Desempeño de redes neuronales convolucionales para la identificación de hallazgos en tomografía de pacientes con diverticulitis aguda en el Hospital General de Zona No. 3, OOAD Aguascalientes

Abstract

RESUMEN TÍTULO: Desempeño de redes neuronales convolucionales para la Identificación de hallazgos en tomografía de pacientes con diverticulitis aguda en el hospital General de Zona No. 3, OOAD Aguascalientes. INTRODUCCIÓN: La diverticulitis aguda es una causa prevalente de hospitalización que representa un desafío diagnóstico para el cirujano general. La tomografía computada (TC) constituye el estándar de oro para su clasificación, aunque su eficacia depende de la interpretación humana y la disponibilidad de especialistas experimentados. En este escenario, la inteligencia artificial (IA), mediante redes neuronales convolucionales (CNN), surge como una herramienta prometedora para automatizar la detección de patrones radiológicos y optimizar el proceso diagnóstico clínico. No obstante, la evidencia sobre su aplicación en patologías inflamatorias abdominales aún es limitada. MATERIAL Y MÉTODOS: Se realizó un estudio descriptivo-correlacional, no experimental y transversal con diseño instrumental. Se implementó un algoritmo de aprendizaje profundo bajo la arquitectura ResNet-18, utilizando imágenes de TC abdominal de pacientes con diagnóstico confirmado del HGZ No. 3 (IMSS Aguascalientes), complementadas con bases de datos públicas de referencia. Las imágenes fueron etiquetadas manualmente y segmentadas en tres conjuntos: entrenamiento (64%), validación (16%) y prueba (20%). El modelo fue evaluado mediante métricas de desempeño diagnóstico (exactitud, sensibilidad, especificidad, valores predictivos y F1 Score) y métricas de segmentación (índices de Jaccard/IoU y de Dice). Se cumplieron las guías éticas institucionales y el checklist CLAIM 2024 para investigaciones de IA en imagen médica. RESULTADOS: De una cohorte de 109 pacientes, se analizaron 40 estudios con 10,225 cortes. El algoritmo obtuvo una exactitud de 96.4%, sensibilidad de 94.1%, especificidad de 97.6%, valor predictivo positivo de 94.8% y un F1 Score de 94.4%. A nivel de estudio, clasificó correctamente los 20 casos positivos. En segmentación, alcanzó un índice de Jaccard de 0.80 y un coeficiente de Dice de 0.89, confirmando una alta concordancia con la referencia. 5 CONCLUSIÓN: El algoritmo demostró un desempeño robusto, comparable al juicio experto. Esta herramienta puede apoyar el triage radiológico y la toma de decisiones quirúrgicas, fortaleciendo la precisión diagnóstica. El estudio permite proyectar validaciones multicéntricas para futuras implementaciones clínicas. PALABRAS CLAVE: Diverticulitis aguda; Inteligencia artificial; Redes neuronales convolucionales; Tomografía computarizada; Índice de Jaccard; Coeficiente de Dice.