Centro Nacional de Epidemiología P y C de E. Estudio Incidencia, prevalencia y
factores de riesgo para la infección por virus SARS-CoV-2, estudio poblacional en
el Ministerio de Salud. Lima: 2021.
Fang, Y., Xing, X., Wang, S., Walsh, S., and Yang, G. (2023). Post-COVID Highlights:
Challenges and Solutions of AI Techniques for Swift Identification of COVID-19.
Current Opinion in Structural Biology, 85(August 2023), 102778.
https://doi.org/10.1016/j.sbi.2024.102778
Galbadage T, Peterson BM, Awada J, Buck AS, Ramirez DA, Wilson J, et al. Systematic
Review and Meta-Analysis of Sex-Specific COVID-19 Clinical Outcomes. Frontiers
in Medicine 2020;7:348. https://doi.org/10.3389/fmed.2020.00348.
Grant MC, Geoghegan L, Arbyn M, Mohammed Z, McGuinness L, Clarke EL, et al. The
prevalence of symptoms in 24,410 adults infected by the novel coronavirus (SARS-
CoV-2; COVID-19): A systematic review and meta-analysis of 148 studies from 9
countries. PLOS ONE 2020;15:e0234765.
https://doi.org/10.1371/journal.pone.0234765.
Gorbalenya AE, Baker SC, Baric RS, de Groot RJ, Drosten C, Gulyaeva AA, et al. The
species Severe acute respiratory syndrome-related coronavirus: classifying 2019-
nCoV and naming it SARS-CoV-2. Nature Microbiology 2020;5:536–44.
https://doi.org/10.1038/s41564-020-0695-z.
Hao Y, Xu T, Hu H, Wang P, Bai Y. Prediction and analysis of Corona virus disease
2019. PLoS ONE 2020;15:e0239960. https://doi.org/10.1371/journal.pone.0239960
Jin Y, Yang H, Ji W, Wu W, Chen S, Zhang W, et al. Virology, Epidemiology,
Pathogenesis, and Control of COVID-19. Viruses 2020;12:372.
https://doi.org/10.3390/v12040372.
Khalili M, Karamouzian M, Nasiri N, Javadi S, Mirzazadeh A, Sharifi H. Epidemiological
Characteristics of COVID-19: A Systematic Review and Meta- Analysis.
Epidemiology and Infection 2020;148.
https://doi.org/10.1017/S0950268820001430.
Liu J, Liao X, Qian S, Yuan J, Wang F, Liu Y, et al. Community Transmission of Severe
Acute Respiratory Syndrome Coronavirus 2, Shenzhen, China, 2020. Emerging
Infectious Diseases 2020;26:1320–3. https://doi.org/10.3201/eid2606.200239.
Martínez Chamorro E, Díez Tascón A, Ibáñez Sanz L, Ossaba Vélez S, Borruel Nacenta
S. Radiologic diagnosis of patients with COVID-19. Radiologia (Panama)
2021;63:56–73. https://doi.org/10.1016/j.rx.2020.11.001.
Nasiri MJ, Haddadi S, Tahvildari A, Farsi Y, Arbabi M, Hasanzadeh S, et al. COVID-19
Clinical Characteristics, and Sex-Specific Risk of Mortality: Systematic Review and
Meta-Analysis. Frontiers in Medicine 2020;7:459.
https://doi.org/10.3389/fmed.2020.00459.
OPS/OMS. Actualización Epidemiológica: Nuevo coronavirus (2019-nCoV).
Washington, D.C: 2020.
OPS/OMS. Actualización Epidemiológica: Nuevo coronavirus (COVID-19). Washington,
D.C.: OPS/OMS: 2020.
Ou M, Zhu J, Ji P, Li H, Zhong Z, Li B, et al. Risk Factors of Severe Cases with COVID-
19: A Meta-Analysis. Epidemiology and Infection 2020;148.
https://doi.org/10.1017/S095026882000179X.
Struyf T, Deeks JJ, Dinnes J, Takwoingi Y, Davenport C, Leeflang MM, et al. Signs and
symptoms to determine if a patient presenting in primary care or hospital outpatient
settings has COVID-19. Cochrane Database of Systematic Reviews 2021.
https://doi.org/10.1002/14651858.CD013665.pub2.
Torres-Criollo LM, Ramírez-Coronel AA, Martínez-Suárez PC, Romero-Sacoto LA,
Mesa-Cano IC, González-León FM, et al. Variables clínicas y paraclínicas
predictoras de pronóstico en pacientes con COVID- 19: Revisión Sistemática.
AVFT – Archivos Venezolanos de Farmacología y Terapéutica 2021;39.
https://doi.org/10.5281/zenodo.4256990.
Vakili K, Fathi M, Pezeshgi A, Mohamadkhani A, Hajiesmaeili M, Rezaei- Tavirani M, et
al. Critical complications of COVID-19: A descriptive meta- analysis study. Reviews
in Cardiovascular Medicine 2020;21:433–42.
https://doi.org/10.31083/j.rcm.2020.03.129.
Wang L, Lin ZQ, Wong A. COVID-Net: a tailored deep convolutional neural network
design for detection of COVID-19 cases from chest X-ray images. Scientific
Reports 2020;10:19549. https://doi.org/10.1038/s41598-020-76550-z.
Bibliografía
Wrapp D, Wang N, Corbett K, Goldsmith J, Hsieh C, Abiona O et al. Cryo-EM structure of the
2019-nCoV spike in the prefusion conformation. Science. 2020;367(6483):1260-1263.
Disponible en: https://doi.org/10.1126/sc HYPERLINK
"https://doi.org/10.1126/science.abb2507" HYPERLINK
"https://doi.org/10.1126/science.abb2507" HYPERLINK
"https://doi.org/10.1126/science.abb2507"HYPERLINK
"https://doi.org/10.1126/science.abb2507" HYPERLINK
"https://doi.org/10.1126/science.abb2507" HYPERLINK
"https://doi.org/10.1126/science.abb2507" HYPERLINK
"https://doi.org/10.1126/science.abb2507"i HYPERLINK
"https://doi.org/10.1126/science.abb2507" HYPERLINK
"https://doi.org/10.1126/science.abb2507" HYPERLINK
"https://doi.org/10.1126/science.abb2507"HYPERLINK
"https://doi.org/10.1126/science.abb2507" HYPERLINK
"https://doi.org/10.1126/science.abb2507" HYPERLINK
"https://doi.org/10.1126/science.abb2507" HYPERLINK
"https://doi.org/10.1126/science.abb2507"ence.abb2507.
Gabriela Puentes Suarez, Harvey Segundo Valencia Gamarra, Carlos Gonzalo Arteaga
Rodriguez, Yohan Lilibeth Suárez Uribe, Héctor Javier Espitia Soto, A propósito del COVID19,
una revisión sistemática respecto al paradigma de la radiología y la inteligencia artificial, Scienti
ic & Education Medical Journal / Vol. 2, N° 1, 2021
https://medicaljournal.com.co/index.php/mj/article/download/33/97
Rivero López , C. J., Irahan Otoniel, J. G., Martínez Flores, G., & Avendaño Cortes, I. (2024).
Implementación de una Red Neuronal Convolucional para Distinguir entre Patrones
Radiológicos de COVID-19 y Neumonía en Imágenes Tomográficas de Tórax.
https://www.ciencialatina.org/index.php/cienciala/article/download/9056/13505
