Detección antenatal de cardiopatías congénitas mediante inteligencia artificial
Cargando...
Archivos
Fecha
2025-01
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
Objetivo: analizar la precisión diagnóstica de una arquitectura basada en “Vision Transformer” para la detección prenatal de cardiopatías congénitas (CC) de acuerdo con cada trimestre del embarazo en un país de medianos ingresos.
Métodos: se realizó un estudio retrospectivo, observacional y analítico en las pacientes con ecografía obstétrica realizada en la Fundación Santa Fe de Bogotá entre el 2019 y el 2023. Se incluyeron imágenes de corazón fetal con los cortes 4C, 3VT, SVD, SVI. Se entrenó una arquitectura basada en “Vision Transformer” en donde se evaluó el rendimiento en la detección de CC por trimestre de gestación.
Resultados: se revisaron 12.402 ecografías y se incluyeron 3.260. Se identificaron 181 ecografías de fetos con CC. La mayoría de las CC se detectaron en el segundo (44,6%) y tercer trimestre (52,4%), siendo la comunicación interventricular la más común. Se utilizaron 2.966 imágenes para el entrenamiento del modelo y 294 para la validación, logrando el mejor rendimiento en el segundo trimestre con una F-medida de 0,61, sensibilidad del 97%, especificidad del 88%, valor predictivo positivo del 90% y valor predictivo negativo del 97%.
Conclusiones: la prevalencia de CC anteparto fue de 6,4%, superior a otros estudios, posiblemente por tratarse de un hospital de referencia y remisión dada su alta complejidad. El modelo mostró un buen rendimiento en la detección de CC, con una F1-medida de 61%, destacando el potencial de la inteligencia artificial en regiones con acceso limitado a especialistas para mejorar la precisión en el diagnóstico de CC.
Descripción
Abstract
Objectives: to analyze the diagnostic accuracy of a Vision Transformer architecture for prenatal detection of congenital heart diseases (CHD) according to each trimester of pregnancy in a middle-income country.
Methods: an observational, retrospective, and analytical study was conducted in patients with obstetric ultrasound performed at the Fundación Santa Fe de Bogotá from 2019 to 2023. Fetal heart images captured in 4C, 3VT, SVD, SVI views were included. A Vision Transformer-based architecture was trained and its performance in the detection of CHD was evaluated by trimester of pregnancy.
Results: 12,402 ultrasounds were reviewed and 3,260 were included. 181 ultrasounds of fetuses with CHD were identified. Most of CHDs were detected in the second (44.6%) and third trimesters (52.4%), with ventricular septal defect being the most common. The model was trained on 2,966 images and validated with 294 images, achieving the best performance in the second trimester, with an F-score of 0.61, sensitivity of 97%, specificity of 88%, positive predictive value of 90% and negative predictive value of 97%.
Conclusions: the prevalence of antepartum CHD was 6.4%, higher than other studies, possibly because it was a referral hospital given its high complexity. The model demonstrated good performance in CHD detection rate, with a F1-score of 61%, highlighting the potential of artificial intelligence in regions with limited access to specialists to improve accuracy in CHD diagnosis.
Palabras clave
Ultrasonografía, Inteligencia Artificial, Cardiopatía Congénita, Diagnóstico Prenatal
Keywords
Ultrasonography, Artificial Intelligence, Congenital Heart Disease, Prenatal Diagnosis