Algoritmo de inteligencia artificial para la estimación de la edad ósea
##plugins.themes.themeEleven.article.main##
Palabras clave
Inteligencia Artificial, Determinación de la Edad por el Esqueleto, Radiografía, Niño, Adolescentes
Resumen
Introducción: la estimación de la edad ósea (EO) con métodos automatizados puede eliminar la variación interindividual.
Objetivo: evaluar la EO mediante la creación de un algoritmo de inteligencia artificial (IA) en población pediátrica de la región del Bajío, México.
Material y métodos: estudio observacional, transversal, retrospectivo, analítico. Se incluyeron radiografías de la mano izquierda de menores de 18 años, obtenidas de la base de datos del Servicio de Radiología para crear el algoritmo de IA para estimar la EO. Se comparó el resultado de EO por IA con el obtenido por 2 observadores expertos con el método de Greulich y Pyle.
Resultados: se analizaron 271 radiografías para evaluar la EO y esta fue similar entre los observadores 1, 2 e IA, al considerar todas las imágenes (p = 0.68). El tiempo de duración de la estimación de la EO fue mayor con la IA (p < 0.001). La medición con IA no mostró diferencias entre edad cronológica (EC) y EO, al considerar tanto la totalidad de imágenes (p = 0.12), como cuando se distribuyeron por grupos etarios < 6 años, 6 a < 10 años y ≥ 10 años (p = 0.60, p = 0.06, p = 0.67, respectivamente). Los coeficientes de correlación de concordancia (CCC) de EO más altos se registraron cuando se evaluaron todas las imágenes (observador 1 y 2, observador 1 e IA, y observador 2 e IA [p < 0.001, en los 3 escenarios]).
Conclusiones: el algoritmo de IA permite la estimación objetiva de la EO de niños y adolescentes como primer entrenamiento; su perfeccionamiento optimizará su uso y utilidad en la práctica clínica.
Referencias
1. Jani G, Patel B. Charting the growth through intelligence: A SWOC analysis on AI-assisted radiologic bone age estimation. Int J Legal Med. 2025;139(2):679-94. doi: 10.1007/s00414-024-03356-3
2. Pose Lepe G, Villacres F, Silva Fuente-Alba C, et al. Correlación en la determinación de la edad ósea radiológica mediante el método de Greulich y Pyle versus la evaluación automatizada utilizando el software BoneXpert. Rev. Chil. Pediatr. 2018;89(5):606-11. doi: 10.4067/S0370-41062018005000705
3. Núñez-Enríquez JC, Arias-Gómez J, Nishimura-Meguro E. Proceso diagnóstico en talla baja. Rev Med Inst Mex Seguro Soc. 2012;50(6):623-30.
4. Kowo-Nyakoko F, Gregson CL, Madanhire T, et al. Evaluation of two methods of bone age assessment in peripubertal children in Zimbabwe. Bone. 2023;170:116725. doi: 10.1016/j.bone.2023.116725
5. Akın Kağızmanlı G, Deveci Sevim R, Besci Ö, et al. Which method is more effective in predicting adult height in pubertal girls treated with gonadotropin-releasing hormone agonist? Hormones (Athens). 2023;22(3):501-6. doi: 10.1007/s42000-023-00466-2
6. Haghnegahdar A, Pakshir HR, Zandieh M, et al. Computer Assisted Bone Age Estimation Using Dimensions of Metacarpal Bones and Metacarpophalangeal Joints Based on Neural Network. J Dent (Shiraz). 2024;25(1):51-8. doi: 10.30476/dentjods.2023.95629.1882
7. Lee BD, Lee MS. Automated Bone Age Assessment Using Artificial Intelligence: The Future of Bone Age Assessment. Korean J Radiol. 2021;22(5):792-800. doi: 10.3348/kjr.2020.0941
8. Larson DB, Chen MC, Lungren MP, et al. Performance of a Deep-Learning Neural Network Model in Assessing Skeletal Maturity on Pediatric Hand Radiographs. Radiology. 2018;287(1):313-22. doi: 10.1148/radiol.2017170236
9. Jiménez Alés R. Artificial Intelligence. Challenges and concerns . Rev Pediatr Aten Primaria. 2023;25:205-10.
10. Zhao K, Ma S, Sun Z, et al. Effect of AI-assisted software on inter- and intra-observer variability for the X-ray bone age assessment of preschool children. BMC Pediatr. 2022;22(1):644. doi: 10.1186/s12887-022-03727-y
11. Artioli TO, Alvares MA, Carvalho Macedo VS, et al. Bone age determination in eutrophic, overweight and obese Brazilian children and adolescents: a comparison between computerized BoneXpert and Greulich-Pyle methods. Pediatr Radiol. 2019;49(9):1185-91. doi: 10.1007/s00247-019-04435-z
12. Nguyen T, Hermann AL, Ventre J, et al. High performance for bone age estimation with an artificial intelligence solution. Diagn Interv Imaging. 2023;104(7-8):330-6. doi: 10.1016/j.diii.2023.04.003
13. Garrido-Pino CA, López-Montero LM, López-Lozano L, et al. Edema macular en fotografías de fondo de ojo mediante un algoritmo computacional. Rev Med Inst Mex Seguro Soc. 2024;62(2):1-7. doi: 10.5281/zenodo.10711610
14. Rodríguez-Esquivel M, Mendoza-Rodríguez MG, Hernández-Quijano T, et al. La innovación sensorial para detección no invasiva del cáncer de mama. Rev Med Inst Mex Seguro Soc. 2020;58(Supl 1):S104-15. doi: 10.24875/RMIMSS.M20000121
15. Hassan N, Slight R, Morgan G, et al. Road map for clinicians to develop and evaluate AI predictive models to inform clinical decision-making. BMJ Health Care Inform. 2023;30(1):e100784. doi: 10.1136/bmjhci-2023-100784
16. Chávez-Vázquez AG, Klünder-Klünder M, Garibay-Nieto NG et al. Evaluation of height prediction models: from traditional methods to artificial intelligence. Pediatr Res. 2024;95:308-15. doi: 10.1038/s41390-023-02821-w
17. Yang C, Dai W, Qin B, et al. A real-time automated bone age assessment system based on the RUS-CHN method. Front Endocrinol (Lausanne). 2023;14:1073219. doi: 10.3389/fendo.2023.1073219
18. Huang S, Su Z, Liu S, et al. Combined assisted bone age assessment and adult height prediction methods in Chinese girls with early puberty: analysis of three artificial intelligence systems. Pediatr Radiol. 2023;53(6):1108-16. doi: 10.1007/s00247-022-05569-3
19. Alshamrani K, Hewitt A, Offiah AC. Applicability of two bone age assessment methods to children from Saudi Arabia. Clin Radiol. 2020;75(2):156.e1-9. doi: 10.1016/j.crad.2019.08.029
20. Lea WW, Hong SJ, Nam HK, et al. External validation of deep learning-based bone-age software: a preliminary study with real world data. Sci Rep. 2022;12(1):1232. doi: 10.1038/s41598-022-05282-z
##plugins.themes.themeEleven.article.sidebar##
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Los autores conservan sus derechos de autor y otorgan a la Revista Médica del IMSS el derecho de primera publicación. Los artículos se distribuyen bajo una Licencia Creative Commons Atribución-NoComercial-SinDerivar 4.0 Internacional, que permite su difusión siempre que se reconozca al autor y la fuente original.