Evaluación de una aplicación basada en inteligencia artificial para el diagnóstico de parásitos intestinales

Blanca E. Samayoa Herrera; Anneliese Moller Sundfeldt; Martin Gil Carrera; Mildred Alquijay Pacheco.

doi:10.36829/63CTS.v10i2.1344

Autores/as

Blanca E. Samayoa Herrera Escuela de Química Biológica
Anneliese Moller Sundfeldt Escuela de Química Biológica, Facultad de Ciencias Químicas y Farmacia, Universidad de San Carlos de Guatemala https://orcid.org/0000-0002-9507-9705
Martin Gil Carrera Escuela de Química Biológica, Facultad de Ciencias Químicas y Farmacia, Universidad de San Carlos de Guatemala https://orcid.org/0000-0001-6764-6277
Mildred Alquijay Pacheco. Programa de Experiencias Docentes con la Comunidad, Facultad de Ciencias Químicas y Farmacia, Universidad de San Carlos de Guatemala https://orcid.org/0000-0002-1251-2455

DOI:

https://doi.org/10.36829/63CTS.v10i2.1344

Palabras clave:

Parásitos intestinales, Inteligencia Artificial, precisión, validez, microscopía digital, Red Neuronal Convolucional.

Resumen

En Guatemala, las infecciones parasitarias intestinales representan una de las prevalencias más altas en Latinoamérica, sin embargo, la observación de la morfología microscópica de estos microorganismos sigue siendo el estándar de oro para su diagnóstico. Esta metodología compromete los resultados en cuanto a la calidad y disponibilidad de personal calificado por lo que la búsqueda de alternativas basadas en inteligencia artificial (IA) representan un método preciso y complementario en este campo. El objetivo de este estudio fue determinar la exactitud y precisión de una herramienta de uso gratuito para la identificación de parásitos intestinales basada en IA. Se procesaron 314 muestras, se encontraron 266 parásitos y se generaron 1,051 fotografías. De este archivo, 181 imágenes fueron seleccionadas, como patrón de referencia, que luego fue comparado con la identificación a través de la aplicación de IA Parasite ID (https://parasite.id/). El análisis se realizó a través de las métricas de sensibilidad, especificidad, exactitud, concordancia y curva ROC, con un intervalo de confianza del 95%. Los resultados para Parasite ID fueron: sensibilidad 25.2%, IC 95% [17.2,34.8]; especificidad 79.5 %, IC 95% [68.8,87.8]; exactitud 48.6%, IC 95% [41.1,56.1] y la concordancia de un 4.3%, IC 95% [-6.9,15.5]. El área bajo la curva ROC, fue de 59.9%, IC 95% [52.4 – 67.1]. Con estos resultados se evidenció la necesidad de mejorar las métricas evaluadas y ampliar el catálogo de los parásitos de importancia clínica en el caso que se desarrolle una aplicación a nivel local.

Descargas

Los datos de descargas todavía no están disponibles.

Citas

Abraira, V. (2001). El índice kappa. Semergen-Medicina de Familia, 25(5), 247-249.

Akoglu, H. (2022). User’s guide to sample size estimation in diagnostic accuracy studies. Turkish Journal of Emergency Medicine, 22(4), 177-185. https://doi.org/10.4103/2452-2473.357348

Arias, M. M., & Molina, M. (2013a). Características de las pruebas diagnósticas. Pediatría Atención Primaria, 15(58), 169-173. https://doi.org/10.4321/S1139-76322013000200013

Arias, M. M., & Molina, M. (2013b). El significado de los intervalos de confianza. Pediatría Atención Primaria, 15(57), 91-94. https://doi.org/10.4321/S1139-76322013000100016

Bogoch, I. I., Andrews, J. R., Speich, B., Utzinger, J., Ame, S. M., Ali, S. M., & Keiser, J. (2013). Short report: Mobile phone microscopy for the diagnosis of soil-transmitted helminth infections: A proof-of-concept study. American Journal of Tropical Medicine and Hygiene, 88(4), 626-629. https://doi.org/10.4269/ajtmh.12-0742

Bravo-Grau, S., & Cruz Q., J. P. (2015). Estudios de exactitud diagnóstica: Herramientas para su Interpretación. Revista Chilena de Radiología, 21(4), 158-164. https://doi.org/10.4067/S0717-93082015000400007

Cook, D. M., Swanson, R. C., Eggett, D. L., & Booth, G. M. (2009). A Retrospective Analysis of Prevalence of Gastrointestinal Parasites among School Children in the Palajunoj Valley of Guatemala. Journal of Health, Population, and Nutrition, 27(1), 31. https://doi.org/10.3329/JHPN.V27I1.3321

Donis, J. H. (2012). Evaluación de la validez y confiabilidad de una prueba diagnóstica (Assessment of the validity and reliability of a diagnostic test). Avances en Biomedicina, 1(2), 73-81.

Garcia, L. S. (2021). Practical guide to diagnostic parasitology (3rd ed.). ASM Press.

Gómez González, C., Pérez Castán, J. F., & Martin, J. L. R. (2007). Capítulo 8: Pruebas diagnósticas. Concordancia. SEMERGEN - Medicina de Familia, 33(10), 509-519. https://doi.org/10.1016/S1138-3593(07)73955-2

Landis, J. R., & Koch, G. G. (1977). The Measurement of Observer Agreement for Categorical Data. Biometrics, 33(1), 159-174. https://doi.org/10.2307/2529310

Mathison, B. A., Kohan, J. L., Walker, J. F., Smith, R. B., Ardon, O., & Couturier, M. R. (2020). Detection of intestinal protozoa in trichrome-Stained stool specimens by use of a deep convolutional neural Network. Journal of Clinical Microbiology, 58(6), Artículo e02053. https://doi.org/10.1128/JCM.02053-19

McHugh, M. L. (2012). Interrater reliability: The kappa statistic. Biochemia Medica, 22(3), 276-282. https://doi.org/10.11613/bm.2012.031

Metz, C. E. (2008). ROC analysis in medical imaging: A tutorial review of the literature. Radiological Physics and Technology, 1(1), 2-12. https://doi.org/10.1007/S12194-007-0002-1

O’Brien, S. F., & Yi, Q. L. (2016). How do I interpret a confidence interval? Transfusion, 56(7), 1680-1683. https://doi.org/10.1111/TRF.13635

OPS/OMS. (2022). Geohelmintiasis. https://www.paho.org/es/temas/geohelmintiasis

Parasite ID. (n.d.). Parasite ID | Home. Retrieved June 28, 2020, from https://parasite.id/

Quinn, J. A., Nakasi, R., Mugagga, P. K. B., Byanyima, P., Lubega, W., & Andama, A. (2016). Deep convolutional neural networks for microscopy-Based point of care diagnostics. arXiv:1608.02989, 1-12. http://arxiv.org/abs/1608.02989

Rajchgot, J., Coulibaly, J. T., Keiser, J., Utzinger, J., Lo, N. C., Mondry, M. K., Andrews, J. R., & Bogoch, I. I. (2017). Mobile-phone and handheld microscopy for neglected tropical diseases. PLoS Neglected Tropical Diseases, 11(7). https://doi.org/10.1371/JOURNAL.PNTD.0005550

Ryan, U., Paparini, A., Oskam, C. (2017). New technologies for detection of enteric parasites. Trends in Parasitology, 33(7), 532-546. https://doi.org/10.1016/j.pt.2017.03.005

Saboyá, M. I., Catalá, L., Nicholls, R. S., & Ault, S. K. (2013). Update on the Mapping of Prevalence and Intensity of Infection for Soil-Transmitted Helminth Infections in Latin America and the Caribbean: A Call for Action. PLoS Neglected Tropical Diseases, 7(9). https://doi.org/10.1371/JOURNAL.PNTD.0002419

Smith, K. P., Wang, H., Durant, T. J. S., Mathison, B. A., Sharp, S. E., Kirby, J. E., Long, S. W., & Rhoads, D. D. (2020). Applications of Artificial Intelligence in Clinical Microbiology Diagnostic Testing. Clinical Microbiology Newsletter, 42(8), 61-70. https://doi.org/10.1016/j.clinmicnews.2020.03.006

van Lieshout, L., & Roestenberg, M. (2015). Clinical consequences of new diagnostic tools for intestinal parasites. Clinical Microbiology and Infection, 21(6), 520-528. https://doi.org/10.1016/J.CMI.2015.03.015

World Health Organization. (2017). Integrating neglected tropical diseases into global health and development: Fourth WHO report on neglected tropical diseases. https://apps.who.int/iris/bitstream/handle/10665/255011/9789241565448-eng.pdf