(IA) en los últimos años ha incrementado el interés por el usar esta novedosa tecnología en

desarrollo de nuevos métodos diagnósticos. El uso de imágenes para la elaboración de

algoritmos de IA conlleva una serie de pasos complejos, que en aquellos no familiarizados en

el área de las ciencias computacionales puede ocasionar confusión. Se trata de un estudio

instrumental para la elaboración de una lista de cotejo, para delimitar los pasos y un control

de calidad del material empleado para la elaboración de algoritmos de IA en la detección

automática de objetos. Se realizó el presente estudio en 2 fases: validez de facie y validez de

contenido. Se enviaron a 3 expertos un cuestionario con 20 ítems para valorar la pertenencia

y comprensión de los ítems. Para la validez de contenido se reenvió el cuestionario a 5

expertos para valorar su pertinencia y redacción, se mantuvieron 19 ítems para la versión

recent years has increased interest in using this novel technology in the development of new

diagnostic methods. The use of images for the development of AI algorithms involves a

series of complex steps, which can be confusing for those unfamiliar with computer science.

This is an instrumental study for the elaboration of a checklist, to delimit the steps and quality

control of the material used for the elaboration of AI algorithms in automatic object

detection. The present study was conducted in 2 phases: face validity and content validity. A

questionnaire with 20 items was sent to 3 experts to assess the relevance and comprehension

of the items. For content validity, the questionnaire was sent back to 5 experts to assess its

relevance and wording; 19 items were kept for the final version of the instrument. The

instrument presented, ¨ENDOLAP-IA¨, is the first of its kind. The creation of instruments

representación digital de una imagen, un objeto a destacar en una escena, con el fin de

facilitar su análisis (Medina & Bellera, 2003). En el trabajo de (Restrepo-Velázquez, 1999),

las imágenes obtenidas a través de este proceso pueden ser utilizadas para realizar

diagnósticos, tratamiento y pronostico en un contexto clínico especifico (CJ Acuña et al,

2007), sin embargo, la obtención de las imágenes para la realización de algoritmos de

detección automática de objetos tiene sus obstáculos, las imágenes extraídas de sistemas de

captura de video de una cámara de laparoscopía, presentan ¨ruido¨, una distorsión de la

imagen ocasionada por elementos externos al sistema de registro digital de las imágenes y

video, causado por la lente de la cámara, iluminación, la escala o dimensión, rotación y

ausencia de enfoque y nitidez apropiado, que pueden comprometer con el resultado final de la

calidad de la imagen obtenida (Selman, 2004).

sangrado secundario a una lesión o disección en tejido altera la anatomía quirúrgica,

cuestiones técnicas previas a la configuración y calibración de la cámara laparoscópica

pueden ocasionar falta de enfoque de la visión llegando a generar un riesgo durante el

procedimiento (Torres, Serra & Marrecos, 2009). Para resolver esta clase de problemas,

existen una serie de técnicas y algoritmos de preprocesamiento digital, estas técnicas incluyen

normalización de cuadros, adecuado contraste, compresión de la imagen, escala apropiada,

rotación y color (Mereles, 2012). En el contexto de la inteligencia artificial y el aprendizaje

computacional automatizado, se requiere de datos de calidad y un robusto proceso de

validación para crear un algoritmo para la detección de objetos con fines médicos (Arias et al,

2019).

et al, 2022). Posterior al preprocesamiento y compresión imágenes, los pixeles de cada una de

las imágenes son representadas como un vector, de esta forma el área de interés (ADI) es

seleccionada y las características que son de utilidad para el estudio son extraídas por medio

de segmentación de la región que se desea analizar posteriormente, debido a que la

conversión de la imagen a un sistema binario permitirá que el algoritmo computacional pueda

realizar el aprendizaje y realizar la detección de objetos (Ali et al, 2020).

Es necesario realizar las correspondientes anotaciones del ADI para crear clases, las cuales

servirán para delimitar si el objeto o no se encuentra presente al momento de la detección. Se

deben contar con los elementos necesarios para el desarrollo de bases de datos con

información apropiada, debido a que, si la base de datos es inadecuada, los resultados finales

del algoritmo no serán lo suficiente para realizar la detección automática. (Ward et al, 2021).

El desarrollo de la segmentación, creación de las clases y anotaciones dentro del

Una calidad optima de las imágenes extraídas de videos de cirugías laparoscópicas permite

crear una mejor precisión en algoritmos de inteligencia artificial para la detección de objetos,

segmentación y detección por medio de pixeles sobre aspectos anatómicos, variaciones y

enfermedad (Hashimoto et al, 2018). Permite tener una base de datos limpia, ordenada y lista

para utilizarse para realización de algoritmos de inteligencia artificial para el diagnóstico de

patologías con imágenes médicas, además de crear un repertorio para su uso en otros países

para continuar con el desarrollo de nuevas tecnologías aplicadas en la cirugía laparoscópica

(Fichtel et al, 2023).

En la literatura existen listas de cotejo empleadas en el área de la inteligencia artificial, una

de ellas consiste en una serie de pasos para la publicación de artículos científicos

artificial, se trata de MAIC-10 (Must AI Criteria-10), (Cerdá‑Alberich et al, 2023), se

desarrolló como una medida objetiva y cuantitativa de valorar la calidad de los estudios

realizados cuyo objetivo es la detección de objetos por medio de visión y aprendizaje

computacional. Se trata de una lista de cotejo que se compone de 10 ítems, que describen

aspectos sobre la metodología realizada en el estudio, se creó con fines de medir la calidad de

las investigaciones en el área de inteligencia artificial, su ventaja en comparación con otros

datos extraídos que se utilizaran. En cuanto a los parámetros o métricas habitualmente

por el número de pixeles, capacidad de reproducir la luz, colores y texturas (Rodrigues et al,

2022). El parámetro más importante para valorar la calidad final es la percepción subjetiva

extracción de los componentes de su imagen para su posterior interpretación y análisis (Jamil,

2024); (Obuchowicz et al, 2024). La visualización y la correcta identificación de los

componentes que forman parte de la anatomía intraabdominal son de suma importancia, ya

o extracción de un órgano abdominal, como lo es en el caso de la vesícula biliar. operador

que manipula la cámara laparoscópica para el enfoque y documentación de las estructuras

(Carsterns et al, 2023). Para el análisis de imágenes médicas con fines de predicción,

detección de objetos, se requiere de una base de datos que tenga las características necesarias

a investigar y probar por medio del algoritmo de inteligencia artificial. la identificación por

medio de etiquetas o “mascaras” de estructuras u objetos de interés del estudio, los cuales se

sistemas computacionales para realizar estas anotaciones y tener una retroalimentación a

usando el sistema de coordenadas de los pixeles para detectar de manera correcta los límites y

bordes de interés (Mirikharaji et al, 2023).

Las imágenes utilizadas en el diagnóstico médico son de vital importancia para garantizar la

precisión y confiabilidad de los resultados. Una imagen de baja calidad puede llevar a

interpretaciones erróneas, diagnósticos incorrectos y, en última instancia, a decisiones

clínicas inapropiadas que afectan la salud del paciente (Ali et al, 2020). Por lo tanto, es

fundamental establecer un método de evaluación riguroso para asegurar que las imágenes

cumplan con los estándares necesarios. El objetivo del instrumento es proporcionar un

conjunto de criterios específicos y objetivos que permitan a los profesionales de la salud

determinar si una imagen es adecuada para su uso clínico. Esta herramienta de evaluación

busca garantizar que las imágenes cumplen con los requisitos necesarios en términos de

nitidez, contraste, resolución, ausencia de artefactos y otras características relevantes para su

MATERIALES Y MÉTODOS

Tipo de estudio

Se realizo un estudio instrumental (Montero & León, 2002), en el cual se diseñó un

instrumento para la recolección de información en relación con las imágenes obtenidas de

diversos medios digitales para la realización de protocolos con inteligencia artificial en el

para el desarrollo de algoritmos diagnósticos que puedan ser utilizados en el ámbito clínico

(Arias et al, 2019). En la actualidad el creciente uso y adopción de la inteligencia artificial en

la cirugía ha crecido y se ha iniciado su introducción dentro de las salas de operaciones

(Hashimoto et al, 2020). Sin embargo, aún se encuentra en una etapa muy temprana para su

aplicación de manera establecida dentro de las unidades hospitalarias y las salas de

quirófanos. La creación de un método de evaluación objetiva brinda mayor información y

La lista de cotejo creada en el presente estudio aborda la necesidad de crear modelos de

evaluación de calidad del material empleado con el fin de crear aplicaciones con fines

diagnósticos para automatizar procesos que de forma tradicional consumen recursos y tiempo

En la revisión por expertos se hicieron cambios relacionados con la redacción de los ítems,

debido a que inicialmente se utilizaron conceptos ambiguos y técnicos que no se

consideraban comprensibles. Los ítems a los cuales se les realizaron modificaciones por

sugerencia de los expertos fueron los ítems 2, 3, 5, 6, 7, 8 y 16. Dentro de las categorías de

los ítems a los cuales se les realizaron modificaciones están Calidad, Preprocesamiento y

Segmentación. En cuanto a las observaciones realizadas por los expertos en la categoría

Calidad, fueron sobre simplificar la redacción de las preguntas y ser concisos respecto al

objetivo de cada una de las preguntas, con el fin de tener una mayor comprensión sin

necesidad de realizar una búsqueda previa de información. En la categoría de

Preprocesamiento fue donde existieron el mayor número de observaciones relacionadas con

dada la naturaleza de esta área, al tratarse de la forma en la cual se representan los colores, el

categorías permanecieron sin modificaciones, debido a que se tuvo un alto nivel de

valoración por parte de los expertos, ya que las consideraban como esenciales para formar

parte del instrumento.

En el juicio de expertos realizado por 5 expertos, fue necesario eliminar el ítem 5 del

instrumento debido a que presentó un CVR para pertinencia y redacción con 0.2, además de

un CVR” en pertinencia y redacción de 0.6, según (Araya et al, 2018), una razón de

contenido con este valor, no puede ser aceptable dentro del instrumento, ya que condiciona a

que este elemento o ítem no cuenta con la pertinencia ni redacción necesaria para ser parte de

este instrumento y de no ser eliminado puede ocasionar una diferencia significativa en la

interpretación del instrumento. El resto de los ítems del instrumento presentaron valores

óptimos de CVR en la pertinencia y redacción, lo que establece (Parra, 2020), que tal valor

representa que los ítems de cada una de las categorías dentro del instrumento son

Dentro de las limitaciones del instrumento, el contar con un número reducido de expertos

para la validación del instrumento ocasiona que los resultados no sean muy representativos

estadísticamente, al tratarse de un área de reciente crecimiento e integración en el área de la

innovador, se trata del primer instrumento creado para evaluar el contenido que forma parte

del proceso de elaboración de algoritmos de inteligencia artificial para la detección de

objetos, con el fin de mejorar la precisión y validez (Ward et al, 2020), para la compleja tarea

de desarrollo de proyectos en aprendizaje automatizado (Hashimoto et al, 2018).

solo a cirujanos, sino también personal de salud interesado en la aplicación de la inteligencia

artificial como una herramienta en su práctica diaria. Estos conceptos comprendan los pasos y

puntos necesarios a tener en cuanta al momento de procesar imágenes de cirugías

medicina continúan en crecimiento, por ello es importante adoptar y aplicar nuevas

herramientas para realizar diagnósticos, toma de decisiones, entrenamiento a residentes y

educación al paciente, sin tener complicaciones con tecnicismos y miedo al cambio, por ello

el crear instrumentos como el presente, facilitan la introducción e integración a aplicar estas

nuevas tecnologías en desarrollo en el ámbito hospitalario.

REFERENCIAS BIBLIOGRÁFICAS

Abad, F. J., Olea, J., Ponsoda, J., y García, C. (2011). Medición en ciencias sociales y de la

Acuña, C. J., Marcos, E., De Castro, V., Hernández, J. A., & López-Sanz, M. (2007). Gestión

Alarcón, L. A. G., Trápaga, J. A. B., & Navarro, R. E. (2017). Content validity by experts’

Ali, O., Ally, M., Clutterbuck, P., & Dwivedi, Y. (2020). The state of play of blockchain

Araya, S. C. B., Egaña, M. J. U., & Salamanca, M. I. C. (2018). Validez de contenido de un

https://biblat.unam.mx/hevila/Revistalatinoamericanadehipertension/2019/vol14/no5/13.pdf

Carretero-Dios, H., & Pérez, C. (2005). Normas para el desarrollo y revisión de estudios

Carstens, M., Rinner, F. M., Bodenstedt, S., Jenke, A. C., Weitz, J., Distler, M., Speidel, S.,

Cerdá-Alberich, L., Solana, J., Mallol, P., Ribas, G., García-Junco, M., Alberich-Bayarri, A.,

Guo, F., & Meng, H. (2024). Application of artificial intelligence in gastrointestinal

Hashimoto, D. A., Rosman, G., Rus, D., & Meireles, O. R. (2018). Artificial Intelligence in

Jamil, S. (2024). Review of Image Quality Assessment Methods for Compressed Images.

Juarez-Hernandez, L. G., & Tobon, S. (2018). Análisis de los elementos implícitos en la

Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). El