Diseño de un Instrumento para la Evaluación de Imágenes en Endoscopía y Laparoscopía para Inteligencia Artificial (ENDOLAP-IA)
Palabras clave:
laparoscopía, inteligencia artificial, imagen, estudio instrumental, lista de cotejoResumen
El aumento en el número de publicaciones relacionadas con el uso de inteligencia artificial (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 final del instrumento. El instrumento presentado ¨ENDOLAP-IA¨, es el primero en su clase, el crear instrumentos como el presente, facilitan la introducción e integración a aplicar estas nuevas tecnologías en el área de la medicina.
Descargas
Referencias
Abad, F. J., Olea, J., Ponsoda, J., y García, C. (2011). Medición en ciencias sociales y de la salud. Madrid. Síntesis
Acuña, C. J., Marcos, E., De Castro, V., Hernández, J. A., & López-Sanz, M. (2007). Gestión de Imágenes Médicas a través de la Web. Revista Colombiana de Computación, 8(1), 1-11. http://revistas.unab.edu.co/index.php?journal=rcc&page=article&op=viewArticle&path%5B%5D=1040
Alarcón, L. A. G., Trápaga, J. A. B., & Navarro, R. E. (2017). Content validity by experts’ judgment: Proposal for a virtual tool. Apertura, 9(2), 42-53. https://doi.org/10.32870/ap.v9n2.993
Ali, O., Ally, M., Clutterbuck, P., & Dwivedi, Y. (2020). The state of play of blockchain technology in financial services sector: A systematic review. International Journal of Information Management, 54. doi:10.1016/j.ijinfomgt.2020.102199
Araya, S. C. B., Egaña, M. J. U., & Salamanca, M. I. C. (2018). Validez de contenido de un banco de ítems en el área de salud del niño. Educación Médica Superior, 31(4), 1-9. http://scielo.sld.cu/pdf/ems/v31n4/a13_1171.pdf
Arias, V., Salazar, J., Gariciano, C., Contreras, J., Chacón, G., Chacín-González, M., Añez, R., Rojas, J., & Bermúdez-Pirela, V. (2019). Una introducción a las aplicaciones de la inteligencia artificial en Medicina: Aspectos históricos. Revista Latinoamericana de Hipertensión, 14(5), 590-600. 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 instrumentales. DOAJ (DOAJ: Directory of Open Access Journals). https://doaj.org/article/b4c0167b550847178361de17bad327be
Carstens, M., Rinner, F. M., Bodenstedt, S., Jenke, A. C., Weitz, J., Distler, M., Speidel, S., & Kolbinger, F. R. (2023). The Dresden Surgical Anatomy Dataset for Abdominal Organ Segmentation in Surgical Data Science. Scientific Data, 10(1). https://doi.org/10.1038/s41597-022-01719-2
Cerdá-Alberich, L., Solana, J., Mallol, P., Ribas, G., García-Junco, M., Alberich-Bayarri, A., & Marti-Bonmati, L. (2023). MAIC–10 brief quality checklist for publications using artificial intelligence and medical images. Insights Into Imaging, 14(1). https://doi.org/10.1186/s13244-022-01355-9
Concha-Torre, A., Alonso, Y. D., Blanco, S. Á., Allende, A. V., Mayordomo-Colunga, J., & Barrio, B. F. (2020). The checklists: ¿A help or a hassle? Anales de Pediatría, 93(2), 135.e1-135.e10. https://doi.org/10.1016/j.anpede.2020.05.003
Egaña, M. U., Araya, S. B., Núñez, M. G., & Camus, M. M. (2014). Métodos óptimos para determinar validez de contenido. Revista Cubana de Educación Médica Superior, 28(3), 547-558. http://scielo.sld.cu/pdf/ems/v28n3/ems14314.pdf
Fichtel, L., Erbacher, D., Heller, L., Fruhwald, A., Hösch, L., & Bachmeir, C. (2023). Analysis of Object Detection Datasets for Machine Learning with Small and Tiny Objects. Civil-comp Conferences. https://doi.org/10.4203/ccc.2.7.4
Geleijnse, G., Veder, L. L., Hakkesteegt, M. M., & Metselaar, R. M. (2022). The Objective Measurement and Subjective Perception of Flexible ENT Endoscopes’ Image Quality. The Journal of Imaging Science and Technology/The Journal of Imaging Science and Technology, 66(3), 030508-6. https://doi.org/10.2352/j.imagingsci.technol.2022.66.3.030508
Guo, F., & Meng, H. (2024). Application of artificial intelligence in gastrointestinal endoscopy. Arab Journal of Gastroenterology /Arab Journal of Gastroenterology. https://doi.org/10.1016/j.ajg.2023.12.010
Hashimoto, D. A., Rosman, G., Rus, D., & Meireles, O. R. (2018). Artificial Intelligence in Surgery: Promises and Perils. Annals Of Surgery, 268(1), 70-76. https://doi.org/10.1097/sla.0000000000002693
Jamil, S. (2024). Review of Image Quality Assessment Methods for Compressed Images. Journal Of Imaging, 10(5), 113. https://doi.org/10.3390/jimaging10050113
Juarez-Hernandez, L. G., & Tobon, S. (2018). Análisis de los elementos implícitos en la validación de contenido de un instrumento de investigación. Revista ESPACIOS, 39(53). https://es.revistaespacios.com/cited2017/cited2017-23.html
Kulp, L., Sarcevic, A., Zheng, Y., Cheng, M., Alberto, E., & Burd, R. (2020). Checklist Design Reconsidered: Understanding Checklist Compliance and Timing of Interactions. CHI ’20: Proceedings of the 2020 CHI Conference on Human Factors in Computing Systems. https://doi.org/10.1145/3313831.3376853
Lloret-Segura, S., Ferreres-Traver, A., Hernández-Baeza, A., & Tomás-Marco, I. (2014). El análisis factorial exploratorio de los ítems: una guía práctica, revisada y actualizada. Anales de Psicología, 30(3). https://doi.org/10.6018/analesps.30.3.199361
Mascagni, P., Alapatt, D., Sestini, L., Altieri, M. S., Madani, A., Watanabe, Y., Alseidi, A., Redan, J. A., Alfieri, S., Costamagna, G., Boškoski, I., Padoy, N., & Hashimoto, D. A. (2022). Computer vision in surgery: from potential to clinical value. Npj Digital Medicine, 5(1). https://doi.org/10.1038/s41746-022-00707-5
Medina, R., & Bellera, J. (2003). Bases del procesamiento de imágenes médicas [Tesis de maestría, Universidad de Los Andes, Facultad de Ingeniería, Grupo de Ingeniería Biomédica de la ULA]. http://www.saber.ula.ve/redtelemedicina/TallerTelemedicina/ponencia-j_bellera.html
Mereles, L. (2012). Preprocesamiento de imágenes digitales a través de su Transformada de Fourier [Tesis de Maestría, Universidad Nacional del Sur, Argentina]. http://lcr.uns.edu.ar/fvc/NotasDeAplicacion/FVC-Leonardo%20Mereles.pdf
Mirikharaji, Z., Abhishek, K., Bissoto, A., Barata, C., Avila, S., Valle, E., Celebi, M. E., & Hamarneh, G. (2023). A survey on deep learning for skin lesion segmentation. Medical Image Analysis, 88, 102863. https://doi.org/10.1016/j.media.2023.102863
Mongan, J., Moy, L., & Kahn, C. E. (2020). Checklist for Artificial Intelligence in Medical Imaging (CLAIM): A Guide for Authors and Reviewers. Radiology. Artificial Intelligence, 2(2), e200029. https://doi.org/10.1148/ryai.2020200029
Montero, I., & León, O. G. (2002). Clasificación y descripción de las metodologías de investigación en Psicología. Directory Of Open Access Journals. https://doaj.org/article/098b74fb3e494b3dabfeb4b897dc09ad
Moor, M., Banerjee, O., Abad, Z. S. H., Krumholz, H. M., Leskovec, J., Topol, E. J., & Rajpurkar, P. (2023). Foundation models for generalist medical artificial intelligence. Nature, 616(7956), 259-265. https://doi.org/10.1038/s41586-023-05881-4
Obuchowicz, R., Strzelecki, M., & Piórkowski, A. (2024). Clinical Applications of Artificial Intelligence in Medical Imaging and Image Processing—A Review. Cancers, 16(10), 1870. https://doi.org/10.3390/cancers16101870
Parra, R. I. M. (2020). Validez de contenido de un instrumento de medición de derechos humanos en México. Revista de Ciencias Sociales, 168, 203-232. https://doi.org/10.15517/rcs.v0i168.43981
Puerta Sierra, L. M., & Martin Vargas Ma. Enselmina. (2015). Análisis de validez de contenido de un instrumento de transferencia de tecnología universidad-industria de baja california, México. https://investigacion.fca.unam.mx/docs/memorias/2015/2.02.pdf
Reijers, H. A., Leopold, H., & Recker, J. (2017). Towards a Science of Checklists. Proceedings Of The . . . Annual Hawaii International Conference on System Sciences/Proceedings of The Annual Hawaii International Conference on System Sciences. https://doi.org/10.24251/hicss.2017.696
Restrepo, A. (1998). Procesamiento de imágenes médicas. Revista Universidad EAFIT, 34(110), 86-92. https://biblat.unam.mx/en/revista/revista-universidad-eafit/articulo/procesamiento-de-imagenes-medicas
Rodrigues, R., Lévêque, L., Gutiérrez, J., Jebbari, H., Outtas, M., Zhang, L., Chetouani, A., Al-Juboori, S., Martini, M., & Pinheiro, A. M. G. (2022). Objective quality assessment of medical images and videos: Review and challenges. arXiv (Cornell University). https://doi.org/10.48550/arxiv.2212.07396
Ruiz Bolivar, C. (2002). Instrumentos y tecnicas de investigación educativa: Un enfoque cuantitativo y cualitativo para la recolección y análisis de datos (2.a ed., Vol. 1). Venezuela: Fedupel.
Schiavetti, B., Wynendaele, E., Melotte, V., Van Der Elst, J., De Spiegeleer, B., & Ravinetto, R. (2020). A simplified checklist for the visual inspection of finished pharmaceutical products: a way to empower frontline health workers in the fight against poor-quality medicines. Journal Of Pharmaceutical Policy and Practice, 13(1). https://doi.org/10.1186/s40545-020-00211-9
Selman, R., & Miguel, J. (2004). Aplicaciones clínicas del procesamiento digital de imágenes médicas. Revista Médica Clínica las Condes, 15(2), 0. https://www.elsevier.es/es-revista-revista-medica-clinica-las-condes-202-pdf-X0716864004320006
Tristán, A. (2008). Modificación al modelo de Lawshe para el dictamen cuantitativo de la validez de contenido de un instrumento objetivo. Avances en Medición Instituto de Evaluación e Ingeniería Avanzada, 1 (6), 37-48
Valenzuela, R. R., Ramos, D. N. M., Torres, A. G., Rodríguez, R. J., & Montero, F. y. M. (2022). Análisis de validez de contenido por criterio de jueces de un instrumento para evaluar un manuscrito. RIDE Revista Iberoamericana Para la Investigación y el Desarrollo Educativo, 12(24). https://doi.org/10.23913/ride.v12i24.1183
Ward, M. D., Zimmerman, M. I., Meller, A., Chung, M., Swamidass, S. J., & Bowman, G. R. (2021). Deep learning the structural determinants of protein biochemical properties by comparing structural ensembles with DiffNets. Nature Communications, 12(1). https://doi.org/10.1038/s41467-021-23246-1
Publicado
Número
Sección
Licencia
Derechos de autor 2024 Norman Alejandro Rendón Mejía (Autor/a)
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-CompartirIgual 4.0.
