Evaluación de la concordancia entre microscopía digital y microscopía óptica en aspirados de médula ósea en pacientes hemato-oncológicos: una revisión de alcance

• Autores: Alcantara Polo, Harol Diego, Chicmana Tukasaki, Mauricio Joaquin, Zanabria Ampuero, Elder
• Formato: tesis de grado
• Fecha de Publicación: 2025
• Institución: Universidad Peruana Cayetano Heredia
• Repositorio: UPCH-Institucional
• Lenguaje: español
• OAI Identifier: oai:repositorio.upch.edu.pe:20.500.12866/17578
• Enlace del recurso: https://hdl.handle.net/20.500.12866/17578
• Nivel de acceso: acceso abierto
• Materia: Microscopía Óptica; Aprendizaje Profundo; Neoplasias Hematológicas; Células de la Médula Ósea; https://purl.org/pe-repo/ocde/ford#3.02.06; https://purl.org/pe-repo/ocde/ford#3.02.21

Introducción: El uso de inteligencia artificial (IA) en hematología ha ganado protagonismo gracias a su capacidad para automatizar procesos diagnósticos complejos como la evaluación morfológica de células hematopoyéticas. A pesar de estos avances, la microscopía óptica sigue siendo el estándar de oro para el análisis de aspirados de médula ósea, aunque presenta limitaciones como la variabilidad interobservador. En respuesta, la morfología digital asistida por IA surge como una alternativa prometedora. Objetivo: Mapear la evidencia científica disponible sobre la concordancia entre microscopía digital y óptica en aspirados de médula ósea en pacientes hemato-oncológicos, incluyendo el análisis por linajes celulares y los algoritmos utilizados. Métodos: Se realizó una revisión de alcance siguiendo la metodología del Instituto Joanna Briggs. Se buscaron estudios publicados desde 2010 en ocho bases de datos y literatura gris. Se aplicaron criterios de inclusión enfocados en estudios que compararan microscopía digital y óptica usando medidas de concordancia y correlación entre linajes y células de la médula ósea. Resultados: Se identificaron 33,606 registros, de los cuales 8 estudios cumplieron con los criterios de inclusión. Los estudios utilizaron diversos algoritmos como CNN, Mask R-CNN y YOLOv3, aplicados en plataformas como Morphogo y BMSNet. La concordancia fue alta para linajes comunes (eritroide, granulocítico), pero baja en células raras (promonocitos, basófilos). Los coeficientes Kappa oscilaron entre 0.136 y 0.987. También se reportaron correlaciones fuertes (r > 0.9) y niveles de precisión superiores al 95% en linajes frecuentes. Discusión: Aunque los sistemas digitales muestran buen desempeño en linajes prevalentes, enfrentan limitaciones frente a clases poco representadas. La heterogeneidad metodológica y el desbalance de clases son desafíos recurrentes. Se recomienda mayor representación de células raras y validaciones multicéntricas. Conclusión: La morfología digital asistida por IA ofrece una alternativa válida a la microscopía óptica, con alto potencial diagnóstico si se optimiza su entrenamiento y validación clínica.