Diagnóstico de cardiopatías congénitas usando aprendizaje profundo en radiografías torácicas pediátricas: prueba de concepto
##plugins.themes.themeEleven.article.main##
Palabras clave
Cardiopatías Congénitas, Inteligencia Artificial, Radiografía Torácica, Red Neuronal Convolucional, Medicina de Precisión
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.
Referencias
1. Liu Y, Chen S, Zühlke L, et al. Global birth prevalence of congenital heart defects 1970–2017: updated systematic review and meta-analysis of 260 studies. Int J Epidemiol. 2019;48(2):455–63. doi:10.1093/ije/dyz009.
2. Instituto Mexicano del Seguro Social. Lineamiento técnico médico para la realización del tamiz neonatal cardiaco [Internet]. Ciudad de México: IMSS; 2022 [consultado 3 de octubre de 2025]. Disponible en: https://www.gob.mx/cms/uploads/attachment/file/802995/Lineamiento_tamiz_neonatal_cardiaco_Aportaciones_Comite___2022_.pdf
3. Torres-Cosme JL, Rolón-Porras C, Aguinaga-Ríos M, et al. Mortality from congenital heart disease in Mexico: a problem on the rise. PLoS One. 2016;11(3):e0150422. doi:10.1371/journal.pone.0150422.
4. CENETEC. Diagnóstico y Tratamiento de Los Defectos de Los Tabiques Interauricular e Interventricular En Menores de 18 Años En Segundo y Tercer Nivel de Atención. Guía de Evidencias y Recomendaciones: Guía de Práctica Clínica, 2018 [citado 3 de octubre de 2025].
5. Baumgartner H, De Backer J, Babu-Narayan SV, et al. 2020 ESC guidelines for the management of adult congenital heart disease. Eur Heart J. 2021;42(6):563–645. doi:10.1093/eurheartj/ehaa554.
6. Murni IK, Wirawan MT, Patmasari L, et al. Delayed diagnosis in children with congenital heart disease: a mixed-method study. BMC Pediatr. 2021;21(1):191. doi:10.1186/s12887-021-02667-3.
7. Siregar MHR, Daulay ER, Hasan R. Role of chest radiograph in diagnosis of acyanotic congenital heart disease. J Soc Med. 2022;1(3):87–92.
8. Sarıoğlu T, Erek E, Yalçınbaş YK. Why national databases are necessary for pediatric and congenital heart surgery practice? Turk Gogus Kalp Damar Cerrahisi Derg. 2019;27(3):418–22. doi:10.5606/tgkdc.dergisi.2019.17945.
9. Markham JL, Hall M, Stephens JR, et al. A pediatric hospital medicine primer for performing research using administrative data. Hosp Pediatr. 2022;12(9):e319–25. doi:10.1542/hpeds.2022-006691.
10. Han PL, Jiang L, Cheng JL, et al. Artificial intelligence-assisted diagnosis of congenital heart disease and associated pulmonary arterial hypertension from chest radiographs: a multi-reader multi-case study. Eur J Radiol. 2024;171:111277. doi:10.1016/j.ejrad.2023.111277.
11. Chen R, Wu X, Chung T, et al. Using deep learning to detect pediatric congenital heart disease by chest radiography [preprint]. 2021 [citado 25 de septiembre de 2025]. doi:10.21203/rs.3.rs-491844/v1.
12. Zhixin L, Gang L, Zhixian J, et al. CHD-CXR: a de-identified publicly available dataset of chest x-ray for congenital heart disease. Front Cardiovasc Med. 2024;11:1351965. doi:10.3389/fcvm.2024.1351965.
13. Rajpurkar P, Irvin J, Zhu K, et al. CheXNet: radiologist-level pneumonia detection on chest X-rays with deep learning [preprint]. arXiv:1711.05225. 2017 [consultado 25 de septiembre de 2025]. Disponible en: https://arxiv.org/abs/1711.05225.
14. Giełczyk A, Marciniak A, Tarczewska M, Lutowski Z. Pre-processing methods in chest X-ray image classification. PLoS One. 2022;17(4):e0265949. doi:10.1371/journal.pone.0265949.
15. Tomás-Alvarado E, Ramírez-Terán OA. Descripción epidemiológica de niños con cardiopatías congénitas en Quintana Roo, México. Rev Mex Pediatr. 2024;91(2):64–7. doi:10.35366/119128.
16. Toba S, Mitani Y, Yodoya N, et al. Prediction of pulmonary to systemic flow ratio in patients with congenital heart disease using deep learning-based analysis of chest radiographs. JAMA Cardiol. 2020;5(4):449–57. doi:10.1001/jamacardio.2019.5620.
17. Luo L, Yu L, Chen H, et al. Deep mining external imperfect data for chest X-ray disease screening. IEEE Trans Med Imaging. 2020;39(11):3583–94. doi:10.1109/TMI.2020.3000949.
18. Rao PS. Diagnosis and management of ventricular septal defects. Rev Cardiovasc Med. 2024;25(11):411. doi:10.31083/j.rcm2511411.
19. Schiavone WA, Majdalany DS. Chest radiography pearls in select adult congenital heart disease. J Pers Med. 2024;14(4):397. doi:10.3390/jpm14040397.
20. Contreras-Hernández I, Bonifaz-Alfonzo LC. Redes transversales de investigación en salud: estrategia para la medicina traslacional. Rev Med Inst Mex Seguro Soc. 2022;60(Suppl 2):S110–8. doi: https://doi.org/10.5281/
21. Jiang F, Jiang Y, Zhi H, et al. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol. 2017;2(4):230–43. doi:10.1136/svn-2017-000101.
22. Yahya D, Stoyanova M, Hachmeriyan M, et al. The application of the facial analysis program Face2Gene in a single genetic counseling center: a retrospective study. Egypt Pediatr Assoc Gaz. 2025;73:1. doi:10.1186/s43054-025-00344-z.
23. Shroyer S, Mehta S, Thukral N, et al. Accuracy of cath lab activation decisions for STEMI-equivalent and mimic ECGs: physicians vs AI (Queen of Hearts by PMcardio). Am J Emerg Med. 2025;97:193–9. doi:10.1016/j.ajem.2025.07.061.
24. Esteva A, Robicquet A, Ramsundar B, et al. A guide to deep learning in healthcare. Nat Med. 2019;25(1):24–9. doi:10.1038/s41591-018-0316-z.
25. 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):e5701. doi:10.5281/zenodo.10711610.
26. Sharma M, Savage C, Nair M, Larsson I, Svedberg P, Nygren JM. Artificial Intelligence Applications in Health Care Practice: Scoping Review. J Med Internet Res. 2022 Oct 5;24(10):e40238. doi: 10.2196/40238. PMID: 36197712; PMCID: PMC9582911.
27. Alowais SA, Alghamdi SS, Alsuhebany N, Alqahtani T, Alshaya AI, Almohareb SN, et al. Revolutionizing healthcare: the role of artificial intelligence in clinical practice. BMC Med Educ. 22 de septiembre de 2023;23(1):689.
28. Chávez-Martínez O, Ragacini LA. Educación médica e inteligencia artificial: perspectivas y desafíos éticos. Rev Med Inst Mex Seguro Soc. 2025;63(5):e6736. doi:10.5281/zenodo.16748310.
##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.