Vista previa del material en texto
Universidad Nacional Mayor de San Marcos Universidad del Perú. Decana de América Facultad de Medicina Escuela Profesional de Tecnología Médica Inteligencia artificial para la evaluación de la edad ósea en niños: Una revisión narrativa TESIS Para optar el Título Profesional de Licenciada en Tecnología Médica en el área de Radiología AUTOR Grecia Maria, PUMA CALDERON ASESOR Dr. Lusin Antonio PONCE CONTRERAS Lima, Perú 2023 Reconocimiento - No Comercial - Compartir Igual - Sin restricciones adicionales https://creativecommons.org/licenses/by-nc-sa/4.0/ Usted puede distribuir, remezclar, retocar, y crear a partir del documento original de modo no comercial, siempre y cuando se dé crédito al autor del documento y se licencien las nuevas creaciones bajo las mismas condiciones. No se permite aplicar términos legales o medidas tecnológicas que restrinjan legalmente a otros a hacer cualquier cosa que permita esta licencia. Referencia bibliográfica Puma N. Inteligencia artificial para la evaluación de la edad ósea en niños: Una revisión narrativa [Tesis de pregrado]. Lima: Universidad Nacional Mayor de San Marcos, Facultad de Medicina, Escuela Profesional de Tecnología Médica; 2023. Metadatos complementarios Datos de autor Nombres y apellidos Puma Calderon Grecia Maria Tipo de documento de identidad DNI Número de documento de identidad 75421737 URL de ORCID - Datos de asesor Nombres y apellidos Lusin Antonio Ponce Contreras Tipo de documento de identidad DNI Número de documento de identidad 06794361 URL de ORCID https://orcid.org/0000-0002-5523-8134 Datos del jurado Presidente del jurado Nombres y apellidos Misael Jefferson Fajardo Quispe Tipo de documento DNI Número de documento de identidad 73859586 Miembro del jurado 1 Nombres y apellidos Isna Liz Larico Pampamallco Tipo de documento DNI Número de documento de identidad 40173744 Miembro del jurado 2 Nombres y apellidos Elmer Edgardo Santiani Puican Tipo de documento DNI Número de documento de identidad 15853128 Datos de investigación Línea de investigación No aplica Grupo de investigación No aplica Agencia de financiamiento Sin Financiamiento Ubicación geográfica de la investigación Lima - Perú Año o rango de años en que se realizó la investigación 2022 - 2023 URL de disciplinas OCDE Física atómica, molecular y química https://purl.org/pe-repo/ocde/ford#1.03.01 https://purl.org/pe-repo/ocde/ford#1.03.01 Universidad Nacional Mayor de San Marcos Universidad del Perú, Decana de América Facultad de Medicina Escuela Profesional de Tecnología Médica “Año de la unidad, la paz y el desarrollo” Av. Grau N° 755. Apartado Postal 529 – Lima 100 – Perú. Central (511) 619-7000 - IP 4609. Email: eptecnologiamed.medicina@unmsm.edu.pe Portal Web: http://medicina.unmsm.edu.pe ACTA DE SUSTENTACIÓN DE TESIS EN MODALIDAD VIRTUAL PARA OPTAR EL TÍTULO PROFESIONAL DE LICENCIADO(A) EN TECNOLOGÍA MÉDICA EN EL ÁREA DE RADIOLOGÍA Conforme a lo estipulado en el Art. 113 inciso C del Estatuto de la Universidad Nacional Mayor de San Marcos (R.R. No. 03013-R-16) y Art. 45.2 de la Ley Universitaria 30220. El Jurado de Sustentación de Tesis nombrado por la Dirección de la Escuela Profesional de Tecnología Médica, conformado por los siguientes docentes: Presidente: Dr. Misael Jefferson Fajardo Quispe Miembros: Dr. Elmer Edgardo Santiani Puican Mg. Isna Liz Larico Pampamallco Asesor(a): Dr. Lusin Antonio Ponce Contreras Se reunieron en la ciudad de Lima, el día 24 de abril del 2023, siendo las 16:00 horas, procediendo a evaluar la Sustentación de Tesis, titulado “Inteligencia artificial para la evaluación de la edad ósea en niños: Una revisión narrativa”, para optar el Título Profesional de Licenciada en Tecnología Médica en el Área de Radiología de la Señorita: GRECIA MARIA PUMA CALDERON Habiendo obtenido el calificativo de: …………16………….. DIECISEIS (En números) (En letras) Que corresponde a la mención de: BUENO Quedando conforme con lo antes expuesto, se disponen a firmar la presente Acta. …………………………………. ……………………………….. Presidente Miembro Dr. Misael Jefferson Fajardo Quispe Dr. Elmer Edgardo Santiani Puican D.N.I: 44876362 D.N.I: 25832597 ……………………………… ………………………………… Miembro Asesor(a) de Tesis Mg. Isna Liz Larico Pampamallco Dr. Lusin Antonio Ponce Contreras D.N.I: 40173744 D.N.I: 06794361 Firmado digitalmente por SANDOVAL VEGAS Miguel Hernan FAU 20148092282 soft Motivo: Soy el autor del documento Fecha: 27.04.2023 09:59:48 -05:00 Firmado digitalmente por FERNANDEZ GIUSTI VDA DE PELLA Alicia Jesus FAU 20148092282 soft Motivo: Soy el autor del documento Fecha: 02.05.2023 13:37:03 -05:00 Universidad Nacional Mayor de San Marcos Universidad del Perú, Decana de América Facultad de Medicina Escuela Profesional de Tecnología Médica “Año de la unidad, la paz y el desarrollo” Av. Grau N° 755. Apartado Postal 529 – Lima 100 – Perú. Central (511) 619-7000 - IP 4609. Email: eptecnologiamed.medicina@unmsm.edu.pe Portal Web: http://medicina.unmsm.edu.pe Datos de plataforma virtual institucional del acto de sustentación: https: https://us02web.zoom.us/j/81290505888?pwd=YjB2V2NKYlVxZmNZUFFCeVdBRU8xZz09 ID: Grabación archivada en: https://us02web.zoom.us/j/81290505888?pwd=YjB2V2NKYlVxZmNZUFFCeVdBRU8xZz09 Universidad Nacional Mayor de San Marcos Universidad del Perú, Decana de América Facultad de Medicina Escuela Profesional de Tecnología Médica INFORME DE EVALUACIÓN DE ORIGINALIDAD El Director de la Escuela Profesional de Tecnología Médica de la Facultad de Medicina de la Universidad Nacional Mayor de San Marcos que suscribe, hace constar que la tesis titulada: “Inteligencia artificial para la evaluación de la edad ósea en niños: Una revisión narrativa” para optar el título profesional de Licenciado(a) en Tecnología Médica, en el Área de: Radiología a: GRECIA MARIA, PUMA CALDERON Tiene 8% (OCHO porciento) de coincidencias, según consta en el informe de la plataforma TURNITIN, con fecha 10 de marzo del 2023 (UTC-0500) y con Identificador de la entrega N° 2034496535 En la configuración del detector se excluyó: - textos entrecomillados. - bibliografía. - cadenas menores a 40 palabras. - anexos. ESTE DOCUMENTO ACREDITA QUE LA TESIS CUMPLE CON LOS CRITERIOS DE ORIGINALIDAD, SEGÚN LA NORMA DE LA UNMSM. Lima, 11 de marzo de 2023. Dr. MIGUEL HERNÁN SANDOVAL VEGAS DIRECTOR EPTM-FM-UNMSM Firmado digitalmente por SANDOVAL VEGAS Miguel Hernan FAU 20148092282 soft Motivo: Soy el autor del documento Fecha: 11.03.2023 00:35:13 -05:00 iii DEDICATORIA A mis padres Mario y Elena, quienes siempre me brindaron todo su amor y su apoyo, que pese a los momentos difíciles han hecho posible este logro para continuarcon mi camino. A mis hermanos Mario y Miguel, por su apoyo y por ser un ejemplo a seguir. A mi mamita Maura, que Dios la tiene en su gloria, sé que ella donde se encuentra está muy orgullosa de mí, quien fue la motivación en mi vida de estudiar una carrera de salud y que gracias a ella he encontrado mi vocación. iv AGRADECIMIENTO Agradecida con mi casa de estudios la Universidad Nacional Mayor de San Marcos, por haber permitido formarme como profesional. A todos mis docentes quienes fueron parte del proceso y contribuyeron en conocimientos académicos y personales; en especial a mi asesor el Dr. Lusin Ponce Contreras por su confianza, dedicación y orientación en este proyecto. A mis amigos y compañeros por ser parte del proceso estos 5 años y dejar parte de ellos en mi con gratos recuerdos, por brindar su apoyo y amistad. v ÍNDICE RESUMEN .............................................................................................................. viii ABSTRACT ............................................................................................................... ix CAPÍTULO I: INTRODUCCIÓN ........................................................................... 1 1.13 DESCRIPCIÓN GENERAL Y ESPECÍFICA DEL PROBLEMA ......................... 2 1.14 ANTECEDENTES ................................................................................................... 3 1.15 OBJETIVOS ............................................................................................................ 5 1.16 BASES TEÓRICAS ................................................................................................. 5 1.16.1 BASE TEÓRICA ............................................................................................. 5 1.16.2 DEFINICIÓN DE TÉRMINOS ..................................................................... 11 CAPÍTULO II: MÉTODOS ................................................................................... 12 2 DISEÑO METODOLÓGICO .................................................................................... 13 2.1. DISEÑO DE LA INVESTIGACIÓN .................................................................... 13 2.2. POBLACIÓN ......................................................................................................... 13 2.3. MUESTRA ............................................................................................................. 13 2.4. CRITERIOS DE INCLUSIÓN .............................................................................. 13 2.5. CRITERIOS DE EXCLUSIÓN ............................................................................. 13 2.6. PROCEDIMIENTO DE RECOLECCIÓN DE DATOS ....................................... 14 Tabla 1................................................................................................................................ 16 2.7. ANÁLISIS DE DATOS ......................................................................................... 17 2.8. CONSIDERACIONES ÉTICAS ........................................................................... 17 CAPÍTULO III: RESULTADOS ........................................................................... 19 Tabla 3................................................................................................................................ 28 Tabla 4................................................................................................................................ 32 CAPÍTULO IV: DISCUSIÓN ................................................................................ 44 CAPÍTULO V: CONCLUSIONES Y RECOMENDACIONES ......................... 46 5.1 CONCLUSIONES ................................................................................................. 47 5.2 RECOMENDACIONES ........................................................................................ 47 REFERENCIAS BIBLIOGRÁFICAS ...................................................................... 48 vi LISTA DE TABLAS Tabla 1. Número de artículos recolectados…………………………………………. 17 Tabla 2. Tabla de estudios sobre el uso de la inteligencia artificial para la evaluación ósea en niños……………………………………………………………………….. .20 Tabla 3. Resumen de estudios sobre la inteligencia artificial para la evaluación de la edad ósea en niños, según la calidad de las evidencias (GRADE)…………………. 26 Tabla 4. Lectura crítica de la evidencia clínica (CASPe) de los estudios sobre el uso de la inteligencia artificial para la evaluación de la edad ósea en niños……………. 30 vii LISTA DE GRÁFICOS Gráfico 1. Diagrama de flujo PRISMA 2020………………………………………………. 37 viii RESUMEN El avance tecnológico como la inteligencia artificial ha permitido disminuir la carga laboral en la comunidad de salud, así también obteniendo resultados precisos y más rápidos que el hombre. Objetivo: analizar la evidencia reportada en la literatura científica desde el año 2018– 2023 sobre la efectividad del uso de la inteligencia artificial, para evaluar edad ósea en niño. Materiales y Métodos: Estudio de revisión narrativa. Se seleccionaron artículos sobre el uso de la inteligencia artificial que se apliquen para la evaluación de la edad ósea en niños (2018-2023). Se seleccionaron artículos en inglés y español publicados en el año 2018 hasta el año 2023 que se encontraban en la base de datos de PubMed, Science Direct y Google Scholar. Resultados: La búsqueda bibliográfica identificó 131,023 artículos, siendo 774 artículos los que cumplieron los criterios de inclusión; y solo 8 estudios lograron cumplir con el criterio de elegibilidad como resultado. Conclusiones: En la presente investigación según los resultados que se reunieron se concluye que la inteligencia artificial en su uso para la evaluar la edad ósea ha demostrado tener un efecto positivo en la población, igualando o superando los resultados de los investigadores en su evaluación clínica, mejorando el ámbito de la comunidad científica. Palabras clave: Inteligencia artificial, edad ósea, Children. ix ABSTRACT Technological advances such as artificial intelligence have made it possible to reduce the workload in the health community, also obtaining accurate and fast results than man. Objective: to analyze the evidence reported in the scientific literature of the year 2018-2023 on the effectiveness of the use of artificial intelligence, to evaluate bone age in children. Materials and methods: Narrative review study. Articles on the use of artificial intelligence are selected and applied for the assessment of bone age in children (2018-2023). Articles in English and Spanish published between 2018 and 2023 were selected and found in the PubMed, Science Direct and Google Scholar databases. Results: The bibliographic search identified 131,023 articles, with 774 articles meeting the inclusion criteria; Only 8 studies managed to meet the eligibility criterion as an outcome. Conclusions: Concluded that artificial intelligence in its use for the evaluation of bone age has been shown to have a positive effect on the population, matching or exceeding the results of research in its clinical evaluation, improving the reach of the scientific community. Keywords: Artificial intelligence, bone age, children. 1 CAPÍTULO I: INTRODUCCIÓN 2 1.13 DESCRIPCIÓN GENERAL Y ESPECÍFICA DEL PROBLEMA La inteligencia artificial (IA) es acuñada en la historia en el año 1956 en una conferencia por el informático Jhon McCarthy. En ese mismo año dos de los asistentes que participaron en la conferencia; AllanNewell y Herbert Simon; aportaron el “Logic Theory Machine”, siendo considerado como el primer programa computacional de inteligencia artificial. Estos autores tuvieron el objetivo de tener un enfoque de “heurística” con el fin de tener soluciones de manera “inteligente” (1). A lo largo de los años los radiólogos se han preguntado si esta inteligencia desarrollada a través del tiempo podría reemplazar al ser humano y dejarlos de lado; la respuesta seria, no. Sin embargo, la IA si ha permitido facilitar el desarrollo del trabajo del radiólogo (2). En muchas a ocasiones los radiólogos realizan labores de 24 horas, lo cual el cansancio o la fatiga podría llevarlos a cometer ciertos errores como un error de selección de imágenes al PACS, es aquí donde la IA como un sistema desarrollado e inteligente que no se cansa podría cooperar con el radiólogo con la preselección de estas, mas no realizar todo el trabajo y afectar la participación del radiólogo (3). La evaluación de la edad es un importante procedimiento que se realiza en niños para estimar la maduración que tendrá el esqueleto, con un reflejo de la edad biológica del individuo correlacionado con la edad cronológica. Esta edad hace referencia al grado del desarrollo que obtendrán las estructuras óseas. La evaluación ósea se determina por medio de la radiografía de la mano izquierda, mas no la derecha debido al ser la mano dominante en la mayoría de la población tiende a sufrir mayormente más lesiones, y el método de la evaluación no es apto en manos patológicas; esta estimación es a base del método de G&P y Tower a base de software automáticos como el Bone Xpert y VUNO Med – bone age(4). La importancia del conocimiento de la edad ósea radica en que va permitir apoyar a evaluar el ritmo con el que se desarrolla el niño propio a su esqueleto; determinando así a temprana edad alguna patología futura y aplicar métodos de tratamiento adecuados. 3 FORMULACIÓN DEL PROBLEMA P: Problema I: Intervención C: Comparación O: Outcome Niños Uso de la inteligencia artificial No aplica Investigar la evaluación de la edad ósea de los niños a través del uso de inteligencia artificial Problema: ¿Cuál es efectividad del uso de la inteligencia artificial, reportada en la literatura científica, para evaluar edad ósea en niños? 1.14 ANTECEDENTES Antecedentes Internacionales Jiménez; en el año 2021(5) en Costa Rica, realizó un estudio denominado “Inteligencia Artificial como potencia de herramienta en salud” cuyo objetivo fue estimular la aplicación de la práctica de la IA como potencia en la construcción de nuevos conocimientos. La muestra estuvo conformada por una selección de documentos realizados en una base de datos como: Scopus, ProQuest, Springer, PubMed, Eric, entre otros. El tipo de investigación fue de tipo cualitativa donde se consultaron 100 documentos y de ellos se seleccionaron 67 que cumplieran con los criterios de inclusión. Se concluyó que la IA a través de los años genera más cambios en la salud. Wang y col., en el 2021 (6) en China – Tíbet, realizaron un estudio llamado “Performance of and artificial intelligence system for bone age assessment in Tíbet” el cual tuvo objetivo indagar si la edad ósea de los niños de la región del Tíbet se podía evaluar de manera precisa utilizando inteligencia artificial automatizada. El tipo de estudio fue retrospectivo conformado 385 radiografías entre 300 niños tibetanos y 85 4 de la ciudad de Han de la mano izquierda; donde obtuvieron como resultado una precisión de 84.67% y 89.41% respectivamente. Concluyeron así que el sistema desarrollado con inteligencia artificial, podría permitir evaluar con precisión. Thiago O Artioli y col., año 2019(7) en la investigación llamada “Determinación de la edad ósea en niños y adolescentes brasileños eutróficos, con sobrepeso y obesos: una comparación entre los métodos de computarizados BoneXpert y Greulich -Pyle”, tuvieron como objetivo confrontar ambos métodos para determinar la edad ósea. El estudio fue de diseño retrospectivo conformado por 515 participantes; donde obtuvieron como resultado con correlación positiva de estos métodos aplicados; concluyendo así que BoneXpert tiene una correlación positiva con G&P. Ray y col.; en el año 2019 (8) en Valparaíso – Chile, realizaron una investigación denominada “Implicancia de la inteligencia artificial en la disminución del error de diagnóstico radiológico. Un metaanálisis” cuyo objetivo fue establecer el rango de error que presenta la IA en los hallazgos radiológicos con respecto al médico. Su muestra estuvo conformada por los estudios comprendidos entre marzo y diciembre. El tipo de estudio de investigación fue de tipo explicativo observacional, retrospectivo, donde utilizaron buscadores online de artículos científicos como Pubmed, Science Direct, Springer Link y Wiley que incluyan los criterios de selección; donde obtuvieron como resultado más de 30 mil artículos en los diversos buscadores, en donde en una primera revisión obtuvieron 402 papers, agregando de ellos solo 23; en una segunda revisión obtuvieron 641 papers, agregando solo 47; y en la tercera obtuvieron 211 papers, agregando solo 2. Como resultado se obtuvo que el buscador con más aporte fue Springer link, seguido de Wiley, ScienceDirect y Pubmed. Antecedentes Nacionales Quispe, en el 2020 (9) – Lima; desarrolló su estudio llamado “Predicción de la edad ósea con red basada en VGG-16 y Transfer Learning” que tuvo como objetivo predecir la edad ósea entre niños y jóvenes comprendidos entre 0 y 18 años. El estudio fue de tipo retrospectivo, observacional de corte transversal; el cual contó con una muestra de 12611 imágenes radiológicas implementado un proceso de Deep Learning basado en la presencia de marcadores y tonos de color. Comprobando las imágenes originales 5 obtuvieron mejor rendimiento respecto a las imágenes a las que se le retiraron el fondo. 1.15 OBJETIVOS OBJETIVO GENERAL Analizar la evidencia reportada en la literatura científica desde el año 2018– 2023 sobre la efectividad del uso de la inteligencia artificial, para evaluar edad ósea en niño. OBJETIVO ESPECÍFICO - Describir las características bibliométricas (autor, año de publicación, tamaño de muestra, tipo de estudio) de los estudios reportados en la literatura científica desde el año 2018 – 2023 sobre la efectividad del uso de la inteligencia artificial, para evaluar edad ósea en niños. - Describir las características demográficas (edad, sexo, lugar de residencia) de los niños en los estudios, reportados en la literatura científica desde el año 2018– 2023 sobre la efectividad del uso de la inteligencia artificial, para evaluar edad ósea. - Describir la efectividad y características de la inteligencia artificial para determinar la edad ósea en niños registrados en los estudios reportados en la literatura científica desde el año 2018 – 2023 sobre la efectividad del uso de la inteligencia artificial, para evaluar edad ósea. 1.16 BASES TEÓRICAS 1.16.1 BASE TEÓRICA ● Evaluación de la Edad Ósea La evaluación de la edad ósea (BA) es un procedimiento que se realiza cotidianamente en un servicio de radiología pediátrica, basada en la técnica más utilizada conocida como el método de Greulich y Pyle (G&P) y en segundo lugar el método de Tanner- Whitehouse, siendo el primer más común debido a que es más sencillo y se encuentra basado en el grado de la madurez que se presenta en los centros de osificación, 6 mientras que el segundo es a base de puntuaciones de madurez en los huesos de la mano y muñeca . Ambos estudios suelen ser muy precisos en niños de condiciones normales, pero al utilizarse en niños con alguna condición patológica van a perder su precisión (10). El hombre tiene un tiempo de maduración deferente de otro, es por elloque se destaca que la edad cronológica no va acorde a la maduración biológica, pero la edad ósea (EO) hace un reflejo de la edad biológica; para ser posible la maduración del esqueleto intervienen diversas hormas, realizando una interacción entre ellas. La EO permite convalidar un diagnóstico de las variantes de crecimiento normales y patológicas para así poder definir algún tratamiento y valorar la talla en la etapa adulta. La EO tendrá cierto tipo de limitaciones una de ellas es realizar una evaluación en niños que presenten trastornos de mineralización ósea La aplicación de la EO se debe realizar cuando el niño presenta talla baja o cuando son sometidos a tratamientos con hormona de crecimiento (GH) ya que presentarán una aceleración de su EO en el transcurso de su etapa prepuberal y pubertad. La EO se ve sobrevalorada o adelantada cuando los niveles de esteroides sexuales se ven elevados. Proceso de osificación Al momento del nacimiento el recién nacido presenta las diáfisis osificadas y las epífisis se muestran cartilaginosas. Transcurriendo el tiempo las epífisis pasaran de ser cartilaginosas a osificarse, existen excepciones en las osificaciones como la epífisis de la falange distal del pulgar tiende a aparecer conjuntamente con las epífisis de los metacarpianos. Importancia Confirma el diagnóstico de las variantes de crecimiento, predice la talla en la etapa adulta en niños con buena condición de salud. También sirve para valorar el retraso de crecimiento en niños para poder iniciar tratamiento hormonal (11). La BA siempre se recomienda como una rutina de estudio en niños que presentan problemas en el crecimiento. 7 ● Inteligencia artificial En 1950 Alan Turing, se considera el padre de la Inteligencia Artificial (IA), debido a que fue el primero en cuestionarse si las máquinas podrían pensar, así lo estableció en su artículo “Computing machinery and intelligence”; se cuestionó que las máquinas podrían adquirir una inteligencia comparable a la del ser humano. En el año 1950 acuñó el “Test de Turing” el cual permitía indagar la inteligencia que podía tener una máquina (12). En 1956 en la conferencia de Dartmouth, el investigador llamado John McCarthy acuñó el término “artificial intelligence”; así mismo el científico Herbert Simon afirmó que dentro de 20 años las máquinas serían capaces de realizar cualquier tipo de trabajo que también pueda realizar el hombre; el IA tuvo un retraso en su proceso, pero a finales de los años noventa se comenzó a ser aplicada en la logística y la medicina(13). Russell y Norvig, clasifican en 4 categorías las definiciones de la IA: 1) Sistemas que actúan como humanos: Capaces de procesar el lenguaje, representar y razonar. 2) Sistemas que piensan como humanos: Capaces de realizar toma de decisiones o solucionar problemas. 3) Sistemas que piensan racionalmente: Capaces de realizar conclusiones 4) Sistemas que actual racionalmente: Capaces de ir más allá de la lógica (14). La IA presenta diversas, pero no exactas definiciones de acuerdo a su aplicación, en término sencillos la definen como una habilidad que presenta los ordenadores para realizar actividades que usan inteligencia humana, que son capaces de utilizar algoritmos y hacer uso de ellos como un ser humano, su diferencia destacaría en que este sistema inteligente a diferencia del ser humano, no requiere de un descanso propio para continuar con sus funciones. A su vez la IA realiza sugerencias, también es capaz de realizar predicciones de eventos posibles, actualmente esta habilidad que ha desarrollado está siendo aplicada en diversas industrias como en la salud, negocios, entre otros (15). La IA se ha visto de diversas maneras; la primera de ella se ve como una IA de ciencia 8 – ficción, la cual es vista como aquella que superará al ser humano en todo, en tal punto definiéndolo como el reemplazo del hombre. La segunda IA es la humana, vista como la que se ve generalmente en la que las máquinas podrían tener una inteligencia semejante al ser humano, capaz de resolver problemas. La tercera IA es la actual la IA especial en la que hace uso de volúmenes de datos y algoritmos, realizando tareas de una forma superior a la que la podría realizar el hombre (16). ● Maching Learning Según Arthur Samuel, el maching learning es definido como “el campo de estudio que brinda a las computadoras la capacidad de aprender sin ser programadas explícitamente”. A su vez en 1952 diseño un programa para aprender a jugar damas a partir de los propios errores que generaba (17). El machine learning o traducido como “aprendizaje automático” es parte de la IA, es aquel que permite que los servidores hagan uso de un aprendizaje sin ser necesariamente programados, actuando como un reconocimiento de patrones. Su término se usó por primera vez en el año 1959(18). En los años 50-60 se comenzó la investigación entre la biología y la tecnología en relación de su aplicación de las redes neuronales del ser humano aplicadas a las máquinas; aplicando así las “redes neuronales artificiales” que transmiten información por medio de nodos interconectados, realizándose así un experimento desarrollado en el Instituto Tecnológico de Massachussets (MIT) por Marvin Minsksy y Dean Edmonds en el cual lograron realizar un programa que tenía la capacidad de aprender de la experiencia para salir de un laberinto; convirtiéndose en la primera máquina capaz de aprender y resolver un tarea sin requerir de una programación previa, lo que se convirtió en un logro volviéndolo un concepto más amplio y desarrollado del concepto de la IA. A si, este logró se vio reflejado los límites de la tecnología, como no tener la capacidad suficiente para poder desarrollar problemas mucho más complejos. A finales del siglo XX llegó el internet el cual logró un cambio en lo que ya se veía reflejada esta caída que tuvo debido a los límites de la tecnología, logrando realizar 9 modelos mucho más rápidos El super computador, IBM Deep Blue, marcó en el 1997 el renacer del “maching learning” que fue entrenado a base de miles de partidas de ajedrez, fue capaz de ganar al máximo campeón de este, pero este logro se dio a base del “Deep learning” o traducido como “aprendizaje profundo” (19). Los algoritmos de maching learning, se ha dividido en 3 categorías: 1. Aprendizaje supervisado: Basado en un aprendizaje previo, que permite tomar o hacer decisiones y predicciones. Está conformado por 2 tipos de problemas: regresión y clasificación(20). 2. Aprendizaje no supervisado: No son a base de aprendizajes previos, solo se le otorga características al algoritmo, mas no etiquetas. 3. Aprendizaje por refuerzo: Base el aprendizaje a partir de la experiencia propia(18). Los algoritmos de maching learning, se agrupan en 3 modelos: 1. Modelos lineales o también llamada “regresión de mínimos cuadrados”, basado en el overfit (ajuste) 2. Modelos de árbol, son modelos sencillos de entender 3. Redes neuronales a base de la duplicar el comportamiento del cerebro, es uno de modelos más usados o de moda (21). ● Deep Learning El Deep learning o <aprendizaje profundo> forma parte del maching learning, su terminó comenzó hacerse conocido en los años 2000(22). El Deep learning realiza un intento de simular al cerebro humano, para ellos se basa usando las redes neuronales artificiales; estas son un conjunto de neuronas con actitudes similares a las neuronas del cerebro, este compuesto por capas en jerarquía, siendo así que la primera capa va adquirir un conocimiento y este será enviado a la siguiente capa y así sucesivamente siendo que la última capa obtendrá un resultado con una información más compleja. La arquitectura de la red neuronal está basada en 10 el cerebro humano. Existen algunos tipos de arquitectura, pero las más conocidas son:- Redes neuronales prealimentadas: Primeras en desarrollarse, envían información en una sola dirección. - Redes neuronales convolucionales: Basada en la codificación de la arquitectura. - Redes neuronales recurrentes: Va permitir persistir la información (23). Método de Greulich y Pyle (G&P) Este método consiste en la toma de 2 series de radiografías de la mano no dominante (usualmente la izquierda) aplicado a niños y niñas en diversas edades, que serán comparados con los estándares del atlas. El método presenta ciertas limitaciones como asociar la edad ósea con la maduración ósea y debería medirse independiente de la edad cronológica. Método de Tanner-Whitehouse Este método es un método matemático donde se le asigna una puntuación a las etapas de evolución del hueso, posteriormente se convierte en un dato numérico que se puede valorar por estadística. Su desventaja es que conlleva mayor tiempo y experiencia (24). ● MÉTODO PARA DETERMINAR LA EDAD ÓSEA BONE XPERT El Bone Xpert es un software basado en el método de reconstrucción automático a partir de las radiografías de la mano ya sea mano derecha o izquierda sin importar la rotación de ella, pero rechaza aquellas que presenten una morfología anormal o ya sea que tenga una calidad de imagen baja. El método se basa en el análisis de los bordes de 15 huesos, calculando posteriormente las edades óseas intrínsecas, por último, las transforma en edades ósea de G&P o TW. Bone Xpert presenta novedades como: ● Ser un modelo de apariencia activa 11 ● Un modelo aplicado para ambos sexos ● Ser un modelo de difusión entre G&P y TW(4). Entonces el método automático BoneXpert va permitir una evaluación estándar y de alta concordancia correlacionado a la lectura manual por los radiólogos pediatras (25). VUNO Med - Bone Age Es un software automático que evalúa la edad ósea por medio de una lectura de una imagen de Rayos X de mano, que dará 3 posibles resultados para la edad ósea, con posibilidades muy altas basados en el método G&P(26). 1.16.2 DEFINICIÓN DE TÉRMINOS ● Edad biológica: Es la edad en la que el ser humano va adquiriendo nuevas características en su desarrollo, involucrando el aspecto dental, esquelético, sexual y somática (27). ● Edad cronológica: Es aquella que se considera desde que el momento en el que el ser humano nace (parto) hasta la edad actual que lleva (28). ● Edad ósea: Es la estimación de la madurez de los huesos en niños (29). ● Inteligencia artificial: Considerado como la capacidad que posee un ordenador en cumplir y comprender la relación entre hechos – cosas, cediendo funciones similares a la del ser humano (30). 12 CAPÍTULO II: MÉTODOS 13 2 DISEÑO METODOLÓGICO 2.1. DISEÑO DE LA INVESTIGACIÓN La investigación es de tipo revisión narrativa, debido a que se extrajo información concerniente al tema de investigación, a raíz de los artículos de evidencia científica, sin hacer uso de una metodología exhaustiva (31). Además, es de tipo retrospectivo debido a que se revisó los artículos de evidencia científica publicados en años anteriores según lo establecido en los criterios de inclusión. 2.2. POBLACIÓN La población está conformada por las investigaciones publicadas en base de datos oficiales comprendidas en el año 2018 hasta el 2023; encontrados en la base de datos PubMed, Scielo y Google Scholar. 2.3. MUESTRA La muestra está integrada por artículos de evidencia científica que cumplan los criterios de inclusión y exclusión. Se proseguirá con la búsqueda bibliográfica durante el desarrollo del estudio. 2.4. CRITERIOS DE INCLUSIÓN ● Investigaciones publicadas con un máximo de 5 años de antigüedad, de las bases de datos seleccionadas comprendidos entre el año 2018 hasta el 2023 que brinden información de la inteligencia artificial aplicada a la radiología en niños. ● Estudios en el idioma inglés y español. ● Estudios realizados en la especie: Humanos. ● Artículos de texto completo 2.5. CRITERIOS DE EXCLUSIÓN ● Estudios duplicados ● Estudios realizados en una población en general ● Estudios de inteligencia artificial aplicado en niños asociados a la ingeniería o software. 14 2.6. PROCEDIMIENTO DE RECOLECCIÓN DE DATOS Fase 1: Búsqueda Para la investigación se realizó la búsqueda de artículos en tres diferentes bases de datos, como: PubMed, Science Direct y Google Scholar; publicados desde del 2018 hasta el 2023. Se utilizó el gestor bibliográfico Zotero para organizar, revisar y citar los artículo relacionados y mencionados; siguiendo los criterios de inclusión y exclusión. Se utilizó operadores boléanos que sirvieron para combinar los términos de la búsqueda. Para obtener las investigaciones, se utilizó los términos médicos (MESH, por sus siglas en inglés). Palabras claves. ✔ Artificial intelligence ✔ Bone Age ✔ Children Conector boleano ● AND Algoritmo de búsqueda en PubMed ● (Artificial intelligence) AND (Bone Age) Resultados: 43 (Artificial intelligence) AND (Bone Age) AND (Children) Resultados: 17 15 Algoritmo de búsqueda en Science Direct ● (Artificial Intelligence) AND (Bone Age) Resultados: 33 (Artificial Intelligence) AND (Bone Age) AND (Children) Resultados: 6 Algoritmo de búsqueda en Google Scholar ● (Artificial Intelligence) AND (Bone Age) Resultados: 197.000 (Artificial Intelligence) AND (Bone Age) AND (Children) Resultados: 133.000 Fase 2: Selección Se aplicó los criterios de selección mencionados que se obtuvieron en la etapa 1. Posteriormente se resumió en una tabla y se excluyeron los artículos no relevantes debido a su título y resúmenes. Se excluyó los artículos repetidos y se empleó el diagrama de flujo de PRISMA 2020(Gráfico N°1). PubMed Filtros empleados: ● 2018 – 2023, Texto completo, idioma en inglés y español. Resultados: 15 Textos que hablen de radiología aplicados a la edad ósea. Resultado: 7 Science Direct 16 Filtros empleados: ● Title, abstract or author-specified keywords: Intelligence Artificial AND Bone Age AND Children; 2018 – 2023, Texto completo, idioma en inglés y español. Resultados: 4 Textos que hablen de radiología aplicados a la edad ósea. Resultado: 1 Google Scholar Filtros empleados: ● (Intelligence Artificial) AND (Bone Age) AND (Children) limit to language: SPANISH; 2018 – 2023, Texto complete. Resultados: 757 Textos que hablen de radiología aplicados a la edad ósea. Resultado: 0 Fase 3: Extracción de datos Se utilizó una tabla (Tabla2) de resumen donde se colocaron los datos más relevantes de cada artículo: autor, título, año, país, resultados, conclusiones. Posteriormente se empleó el diagrama de flujo PRISMA 2020. El resumen de número total de artículos hallados se puede observar en la table 1. Tabla 1 Número de artículos recolectados. 17 BASE DE DATOS NÚMERO DE ARTÍCULOS ALGORITMO DE BÚSQUEDA PUBMED 7 (Artificial Intelligence) AND (Bone Age) AND (Children) SCIENCE DIRECT 1 (Artificial Intelligence) AND (Bone Age) AND (Children) GOOGLE SCHOLAR 0 (Artificial Intelligence) AND (Bone Age) AND (Children) 2.7. ANÁLISIS DE DATOS Se realizó la extracción de datos de los artículos seleccionados, los cuales fueron analizados posteriormente de acuerdo a los objetivos y criterios planteados y serán presentados mediante tablas y gráficos, realizando una lectura profunda y crítica. Posteriormente a la selección de artículos se procedió a colocar los datos bibliográficos de cada artículo (título, año, autor, revista, volumen, población y muestra, resultados y conclusiones) (Tabla N°2). En otra tabla se colocó el resumen de los estudios sobre la inteligencia artificial para la evaluación de la edadósea en niños según la calidad de evidencias Grade, las cuales fueron realizadas en el software GRADEpro GDT (Tabla °3); en otra tabla se desarrolló la descripción de cada uno de los estudios en la cual se realizó la lectura crítica CASPe (Tabla N°4) de los estudios que cumplieron con el objetivo de la investigación. 2.8. CONSIDERACIONES ÉTICAS - Se respetó la fuente de origen, siendo citada de manera integral. - Al no trabajar con muestras humanas, no requiere de un consentimiento 18 informado. - Los artículos revisados fueron extraídos de fuentes legales y originales; y citados en el estilo Vancouver. - Se aplicó la Declaración de Helsinki. 19 CAPÍTULO III: RESULTADOS 20 Tabla 2. Estudios sobre el uso de la inteligencia artificial para la evaluación ósea en niños ARTICULO AÑO AUTOR REVISTA/ URL/DOI PAÍS VOLU MEN Y NUM ERO DISEÑ O DE INVES TIGACI ÓN POBLA CIÓN Y MUEST RA RESULTADOS PRINCIPALES CONCLUSIONES Deep focus approach for accurate bone age estimation from lateral cephalogra m(32). 2022 Hyejun Seo, Jaejoon Hwang, Yun Hoa Jung, Eugyung Lee, Jonghyun Shin Ciencias Dentales URL: https://www.scie ncedirect.com/sc ience/article/pii/ S199179022200 1787?via%3Dih ub Corea del Sur VOL 18 Págin as (34- 43) Diseño retrospe ctivo no interve ncionist a 900 niños (4 a 18) años -Error absoluto medio promedio: 0,300 años -Error cuadrático medio: 0,390 años El aprendizaje profundo se mostró con un rendimiento de calidad excelente en lo que es la clasificación, detección y segmentación de las imágenes. Se sugiere e incentiva a la comunidad médica a utilizar el cefalograma lateral, en vez del estudio común de manos y muñeca, para la evaluación de la edad madure esquelética. https://www.sciencedirect.com/science/article/pii/S1991790222001787?via%3Dihub https://www.sciencedirect.com/science/article/pii/S1991790222001787?via%3Dihub https://www.sciencedirect.com/science/article/pii/S1991790222001787?via%3Dihub https://www.sciencedirect.com/science/article/pii/S1991790222001787?via%3Dihub https://www.sciencedirect.com/science/article/pii/S1991790222001787?via%3Dihub https://www.sciencedirect.com/science/article/pii/S1991790222001787?via%3Dihub 21 Automatic assessmen t of bone age in taiwanese children: A compariso n of the Greulich and Pyle method and the Tanner and Whitehous e 3 method(33 ) 2020 Yi-Ming Wang, Tzu- Husueh Tsai, Jui- Sheng Hsu, Min- Fang Chao Journal of Medical Sciences URL: https://onlinelibr ary.wiley.com/d oi/pdfdirect/10.1 002/kjm2.12268 Taiwan VOL 36 (937- 943) Diseño retrospe ctivo 611 niños (3- 17años) GP: En niños de 3 a 11 años = 0,61 año y 0,43-1,64 años en niños de 12 – 17 años. En niñas de 4 a 8 y 17 años se retrasó 0,76 años TW3: niños: retraso de 0,33 y 0,72 de 5 a 10 años= 0,01y 0,99 en niños de 3 a 10 años. Niñas:retraso de 0,01 y 0,62 de 4 a12 años y avance de 0,26 y 0,73 de 13 a 14 a El método de TW3 presenta una mayor precisión para niños de ambos géneros hasta un periodo de edad de 15-16.5 años; mientras que GP tiene una mayor ventaja en la calificación del último periodo de la adolescencia. Se sugiere acoplar los métodos de acuerdo a la población en la que se está realizando el estudio ya que le E.O. varía de acuerdo a las etnias, ubicaciones geográficas, entre otros. https://onlinelibrary.wiley.com/doi/pdfdirect/10.1002/kjm2.12268 https://onlinelibrary.wiley.com/doi/pdfdirect/10.1002/kjm2.12268 https://onlinelibrary.wiley.com/doi/pdfdirect/10.1002/kjm2.12268 https://onlinelibrary.wiley.com/doi/pdfdirect/10.1002/kjm2.12268 22 Artificial Intelligence system can achieve comparable results to experts for bone age assesment of Chinese children with abnormal growth and developme nt(34) 2020 Fengdan WangXiao Gu, Shi Chen, Yongliang Liu, Qing Shen, Hui Pan, Lei Shi y Zhengyu Jin. URL: https://peerj.com /articles/8854/ CHINA VOL 10 Diseño retrospe ctivo 360 niños y 385niña s La utilización del método de GP arrojó un-84,60% de precisión en niños de 1 años y 89,45% en niños de 12 a 18 años GP automatizado logró resultados significantes y rápidos a los revisores del estudio. https://peerj.com/articles/8854/ https://peerj.com/articles/8854/ 23 Effect of AI- assisted software on inter – and intra observer variability for the X-ray bone age assesment of preschool children(3 5). 2022 Kai Zhao, Shuai Ma, Zhaonan Sun, Xiang Liu, Ying Zhu, Yufeng Xu, Xiaoying Wang URL: https://bmcped iatr.biomedcen tral.com/article s/10.1186/s128 87-022-03727- y CHINA VOL 22 Diseño prospec tivo 7 niños y 7 niñas (3 a 6 años) El uso del software automatizado rinde con mejor precisión significativament e. El uso de la IA puede llegar a dar una mejora en el acuerdo entre el observador e intraobservador. https://bmcpediatr.biomedcentral.com/articles/10.1186/s12887-022-03727-y https://bmcpediatr.biomedcentral.com/articles/10.1186/s12887-022-03727-y https://bmcpediatr.biomedcentral.com/articles/10.1186/s12887-022-03727-y https://bmcpediatr.biomedcentral.com/articles/10.1186/s12887-022-03727-y https://bmcpediatr.biomedcentral.com/articles/10.1186/s12887-022-03727-y https://bmcpediatr.biomedcentral.com/articles/10.1186/s12887-022-03727-y 24 Clinical application of artificial intelligence in longitudina l image analysis of bone age among GHD patients(36 ). 2022 Lina Zhang, Jia Chen, Lele Hou, Yingying Xu, Zulin Liu, Hui Ou, Zhe Meng, Liyang Liang Frontiers in Pediatric URL: https://www.fro ntiersin.org/artic les/10.3389/fped .2022.986500/fu ll CHINA VOL 10 Diseño prospec tivo 52 niños con GHD (3 a 6 años) Evaluador 1: -MAE:1,780 -RMSE:1,655 Evaluador 2: -MAE:1,794 RMSE:1,719, con un aumento de precisión de 10 % Se concluyó que a realizar la interpretación con la aplicación de la IA se dio una mejor precisión. Se sugiere seguir utilizando estos métodos ya que muestran gran potencial para la clínica. https://www.frontiersin.org/articles/10.3389/fped.2022.986500/full https://www.frontiersin.org/articles/10.3389/fped.2022.986500/full https://www.frontiersin.org/articles/10.3389/fped.2022.986500/full https://www.frontiersin.org/articles/10.3389/fped.2022.986500/full https://www.frontiersin.org/articles/10.3389/fped.2022.986500/full 25 Evaluation of the clinical efficacy of a TW3- based fully automated bone age assessmen t system using Deep nerual networks( 37) 2020 Nan Young Shin, Byoung Dai Lee, Ju Hee Kang, Hye Rin Kim, Dong Hyo Oh, Byung Il Lee, Sung Hyun Kim, Mu Sook Lee, Min Suk Heo Ciencias de la Imagen en Odontología https://doi.org/ 10.5624/isd.20 20.50.3.237 COREA VOL 50 (237- 243) Diseño retrospe ctivo 40 varones y 40 mujeres 7 a 15 años No se mostró una diferencia significativa entre el sistema utilizado con IA contra el sistema referencial. El sistema TW3 presenta eficacia en la evaluación de la edad ósea en niños. https://doi.org/10.5624/isd.2020.50.3.237 https://doi.org/10.5624/isd.2020.50.3.237https://doi.org/10.5624/isd.2020.50.3.237 https://doi.org/10.5624/isd.2020.50.3.237 26 External validation of Deep learning- based bone-age software: a preliminar y study with real world data(38) 2022 Winnah Wu-In Lea, Suk-Joo Hong, Hyo- Kyoung Nam, Woo-Young Kang, Ze-Pa Yang, Eun-Jin Noh Scientific Reports URL: https://www.nat ure.com/articles/ s41598-022- 05282-z COREA VOL 12 (1) Diseño Retrosp ectivo 35 niños y 439 niñas (4 a 17 años) Se mostró una diferencia que fue significativa entre el aprendizaje profundo y la edad ósea obteniendo como resultado r=0,983, P<0,025 La edad ósea que se estimó arrojó un rendimiento mayor o similar al que utilizaron los revisores. https://www.nature.com/articles/s41598-022-05282-z https://www.nature.com/articles/s41598-022-05282-z https://www.nature.com/articles/s41598-022-05282-z https://www.nature.com/articles/s41598-022-05282-z 27 Validation of automated bone age analysis from hand radiograph s in a North American pediatric population (39) 2022 Jonathan J. Bowden, Sasigarn A Bowden, Lynne Ruess, Brent H Adler, Houchun Hu, Rajesh Krishnamurth y, Ramkumar Krihnamurthy Pediatría Radiológica DOI: 10.1007/s00247- 022-05310-0 América del Norte VOL 52 (1347 - 1355) Diseño retrospe ctivo 451 pacient es La aplicación de los métodos automáticos y manuales arrojaron resultados con una correlación fuerte der=0,98; R=0,96, obteniendo una diferencia ósea de 0,12 ± 0,76 años Las evaluaciones automatizadas al igual que las evaluaciones manuales presentaron una gran correlación siendo esta primera confiable y precisa para la práctica clínica. https://doi.org/10.1007/s00247-022-05310-0 https://doi.org/10.1007/s00247-022-05310-0 28 Tabla 3. Resumen de estudios sobre la inteligencia artificial para la evaluación de la edad ósea en niños, según la calidad de las evidencias (GRADE)(40). DISEÑO DE ESTUDIO/TITULO CONCLUSIONES CALIDAD DE EVIDENCIAS (SEGÚN GRADE) FUERZA DE RECOMENDACI ON PAIS Diseño observacional, analítico de casos y controles de análisis retrospectivo no intervencionista. Deep focus approach for accurate bone age estimation from lateral cephalogram Se concluyó que el aprendizaje profundo muestra un gran rendimiento e incentiva a la comunidad científica a utilizar como estructuras al cefalograma lateral para la evaluación de la edad ósea, variando así el estudio frecuente. BAJO DÉBIL COREA DEL SUR 29 Estudio comparativo de análisis retrospectivo Automatic assessment of bone age in taiwanese children: A comparison of the Greulich and Pyle method and the Tanner and Whitehouse 3 method Se concluyó que ambos métodos de G&P y TW3 un rendimiento y resultados excelentes sin embargo se sugiere un reajuste en ambos, siendo aún así TW3 el método más preciso pero complejo. ALTO FUERTE TAIWAN Estudio aleatorizado simple Artificial Intelligence system can achieve comparable results to experts for bone age assesment of Chinese children with anormal growth and development La inteligencia artificial tiene resultados de gran rendimiento y tiene como tendencia a ofrecer mucho mejores resultados a profesiones experimentados. ALTO FUERTE CHINA Diseño no experimental, longitudinal prospectivo Effect of AI- assisted software on inter – and intra observer variability for the X-ray bone El uso de un software asistido en inteligencia artificial puede lograr a tener un aumento en la relación de resultados entre el observador y el intraobservador. Se estima MODERADO DÉBIL CHINA 30 age assesment of preschool children que la IA será una herramienta de diagnóstico muy útil para la evaluación de la edad ósea. Diseño observacional de casos y controles de análisis prospectivo Clinical application of artificial intelligence in longitudinal image analysis of bone age among GHD patients. El estudio mostró resultados en que la inteligencia artificial presenta una mejora significativa. BAJO DÉBIL CHINA Estudio comparativo de cohorte retrospectivo Evaluation of the clinical efficacy of a TW3- based fully automated bone age assessment system using Deep neural networks. Se concluyó que el método frecuentemente usado de TW3 muestra resultados óptimos con los cuales demuestra la eficacia de su uso para evaluación de edad ósea en mana y muñeca. MODERADA FUERTE COREA 31 Estudio comparativo de análisis retrospectivo. External validation of Deep learning-based bone-age software: a preliminary study with real world data Se concluyó que el resultado estimado de la evaluación ósea basado en el aprendizaje profundo obtuvo un rendimiento mayor o igual que el que se obtuvo por los revisores. MODERADO FUERTE COREA Estudio comparativo de cohorte retrospectivo Validation of automated bone age analysis from hand radiographs in a North American pediatric population La evaluación de la edad ósea en base a un sistema automatizado muestra resultados que indican que es confiable y precisa. MODERADO FUERTE AMÉRICA DEL NORTE 32 Tabla 4. Lectura crítica de la evidencia clínica (CASPe) de los estudios sobre el uso de la inteligencia artificial para la evaluación de la edad ósea en niños (41). EVALUACIÓN METODOLÓGICA DE LOS ESTUIDOS INCLUIDOS EN LA REVISIÓN CASPe ESTUDIO PUNTUACIÓN Deep focus approach for accurate bone age estimation from lateral cephalogram a. Diseño observacional, analítico de casos y controles de análisis retrospectivo no intervencionista . 1. + 2. + 3. + 4. - 5. + 6. + 7. + 8. + 9. + 10. + 11. + ● PUNTUACIÓN TOTAL: 10/11 7.- Se midió la segmentación cervical, con un detector ROI y el modelo U-Net, como resultado un valor de 0,918 y 0,913 respectivamente. 8.- Se aplicó un ROI donde se consideró un IoU > 5 En ambos valores como resultado la precisión fue mayor al IoU (>5) 33 Automatic assessment of bone age in taiwanese children: A comparison of the Greulich and Pyle method and the Tanner and Whitehouse 3 method Estudio comparativo de análisis retrospectivo 1. + 2. + 3. + 4. + 5. - 6. + 7. + 8. + 9. + 10. ? 11. + ● PUNTUACIÓN TOTAL: 9/11 5.- Las poblaciones se conformaron por un grupo pacientes de 3 a 11 años y otro de 12 a 17 años, variando así en grupo de niños y niñas para cada rango de edad. 6.- En los grupos conformaron utilizaron diferente variante como el método de G&P y TW3 7.- Se obtuvo un efecto moderado con el método, lo cual marca la precisión y efectividad del método utilizado. 8.- El intervalo de confianza utilizado fue el efecto de la D de Cohen 34 Artificial Intelligence system can achieve comparable results to experts for bone age assesment of Chinese children with anormal growth and development Estudio aleatorizado simple 1. + 2. + 3. + 4. + 5. + 6. + 7. + 8. + 9. + 10. + 11. + ● PUNTUACIÓN TOTAL: 11/11 El estudio tuvo un pequeño tamaño de muestra. Effect of AI- assisted software on inter – and intra Diseño no experimental, longitudinal prospectivo 1. + 2. - 3. + 4. + 5. - ● PUNTUACIÓN TOTAL: 8/11 2. Dos pacientes fueron excluidos por osteocondrodisplasia.35 observer variability for the X- ray bone age assesment of preschool children 6. - 7. + 8. + 9. + 10. + 11. + 5.- Fueron dos grupos de diferente sexo, pero misma edad. 6.- Se realizó el estudio en 2 distintos momentos, un grupo con IA y otro sin IA. 7.- Se midió el error cuadrático medio (RMSE), diferencia absoluta media (MAD) y el coeficiente de correlación Inter clase (ICC) Clinical application of artificial intelligence in longitudinal image analysis of bone age among Diseño observacional de casos y controles de análisis prospectivo 1. + 2. + 3. + 4. + 5. + 6. - 7. + 8. + 9. + 10. + 11. + ● PUNTUACIÓN TOTAL: 10/11 6.- Se tomaron dos grupos para la evaluación uno con y sin el uso del IA. 7.-Se usó para la medición el error cuadrático medio (RMSE), error absoluto medio (MAE) y gráficas de Bland-Altman 8.- Los intervalos de confianza fueron: MAE=1,780 / RMSE=1,655 … Evaluador 1 /MAE=1,794 / RMSE=1,719 … Evaluador 2 36 GHD patients. Evaluation of the clinical efficacy of a TW3- based fully automated bone age assessment system using Deep neural networks Estudio comparativo de cohorte retrospectivo 1. + 2. + 3. + 4. + 5. - 6. + 7. + 8. + 9. + 10. + 11. + ● PUNTUACIÓN TOTAL: 10/11 5.- La población estuvo compuesta por 40 niños y 40 niñas comprendidos entre 7 a 15 años. 7.- Se hizo la comparación en dos grupos con pareado t-test y un análisis de regresión simple. 8.- Utilizó un intervalo de confianza del 95% (-0,07 a 0,22 años) 37 External validation of Deep learning- based bone- age software: a preliminary study with real world data Estudio comparativo de anális is retrospectivo. 1. + 2. + 3. + 4. + 5. - 6. + 7. + 8. ? 9. + 10. + 11. + ● PUNTUACIÓN TOTAL: 10/11 5.- Entre la población de estudio se encontraban 35 niños y 439 niñas. 7.- Se usó la gráfica de Bland-Altman, error absoluto medio (MAE) y el error cuadrático medio (RMSE) 38 Validation of automated bone age analysis from hand radiographs in a North American pediatric population Estudio comparativo de cohorte retrospectivo 1. + 2. + 3. + 4. + 5. - 6. + 7. + 8. + 9. + 10. + 11. + ● PUNTUACIÓN TOTAL: 10/11 5.- Se realizó la evaluación en comparaciones respecto al diagnóstico, sexo y raza. 7.- Se midió la correlación de Spearman (r) y el error cuadrático medio (RMSE) 8.- Correlación de Spearman P < 0,0001 39 Gráfico 1. Diagrama de flujo PRISMA 2020(42). Número de registros identificados N =131,023 Número de registros adicionales identificados mediante otras fuentes ( n = 0) Número de registros excluidos ( n =130,248) Número de registros tras eliminar citas duplicadas ( n = 1) Número de artículos de texto completo evaluados para su elegibilidad ( n = 774) Número de estudios seleccionados para la revisión narrativa ( n =8) TOTAL = 774 Número de artículos excluidos por no ser un estudio de inteligencia artificial para la evaluación de la edad ósea en niños (n=766) 40 La inteligencia artificial como avance tecnológico presenta un nuevo reto en el mundo científico destacando el área de la salud, como innovación total alcanzada hace algunos años. Investigaciones ya desde algunos años han logrado identificar que la aplicación de la inteligencia artificial ha logrado tener resultados de mayor precisión y reducir el tiempo de diagnóstico de una evaluación de edad ósea en niños, pero esto no quiere decir que desplazará o reemplazará al profesional de salud (médico radiólogo, tecnólogo médico, entre otros). Desde años atrás, más científicos han decidido a sumarse y continuar con las investigaciones. En la presente revisión narrativa se ha obtenido un total de 8 estudios relacionados a la “inteligencia artificial para la evaluación de la edad ósea en niños” las cuales están conformadas por estudios que marcan la existencia de una relación entre un efecto positivo de la inteligencia artificial y la edad ósea. Debemos recordar que la inteligencia artificial es un sistema que se permite así mismo aprender, razonar y asume formar una idea de una realidad. A continuación, se expone que los resultados por tipo de intervención en cada artículo examinado. Hyejun Seo, Jaejoon Hwang y col en su estudio de diseño observacional, analítico de casos y controles de análisis retrospectivo no intervencionista publicado en el 2022 sobre el “Enfoque profundo para una estimación precisa de la edad ósea a partir de un cefalograma lateral”, se calificó como un estudio de una calidad de evidencia bajo y una débil fuerza de recomendación. Proponen como objetivo principal esbozar un aprendizaje profundo para la estimación de la edad ósea en base a un cefalograma con segmentaciones de imágenes automáticas con la aplicación de un ROI manual y automático, los cuales contaron con 900 niños entre 4 a 18 años de edad donde se les aplicó un estudio de cefalograma lateral y una de mano-muñeca en el mismo instante; para contar con la precisión se consideró una puntuación de IoU > 0,5 y en este estudio se obtuvo con la aplicación del ROI una puntuación de 0,918 lo que mostró la precisión del cefalograma en evaluación de la edad ósea. A pesar que este estudio presentó algunas limitaciones como: pequeña muestra, solo niños coreanos, niños del mismo sexo, errores de magnificación del cefalograma. Los investigadores orientan a la comunidad científica y médica a probar este método como otra variante de mano-muñeca. 41 Yi-Ming Wang y col. En su estudio denominado “Evaluación automática de la edad ósea en niños Taiwaneses: una comparación del método de Greulich & Pyle y el método de Tanner Whitehouse 3” estudio comparativo de análisis retrospectivo publicado en el año 2020, se calificó como un estudio de calidad de evidencia alta y una fuerte fuerza de recomendación. Se evaluaron la radiografía de 611 niños en una edad comprendida de 3 a 17 años con el uso del método de Greulich & Pyle y TW3 en base al software de Bone Xpert. Con la aplicación del primer método GP el efecto que hubo fue de 0,0751 y con el método de TW3 fue de 0,011 en varones y en niñas de 0,0473 y 0,0256 con el GP y TW3 respectivamente. El método de TW3 mostró mayor precisión que GP, a pesar que es mucho más complejo su precisión es alta. Fengdan Wang y col. En su estudio nombrado “El sistema de inteligencia artificial puede lograr resultados comparables a los expertos para la evaluación de la edad ósea de niños chinos con crecimiento y desarrollo anormales”, un estudio aleatorizado simple publicado en el año 2020 en China, se calificó como un estudio de calidad de evidencia alto y una fuerte fuerza de recomendación. El estudio tuvo como objetivo probar el rendimiento del uso de la inteligencia artificial aplicado a niños chinos con desarrollo de crecimiento anormales; estuvo conformado por 360 niños y 385 niñas, para probar la precisión utilizaron como medidas el erro cuadrático medio (RMSE), diferencia absoluta media (MAD) y la concordancia con Bland-Altman. Se obtuvo como resultado RMSE=0,76, MAD= 0,58. Se observó mayor variación en los pacientes de baja estatura; se concluyó que el sistema de IA logro resultados similares a los que obtuvieron los investigadores experimentados. Kai Zhao y col., en su investigación “Efecto del software asistido por IA en la variabilidad inter e intraobservador para la evaluación de la edad ósea por rayos X de niños en edad preescolar”, un estudio de diseño no experimental longitudinal prospectivopublicado en el año 2022 en China, se calificó como un estudio de calidad de evidencia moderado y débil fuerza de recomendación. El objetivo de este estudio fue indagar el efecto que tiene la IA entre el observador y el intraobservador. Se tomó como población niños en edades comprendidas entre 3 a 6 años en base al uso del método de TW3 modificado (RUS-Carpal), utilizó como medidas el error cuadrático medio (RMSE), 42 diferencia media absoluta (MAD). Se concluyó que el efecto entre en los residentes tuvo una mayor precisión la edad ósea con el uso de la inteligencia artificial. Lina Zhang y col., realizaron una investigación llamada “Aplicación clínica de la inteligencia artificial en el análisis de la edad ósea en pacientes con GHD” de diseño observacional de casos y controles de análisis prospectivo publicado en el año 2022 en China, se calificó como un estudio de calidad de evidencia baja y una débil fuerza de recomendación. El objetivo del estudio fue indagar el valor clínico de la inteligencia artificial en el estudio de la evaluación ósea en niños con déficit de GHD; 52 niños fueron parte del estudio. En la metodología del estudio midieron la edad ósea con y sin la asistencia de la IA; se usó como métrica el error cuadrático medio (RMSE), error absoluto medio (MAE), precisión en Bland-Altman. Finalmente, los investigadores concluyeron que se tuvo un rendimiento adecuado, mostrando que hay mayor precisión en la edad ósea con el uso de la IA comparada sin IA. Nan Young Shin y col., investigaron el tema denominado “Evaluación de la eficacia clínica de un sistema de evaluación de la edad ósea totalmente automatizado basado en TW3 utilizando redes neuronales profundas” estudio comparativo de cohorte retrospectivo publicado en el año 2020 en Corea, presenta una calidad de evidencia moderada y fuerte fuerza de recomendación. El objetivo del estudio evaluar la edad ósea basado en el método de TW3 totalmente automatizado; estudio que fue conformado por 40 niños y 40 niñas en edades comprendidas entre 7 a 15 años de edad. La comparación en ambos grupos fue realizada mediante el pareado t-test y un análisis de regresión simple. Como conclusión se considera que el método de TW3 es eficaz para la determinación de la edad ósea. Winnah Wu -In Lea y col., publicaron su estudio “Validación externa del software de edad ósea basado en aprendizaje profundo: un estudio preliminar con datos del mundo real” estudio comparativo de análisis retrospectivo publicado en el año 2022 en Corea, presenta una calidad de evidencia moderada y fuerte fuerza de recomendación. El objetivo de la investigación fue evaluar el rendimiento de la evaluación de la edad ósea basado en un software con aprendizaje profundo; la población fue conformada por 474 43 niños en una edad comprendida entre 4 a 17 años de edad. Como métricas se utilizó el coeficiente de correlación de Pearson, gráfica de Bland-Altman, error absoluto medio (MAE) y error cuadrático (RMSE). Al finalizar el estudio los investigadores concluyeron que la evaluación con IA arrojó datos similares a la edad cronológica sin IA. Jonathan J. y col., realizaron el tema de estudio denominado “Validación de análisis automatizado de la edad ósea a partir de radiografías de manos en una población pediátrica de América del Norte”, estudio comparativo de cohorte retrospectivo publicado en el año 2022, presenta una calidad de evidencia moderada y una fuerte fuerza de recomendación. El estudio tuvo como objetivo evaluar la precisión de un sistema inteligente automatizado para la evaluación de la edad ósea; su población fue conformada por 451 niños evaluados por el uso del software Bone Xpert acompañado del método de G&P; como métricas usaron la correlación de Spearman y el error cuadrático medio, después de la evaluación concluyeron que la evaluación fue confiable y precisa. Los resultados de los estudios recolectados sobre el uso de la inteligencia artificial para la evaluación de la edad ósea en niños, demuestran una calidad de evidencias de bajo (25%), moderado (50%) y alto (25%); y fuerza de recomendación débil (37.5%) y fuerte (62.5%) según la calidad de evidencias (GRADE). Mientras que por otro lado estudios recolectados sobre el uso de la inteligencia artificial para la evaluación de la edad ósea en niños, se identifica que solo un estudio (12.5%) llegó alcanzar la puntuación total de 11/11, mientras 5 estudios (62.5%) obtuvieron una puntuación total de 10/11 y por otros lados dos (25%) estudios alcanzaron una menor puntuación de 9/11 y 8/11 el según la lectura crítica de la evidencia clínica (CASPe). 44 CAPÍTULO IV: DISCUSIÓN 45 En el presente estudio de investigación se realizó una revisión bibliográfica basada en los estudios sobre la evaluación de la edad ósea en niños con el uso de la inteligencia artificial, basado en los artículos comprendidos desde el año 2018 hasta el año 2023 de diferente base de datos como: PubMed, Science Direct y Google Scholar. En general los 8 artículos que fueron seleccionados para su elegibilidad, tienen en común evaluar la precisión de la edad ósea en base al uso de la inteligencia artificial. Con la revisión de bibliográfica se demuestra que los 8 (100%) artículos hallados y examinados sustentan que la aplicación de esta, muestra grandes resultados de precisión en la edad ósea. Los países de los continentes asiáticos han demostrado ya desde antes ser los países con mayor interés con respecto a este tema dejando como evidencia actualmente que la mayoría de estos artículos fueron desarrollados en el Continente Asiático (China, Taiwán y Corea) y uno fue desarrollado en América del Norte, dejando como respuesta la falta de actualización del tema en el continente americano y sobre todo del Perú, lo que conlleva que hace falta realizar este tipo de investigaciones en las zonas del continente americano. Así mismo como lo indica su ejecución de cada artículo en cada país su población está conformado por la misma, por niños y niñas asiáticos. En su 87.5% de los artículos revisados, los investigadores utilizan el método tradicional de la evaluación de la edad ósea en manos y muñeca, pero el autor Hyejun seo y col., en su estudio “Enfoque profundo para una estimación precisas de la edad ósea a partir de un cefalograma lateral” se manifiesta difiriendo del resto de autores dejando como evidencia que la evaluación, así como se desarrolla en manos también es eficaz en cefalogramas. Yi-Ming y Nan Young y col., concuerdan que el método Tanner-Whithouse logran dar resultados eficaces y precisos. Jonathan J, Winnah Wu-In, Lina y col., llegan a la conclusión que la aplicación de la IA logra dar datos precisos, sugiriendo la aplicabilidad de ello. 46 CAPÍTULO V: CONCLUSIONES Y RECOMENDACIONES 47 5.1 CONCLUSIONES ● El total de los 8 artículos demuestran la eficacia del uso de la inteligencia artificial para la evaluación de la edad ósea. ● En su mayoría los artículos encontrados fueron desarrollados en el año 2020 y 2022 y en su 75% se hallaron estudios retrospectivos y el 25 % prospectivos, las muestras estaban conformadas por grupos de 40 pacientes hasta 385 pacientes, desde 3 a 18 años. ● Los estudios fueron aplicados en ambos sexos, desarrollados en su mayoría en el continente asiático. ● En su mayoría aplicó los métodos tradicionales de G&P, más que TW. 5.2 RECOMENDACIONES ● Se recomienda seguir realizando nuevas investigaciones, para corroborar la evidencia y así continuar informando a la comunicad sobre la precisión de la aplicación de estos métodos con inteligencia artificial para la mejora de resultados dela edad ósea en los niños. ● Se recomienda en las futuras investigaciones realizar el detalle de la técnica de análisis para evitar sesgos en adelante. ● Se recomienda realizar webinar y conferencias a médicos especialistas, residentes, radiólogos entre otros para explicar de manera concreta y precisa el uso que conlleva la IA en la edad ósea. Así mismo realizar investigaciones en el Perú. ● Se recomienda a su vez dar mensajes informativos a la población de la importancia de la evaluación de la edad ósea en los menores para su detección temprana de alguna patología a futuro. ● Se recomienda realizar este tipo de investigaciones (revisión narrativa) entre dos o más investigadores para evitar sesgos. 48 REFERENCIAS BIBLIOGRÁFICAS 1. González M. Historia y evolución de la inteligencia artificial [Internet]. CICE. 2018 [citado 21 de noviembre de 2022]. Disponible en: https://www.cice.es/blog/articulos/historia-evolucion-la-inteligencia-artificial/ 2. Gálvez Moya M. Inteligencia Artificial en Radiología: ¿Seremos reemplazados por las máquinas? Rev Chil Radiol. 2017;23(3):90-90. 3. Marangoni A. El arribo de la “inteligencia artificial” a la radiología – ¿Amenaza o desafío de adaptación? Rev Argent Radiol. 2018;82(2):55-6. 4. Thodberg H, Kreiborg S, Juul A, Pedersen K. The BoneXpert Method for Automated Determination of Skeletal Maturity. IEEE Trans Med Imaging. 1 de febrero de 2009;28:52-66. 5. Jiménez Herrera LG, Jiménez Herrera LG. Inteligencia artificial como potencia de herramienta en salud. Infodir [Internet]. diciembre de 2021 [citado 17 de octubre de 2022];(36). Disponible en: http://scielo.sld.cu/scielo.php?script=sci_abstract&pid=S1996- 35212021000300018&lng=es&nrm=iso&tlng=es 6. Wang F, Cidan W, Gu X, Chen S, Yin W, Liu Y, et al. Performance of an artificial intelligence system for bone age assessment in Tibet. Br J Radiol. 1 de abril de 2021;94(1120):20201119. 7. Artioli TO, Alvares MA, Carvalho Macedo VS, Silva TS, Avritchir R, Kochi C, et al. Bone age determination in eutrophic, overweight and obese Brazilian children and adolescents: a comparison between computerized BoneXpert and Greulich-Pyle methods. Pediatr Radiol. 1 de agosto de 2019;49(9):1185-91. 8. IMPLICANCIA DE LA INTELIGENCIA ARTIFICIAL EN LA DISMINUCIÓN DEL ERROR DE DIAGNÓSTICO RADIOLÓGICO. UN METANÁLISIS. :31. 9. Edu.pe [citado el 21 de noviembre de 2022]. Disponible en: https://repositorio.ulima.edu.pe/bitstream/handle/20.500.12724/14110/Quispe_C arbonel_Alvaro_Daniel.pdf?sequence=1&isAllowed=y 49 10. Form Act Pediatr Aten Prim. 2011;4(4):253-7 [Internet]. Fapap.es. [citado el 21 de noviembre de 2022]. Disponible en: https://fapap.es/files/639-723- RUTA/FAPAP4_2011_07.pdf 11. Navarro MM, Tejedor BM, López Siguero JP. El uso de la edad ósea en la práctica clínica. An Pediatr Contin [Internet]. 2014 [citado el 21 de noviembre de 2022];12(6):275–83. Disponible en: https://www.elsevier.es/es-revista-anales- pediatria-continuada-51-articulo-el-uso-edad-osea-practica- S169628181470204512.onciencia_capitulo_2.pdf [Internet]. [citado 3 de noviembre de 2022]. Disponible en: https://www.ugr.es/~setchift/docs/conciencia_capitulo_2.pdf 12. conciencia_capitulo_2.pdf [Internet]. [citado 3 de noviembre de 2022]. Disponible en: https://www.ugr.es/~setchift/docs/conciencia_capitulo_2.pdf 13. Valle M, Olmo D. Estrategia Nacional de Inteligencia Artificial. Desarrollo y regulación [Internet]. Fedea.net. [citado el 21 de noviembre de 2022]. Disponible en: https://documentos.fedea.net/pubs/ap/2022/ap2022-14.pdf 14. Ética e inteligencia artificial [Internet]. Servicio de Publicaciones de la Universidad de Navarra; 2019 [citado 3 de noviembre de 2022]. Disponible en: https://media.iese.edu/research/pdfs/ST-0522.pdf 15. Planetadelibros.com [citado el 21 de noviembre de 2022]. Disponible en: https://www.planetadelibros.com/libros_contenido_extra/40/39307_Inteligencia_ artificial.pdf 16. Sánchez-Caro y Sánchez - UN NUEVO PARADIGMA ASPECTOS CLÍNICOS, ÉTICOS Y LE.pdf [Internet]. [citado 3 de noviembre de 2022]. Disponible en: https://www.fundacionmercksalud.com/wp- content/uploads/2021/02/DIGITAL_MONOGRAFIA-26_INTELIGENCIA- ARTIFICIAL_FINAL-1.pdf 17. Balparda N. - Estrategia tecnológica - Arquitectura de datos y sistemas - Big Data - Análisis de datos. :64. 50 18. CORPORATIVA I. Descubre los principales beneficios del Machine Learning [Internet]. Iberdrola. [citado 3 de noviembre de 2022]. Disponible en: https://www.iberdrola.com/innovacion/machine-learning-aprendizaje-automatico 19. BBVA. Te contamos qué es el «machine learning» y cómo funciona [Internet]. BBVA NOTICIAS. 2019 [citado 3 de noviembre de 2022]. Disponible en: https://www.bbva.com/es/machine-learning-que-es-y-como-funciona/ 20. 228074134.pdf [Internet]. [citado 3 de noviembre de 2022]. Disponible en: https://core.ac.uk/download/pdf/228074134.pdf 21. Sandoval LJ. ALGORITMOS DE APRENDIZAJE AUTOMÁTICO PARA ANÁLISIS Y PREDICCIÓN DE DATOS. 2018;5. 22. Deep learning: el cerebro humano como inspiración [Internet]. IONOS Digital Guide. [citado 4 de noviembre de 2022]. Disponible en: https://www.ionos.es/digitalguide/online-marketing/marketing-para-motores-de- busqueda/deep-learning/ 23. Deep Learning - Libro online de IAAR [Internet]. [citado 6 de noviembre de 2022]. Disponible en: https://iaarbook.github.io/deeplearning/ 24. Hernández M. Maduración ósea y predicción de talla [Internet]. Sccalp.org. [citado el 21 de noviembre de 2022]. Disponible en: https://www.sccalp.org/documents/0000/1359/BolPediatr1991_32_265-272.pdf 25. EDAD ÓSEA ARTICULO - EXPERTO EN HUESOS - Correspondencia: Fabian Villacres fabianvillacresdr@gmail Rev - StuDocu [Internet]. [citado 10 de noviembre de 2022]. Disponible en: https://www.studocu.com/en- us/document/albany-medical-college/faculty-of-medical/edad-osea-articulo- bone-expert/25462257 26. Med®-BoneAgeTM - Medical imaging software by VUNO | MedicalExpo [Internet]. [citado 10 de noviembre de 2022]. Disponible en: https://www.medicalexpo.com/prod/vuno/product-299867-989333.html 51 27. Gómez-Campos R, Arruda M de, Hobold E, Abella CP, Camargo C, Martínez Salazar C, et al. Valoración de la maduración biológica: usos y aplicaciones en el ámbito escolar. Rev Andal Med Deporte. diciembre de 2013;6(4):151-60. 28. Pachas-Vásquez AL, Suárez-Ponce DG, Evaristo-Chiyong TA, Pachas-Vásquez AL, Suárez-Ponce DG, Evaristo-Chiyong TA. Estimación de la edad cronológica a través de los métodos de Demirjian y Ubelaker en niños peruanos. Odovtos Int J Dent Sci. agosto de 2019;21(2):95-103. 29. Radiografía: Estudio de la edad ósea (para Padres) - Nemours KidsHealth [Internet]. [citado 13 de noviembre de 2022]. Disponible en: https://kidshealth.org/es/parents/xray-bone-age.html 30. Porcelli AM, Porcelli AM. La inteligencia artificial y la robótica: sus dilemas sociales, éticos y jurídicos. Derecho Glob Estud Sobre Derecho Justicia. 2020;6(16):49-105. 31. Aguilera Eguía R. ¿Revisión sistemática, revisión narrativa o metaanálisis? Rev Soc Esp Dolor. diciembre de 2014;21(6):359-60. 32. Seo H, Hwang J, Jung YH, Lee E, Nam OH, Shin J. Deep focus approach for accurate bone age estimation from lateral cephalogram. J Dent Sci. 1 de enero de 2023;18(1):34-43. 33. Automatic assessment of bone age in Taiwanese children: A comparison of the Greulich and Pyle method and the Tanner and Whitehouse 3 method - Wang - 2020 - The Kaohsiung Journal of Medical Sciences - Wiley Online Library [Internet]. [citado 2 de marzo de 2023]. Disponible en: https://onlinelibrary.wiley.com/doi/10.1002/kjm2.12268 34. Booz C, Yel I, Wichmann JL, Boettger S, Al Kamali A, Albrecht MH, et al. Artificial intelligence in bone age assessment: accuracy and efficiency of a novel fully automated algorithm compared to the Greulich-Pyle method. Eur