LABORATORIO DE URGENCIAS

Inteligencia Artificial para Detección de Estenosis Aórtica

                                                                                     Eunjung Lee,PhD; Jwan A. Naser,MBBS; Conor Kane,MD.
                                                                                                                   * Department of Cardiovascular Medicine, Mayo Clinic, Rochester, Minnesota,USA

                                                                                                                    JAMA Cardiol - Published Online: August, 2026
                                                                                                                            doi: 10.1001/jamacardio.2026.3829

La estenosis de la  aórtica (EA) afecta aproximadamente al 12 % de las personas mayores de 75 años y es la indicación más común para la intervención valvular a nivel mundial; sin embargo, sigue estando frecuentemente infradiagnosticada e infratratada. El diagnóstico tardío se asocia con remodelación adversa del ventrículo izquierdo, insuficiencia cardíaca y mortalidad. Dado que muchos pacientes permanecen asintomáticos hasta que la enfermedad está avanzada, se necesitan estrategias para la identificación temprana de la EA clínicamente significativa.
La ecocardiografía transtorácica (ETT) es el método de referencia para el diagnóstico de la EA; sin embargo, no se recomienda el cribado ecocardiográfico rutinario en poblaciones asintomáticas debido a las limitaciones de coste, equipamiento y personal. La exploración física puede identificar soplos característicos, pero la precisión diagnóstica varía ampliamente fuera del ámbito cardiológico, lo que limita su fiabilidad como herramienta de cribado. Más recientemente, la electrocardiografía con inteligencia artificial (IA) ha mostrado resultados prometedores para la detección de la EA, pero su modesta precisión (aproximadamente del 70 % al 75 %) limita su utilidad para guiar la ecocardiografía posterior, especialmente en poblaciones con baja prevalencia de EA. La ecografía cardíaca focalizada portátil (FoCUS) se utiliza cada vez más en el punto de atención. Sin embargo, los exámenes FoCUS a menudo se realizan sin imágenes Doppler y por operadores con formación limitada en ecocardiografía, lo que dificulta la identificación fiable de la estenosis aórtica (EA) significativa. Un enfoque de IA capaz de clasificar con precisión la EA a partir de imágenes FoCUS bidimensionales adquiridas por operadores noveles podría superar estas limitaciones y permitir estrategias de diagnóstico escalables y de bajo coste en diversos entornos clínicos.
En este estudio, nos propusimos:
(1) desarrollar y validar un modelo de IA entrenado con imágenes ecocardiográficas bidimensionales para identificar la EA moderada o grave en cohortes geográficamente distintas;
(2) evaluar la generalización del modelo a imágenes adquiridas con dispositivos portátiles;
(3) evaluar el rendimiento diagnóstico en una cohorte prospectiva de pacientes explorados por operadores noveles (sin experiencia clínica ni en imagenología) guiados por la adquisición de imágenes asistida por IA (con la ecocardiografía Doppler concomitante como estándar de referencia).

MÉTODOS

Este estudio incluyó el desarrollo retrospectivo y la validación multicéntrica de un modelo de aprendizaje profundo (de enero de 2005 a septiembre de 2022), seguido de una validación prospectiva mediante ecografía focalizada guiada por IA (FoCUS) realizada por operadores noveles (de junio a agosto de 2024 y de junio a septiembre de 2025). La presentación de informes siguió las directrices TRIPOD (Transparent Reporting of a Multivariable Prediction Model for Individual Prognosis or Diagnosis) y PRIME (Proposed Requirements for Cardiovascular Imaging–Related Machine Learning Evaluation). El Comité de Ética de la Mayo Clinic aprobó todos los componentes del estudio. Los participantes prospectivos dieron su consentimiento informado por escrito; los análisis retrospectivos incluyeron a pacientes que habían autorizado el uso de sus historias clínicas para la investigación.

Cohorte de desarrollo del modelo y validación de modelos de IA
La cohorte de desarrollo incluyó a pacientes con una ecocardiografía transtorácica (ETT) clínicamente indicada realizada en centros de la Mayo Clinic en Minnesota y Wisconsin entre enero de 2005 y septiembre de 2022. Se excluyeron los pacientes con reemplazo previo de la válvula aórtica y solo se incluyó el examen más antiguo por paciente. La estenosis aórtica moderada o grave se definió según criterios de consenso, como se describió previamente.9 El conjunto de datos se dividió aleatoriamente en cohortes de entrenamiento (n = 6753), validación interna (n = 852) y prueba interna (n = 844). El modelo se validó en pacientes seleccionados aleatoriamente que se sometieron a ecocardiografía transtorácica clínica en centros de la Clínica Mayo en Arizona (n = 959) y Florida (n = 953).

FoCUS con dispositivos portátiles por ecografistas experimentados
Para evaluar el rendimiento en imágenes portátiles, 602 pacientes seleccionados aleatoriamente se sometieron a FoCUS realizado por ecografistas experimentados con un dispositivo Philips Lumify entre noviembre de 2022 y marzo de 2023. El FoCUS se realizó dentro de los 15 minutos posteriores a un TTE completo clínicamente indicado.

Estudio prospectivo de FoCUS guiado por IA por operadores novatos
Se incluyeron prospectivamente 1302 adultos que dieron su consentimiento y se sometieron a un TTE completo clínicamente indicado en un solo centro. Los participantes fueron reclutados aleatoriamente y excluidos únicamente por cardiopatía congénita compleja o prótesis de válvula aórtica previa. Nueve miembros del personal de investigación sin experiencia clínica o en ecografía previa realizaron FoCUS utilizando un dispositivo portátil Philips Lumify con guía de adquisición de IA en tiempo real aprobada por la Administración de Alimentos y Medicamentos de EE. UU. (UltraSight) después de 4 horas de capacitación estandarizada. Los operadores intentaron adquirir 6 vistas bidimensionales estándar; El modelo de estenosis aórtica (EA) utilizó las vistas paraesternal de eje largo, paraesternal de eje corto a nivel de la válvula aórtica y apical de tres cámaras, sin imágenes Doppler ni mediciones cuantitativas. Las etiquetas de referencia se derivaron de ecocardiogramas transtorácicos (ETT) completos clínicamente indicados, realizados con un sistema GE E95 por ecografistas capacitados e interpretados por ecocardiografistas de nivel III según las guías de la Sociedad Americana de Ecocardiografía.
Este examen sirvió como estándar de referencia. El personal de ecocardiografía clínica desconocía los hallazgos de FoCUS. Un ecocardiografista experto evaluó la calidad de la imagen de FoCUS sin conocer los resultados clínicos ni los de la IA. Además, se evaluó un enfoque de cribado híbrido posterior de dos pasos: los estudios marcados por el algoritmo de IA como positivos para EA moderada o grave, así como los estudios considerados no interpretables por el algoritmo, fueron revisados ​​por ecocardiografistas expertos y clasificados como negativos, positivos para EA al menos moderada o no interpretables. Estas dos últimas categorías identificarían a los pacientes que requieren una ecocardiografía completa. Estándar de Referencia de Ecocardiografía
Todos los pacientes se sometieron a una ecocardiografía transtorácica (ETT) clínicamente indicada, de acuerdo con las guías establecidas. El área valvular aórtica se calculó mediante la ecuación de continuidad a partir del diámetro del tracto de salida del ventrículo izquierdo, la integral tiempo-velocidad del tracto de salida del ventrículo izquierdo y la integral tiempo-velocidad transaórtica, con señales Doppler obtenidas de múltiples ventanas acústicas para asegurar una alineación óptima. El índice de velocidad adimensional se calculó como la relación entre la integral tiempo-velocidad del tracto de salida del ventrículo izquierdo y la integral tiempo-velocidad aórtica. Las mediciones se promediaron en 3 ciclos cardíacos en pacientes con ritmo sinusal y en 5 ciclos en aquellos con fibrilación auricular. La estenosis aórtica moderada o grave se definió por al menos uno de los siguientes criterios: área valvular aórtica ≤1,5 ​​cm², gradiente transaórtico medio ≥20 mm Hg, velocidad pico ≥3,0 m/s o índice de velocidad adimensional ≤0,35, como se describió previamente. Marco de aprendizaje profundo
El marco de aprendizaje profundo incorporó la clasificación automatizada de vistas, seguida de la predicción de estenosis aórtica moderada o grave a partir de videoclips ecocardiográficos bidimensionales estándar. Generó una puntuación de probabilidad continua con un umbral para la clasificación binaria.
Los estudios se consideraron interpretables cuando el proceso automatizado detectó al menos una vista elegible y generó una predicción.
Los estudios se consideraron no interpretables por IA cuando no se identificó ninguna de las tres vistas objetivo.
Estos estudios se excluyeron de los análisis de rendimiento del modelo independiente, pero se incluyeron en la evaluación del flujo de trabajo de dos pasos.

Análisis estadístico
Las características basales se resumieron mediante estadística descriptiva y se presentaron como medias y desviaciones estándar o medianas y rangos intercuartílicos. El rendimiento del modelo se evaluó mediante el área bajo la curva ROC (AUROC), la sensibilidad, la especificidad, el valor predictivo positivo (VPP), el valor predictivo negativo (VPN) y la precisión general. Se utilizó el método de puntuación de Wilson para calcular los intervalos de confianza del 95 %. El umbral de probabilidad óptimo se determinó mediante el índice de Youden en el conjunto de validación interna y posteriormente se aplicó sin cambios a la prueba interna, la validación geográficamente distinta, el dispositivo portátil y la cohorte prospectiva. La discriminación en la evaluación prospectiva de FoCUS se examinó mediante curvas ROC y de precisión-exhaustividad, mientras que la calibración se evaluó mediante un gráfico de calibración que comparaba las probabilidades predichas con las tasas de eventos observadas; el análisis de la curva de decisión exploró el beneficio clínico neto en un rango de probabilidades umbral en relación con las estrategias de tratamiento total y de no tratamiento. Los análisis estadísticos se realizaron utilizando R versión 4.5.2 (R Foundation) y JMP Pro 19.0.

RESULTADOS

Características basales de los modelos de desarrollo y validación.
La cohorte de desarrollo del Medio Oeste incluyó a 8449 pacientes sometidos a ecocardiografía transtorácica (ETT) clínicamente indicada, de los cuales 927 (10,97 %) presentaban estenosis aórtica (EA) al menos moderada. La mediana (RIC) de edad fue de 66,7 (53,8-76,9) años, y 4164 (49,3 %) eran mujeres. La prevalencia de EA al menos moderada fue menor en las cohortes de validación geográficamente distintas (3,65 %-3,88 %). En consonancia con esta diferencia, los pacientes de las cohortes de prueba presentaban una menor carga de comorbilidades cardiovasculares y no cardiovasculares.
Las cohortes de validación geográficamente distintas de Arizona (n = 959) y Florida (n = 953) presentaron AUROC de 0,99 (IC del 95 %, 0,97-1,00) y 0,99 (IC del 95 %, 0,96-1,00), sensibilidades del 89 % (IC del 95 %, 74-95) y 97 % (IC del 95 %, 86-100), especificidades del 97 % (IC del 95 %, 96-98) y 95 % (IC del 95 %, 93-96), y precisiones del 97 % y 95 %, respectivamente.
La incorporación de múltiples ventanas de imagen mejoró la precisión y redujo la variabilidad entre los centros. El rendimiento también fue consistente tanto en ritmos sinusales como de fibrilación auricular. La discriminación se mantuvo consistentemente alta en todos los periodos de adquisición y sistemas de ultrasonido.

Validación modelo en imágenes adquiridas con dispositivos de ultrasonido portátiles
Evaluamos el modelo en 602 pacientes explorados por ecografistas profesionales con un dispositivo portátil. En esta cohorte, con una prevalencia de EA del 6,2 %, el modelo alcanzó un AUROC de 0,99 (IC del 95 %, 0,96-1,00), una sensibilidad del 95 % (IC del 95 %, 82-99) y una especificidad del 97 % (IC del 95 %, 95-98), con una precisión general del 97 %.Uso del modelo en un estudio prospectivo de FoCUS guiado por IA adquirido por operadores novatos
Posteriormente, el modelo se evaluó prospectivamente en 1302 pacientes que se sometieron a FoCUS guiado por IA dentro de los 15 minutos posteriores a una ecocardiografía transtorácica completa. La edad media (DE) fue de 64 (16) años, y 540 (41,5 %) eran mujeres; La prevalencia de estenosis aórtica (EA) moderada o grave fue del 3,7 %, y el tiempo medio (RIC) de exploración fue de 4 (3-5) minutos.
En las tres proyecciones de imagen convencionales de interés, la viabilidad y la calidad de la imagen variaron. Las proyecciones paraesternales de eje largo y de eje corto a nivel de la válvula aórtica fueron las más viables, mientras que la proyección apical de tres cámaras fue la menos viable. Se obtuvieron imágenes completas, de buena o adecuada calidad en el 80 % al 90 % de las exploraciones para las proyecciones paraesternales y en el 65 % de las exploraciones para la proyección apical. Aunque no se obtuvieron todas las proyecciones en todos los participantes, se lograron imágenes adecuadas para la evaluación diagnóstica en 1268 pacientes (97,4 %). Los mapas de calor de activación de clase representativos, superpuestos a videoclips bidimensionales representativos de participantes con y sin EA (Vídeo), mostraron una activación espacial centrada predominantemente en la región de la válvula aórtica, tanto en los participantes con como sin EA.
Rendimiento diagnóstico para la clasificación por IA sola y para la evaluación en 2 pasos que incorpora la revisión del médico de los resultados positivos y no interpretables de la IA.
Matrices de confusión y métricas de rendimiento del modelo, incluyendo curvas ROC (curvas de características operativas del receptor), análisis de precisión-exhaustividad, calibración y beneficio neto. La clasificación por IA sola fue factible en el 96,6% de los casos y demostró una sensibilidad del 93,5% y una especificidad del 96,4%, con un VPP del 49,4%.
La evaluación en dos pasos, en la que la revisión de expertos clasificó algunos estudios no interpretables por la IA, aumentó la viabilidad general de la clasificación del 96,6% al 98,7%.
El VPN se mantuvo alto para ambos enfoques (99,7% para la clasificación solo con IA y 99,4% para la evaluación en dos pasos). El tiempo medio (DE) de revisión de expertos fue de 2 (1) minutos por examen. Se propuso un proceso de cribado utilizando un enfoque híbrido con clasificación solo con IA, seguido de la revisión por expertos de los estudios positivos o no interpretables (10% de todos los estudios).
En comparación con la clasificación solo con IA, la estrategia híbrida redujo las derivaciones de falsos positivos de 44 a 4, pero introdujo 4 clasificaciones falsas negativas adicionales durante la revisión de expertos. En total, se omitieron 7 de 48 pacientes con estenosis aórtica moderada o grave.
Los análisis de sensibilidad no mostraron diferencias significativas en la precisión diagnóstica entre pacientes con y sin valvulopatía concomitante, entre morfología valvular bicúspide y tricúspide, y entre pacientes menores de 75 años y mayores de 75 años.
En un subestudio exploratorio anidado, 91 participantes se sometieron a ecografía FoCUS guiada por IA repetida el mismo día; las clasificaciones de cribado fueron concordantes en los 91 exámenes.

DISCUSIÓN

En esta evaluación multietapa que abarcó cohortes de ecocardiografía transtorácica convencional, estudios portátiles realizados por ecografistas y exámenes prospectivos de ecografía FoCUS guiada por IA realizados por principiantes, un modelo de aprendizaje profundo aplicado a videoclips de ultrasonido bidimensionales identificó con precisión a los pacientes con estenosis aórtica moderada o grave. El rendimiento se mantuvo sólido en cohortes internas, geográficamente distintas y de ultrasonido portátil. En la cohorte prospectiva, los operadores principiantes realizaron exámenes adecuados para el análisis automatizado en la mayoría de los participantes. Un flujo de trabajo de dos pasos, en el que solo los estudios con resultados positivos por IA o no interpretables (aproximadamente el 10 % de los exámenes) fueron revisados ​​por expertos, aumentó el valor predictivo positivo al 91 % y resultó en la derivación de menos del 5 % de los participantes para una ecocardiografía transtorácica (ETT) completa. Estos hallazgos respaldan la adquisición guiada por IA con interpretación automatizada para extender la detección de cardiopatías estructurales más allá del laboratorio de ecocardiografía.
La detección automatizada de estenosis aórtica (EA) mediante aprendizaje automático se ha explorado cada vez más en ecocardiografía. Estudios previos han demostrado que el aprendizaje profundo puede identificar EA clínicamente significativa a partir de ETT adquiridas por expertos, incluyendo enfoques independientes del Doppler y modelos que incorporan múltiples vistas ecocardiográficas.
Estos estudios establecieron la viabilidad de la detección de EA mediante IA. Dos características distinguen el enfoque actual:
* En primer lugar, el modelo acepta múltiples vistas ecocardiográficas estándar en lugar de depender de una sola ventana de imagen, lo que puede mejorar la robustez cuando la adquisición de imágenes es variable.
* En segundo lugar, se basa exclusivamente en imágenes bidimensionales sin requerir Doppler espectral o color, lo que simplifica la adquisición y reduce la experiencia técnica necesaria. Estas características hacen que el método sea especialmente adecuado para la ecografía portátil.
A diferencia de estudios previos que evaluaron principalmente conjuntos de datos retrospectivos de exámenes realizados por expertos, nosotros evaluamos prospectivamente la ecografía FoCUS portátil guiada por IA, realizada por operadores sin experiencia clínica ni ecográfica previa, para la evaluación asistida por IA de la estenosis aórtica moderada o grave. La validación con respecto a un examen ecocardiográfico Doppler completo interpretado de forma independiente es un paso importante antes de la evaluación en un programa de pruebas poblacionales.
Los participantes fueron reclutados de una población remitida para ecocardiografía clínica, en lugar de una cohorte de cribado no seleccionada. No obstante, la prevalencia de estenosis aórtica moderada o grave fue del 3,7 %, similar a la reportada en un estudio comunitario de adultos que podrían representar una población objetivo para futuras iniciativas de cribado.
El objetivo de este enfoque es la clasificación inicial de los pacientes, más que el diagnóstico definitivo. No pretende sustituir la exploración física ni la ecocardiografía completa, sino proporcionar una evaluación objetiva basada en imágenes que identifique a las personas que deben someterse a una ecocardiografía Doppler completa. El modelo no mide directamente la hemodinámica valvular ni determina la gravedad de la estenosis aórtica (EA); en su lugar, identifica un fenotipo morfológico bidimensional asociado a una EA moderada o grave. Los resultados positivos requieren una ecocardiografía Doppler completa para su confirmación. Al basarse únicamente en breves secuencias de vídeo en modo B, el flujo de trabajo permite la adquisición de imágenes por operadores no expertos, preservando la ecocardiografía transtorácica completa para pacientes con mayor probabilidad de padecer la enfermedad.
El estudio proporciona evidencia prospectiva que respalda la detección de EA mediante FoCUS guiada por IA por parte de operadores noveles. Estos hallazgos confirman que las personas con una formación mínima pueden obtener imágenes cardíacas interpretables con el apoyo de herramientas de adquisición guiada22-24 y demuestran que dichas imágenes son adecuadas para la evaluación automatizada de la EA. La adquisición e interpretación guiadas por IA no eliminan la dependencia del operador, pero reducen la experiencia necesaria para obtener imágenes con utilidad diagnóstica. La calidad de la imagen sigue siendo el principal determinante del rendimiento, mientras que el algoritmo realiza la mayor parte de la revisión inicial y limita la necesidad de interpretación experta. Este flujo de trabajo tiene como objetivo estratificar a los pacientes según la probabilidad de estenosis aórtica moderada o grave, no confirmar su presencia ni su gravedad.
El flujo de trabajo requeriría la revisión médica de solo el 10 % de las exploraciones con AI-FoCUS y limitaría la derivación a ecocardiografía transtorácica a solo el 4,8 % de los pacientes. El pequeño número de casos no detectados debe interpretarse en el contexto de una estrategia de cribado cuyo propósito es identificar de forma eficiente a los pacientes que requieren una ecocardiografía Doppler completa definitiva, en lugar de sustituir la evaluación diagnóstica experta. La ecocardiografía Doppler completa sigue siendo el estándar de referencia para la evaluación definitiva.
La prevalencia de estenosis aórtica moderada o grave en la cohorte prospectiva fue del 3,7 %, en consonancia con las estimaciones epidemiológicas actuales en adultos mayores que viven en la comunidad. En este contexto de baja prevalencia, la IA por sí sola alcanzó un valor predictivo positivo del 49 %, que aumentó al 91 % con el flujo de trabajo propuesto de dos pasos, que incorpora la revisión por expertos de los exámenes de FoCUS con IA positivos y no interpretables, utilizando únicamente imágenes bidimensionales. Si bien la cohorte de desarrollo se enriqueció intencionalmente con estenosis aórtica moderada o grave para apoyar el entrenamiento del modelo, el umbral de decisión se preespecificó utilizando la cohorte de validación interna y se aplicó sin cambios en todas las cohortes de validación y prospectivas, con una discriminación consistentemente sólida.
Nuestros hallazgos complementan trabajos previos que utilizan electrocardiografía basada en IA para identificar la estenosis aórtica. Aunque la electrocardiografía basada en IA es una herramienta de preselección poblacional de bajo costo, su modesta precisión limita su valor en poblaciones de baja prevalencia. Una estrategia secuencial en la que la electrocardiografía basada en IA sirva como preselección inicial, seguida de FoCUS asistida por IA, podría mejorar la eficiencia y reducir las derivaciones innecesarias para ecocardiografía transtorácica completa.
La EA puede ser particularmente adecuada para una estrategia de cribado basada en la morfología porque es común, progresiva, frecuentemente infradiagnosticada y se caracteriza predominantemente por engrosamiento de las valvas, fibrosis y calcificación.25,27-30 El flujo de trabajo actual requiere solo una breve adquisición de varias vistas bidimensionales y una revisión selectiva por parte de expertos. Sin embargo, un examen específico de la enfermedad puede ser menos eficiente que un enfoque de cribado cardíaco multipatológico. El mismo examen FoCUS adquirido por un principiante puede, en última instancia, ayudar a detectar anomalías estructurales adicionales, y los estudios futuros deberían determinar si una interpretación automatizada más amplia mejora el rendimiento clínico y la rentabilidad.
El flujo de trabajo propuesto es una estrategia de triaje, no un sustituto de la interpretación experta. La función principal del sistema de IA es identificar exámenes que probablemente sean normales, derivando un subconjunto relativamente pequeño de estudios positivos para IA o no interpretables para su revisión por expertos. En esta cohorte, este enfoque limitó la revisión médica a aproximadamente el 10 % de los estudios, aumentando sustancialmente el valor predictivo positivo y manteniendo un valor predictivo negativo muy alto.
Este marco puede resultar especialmente atractivo en entornos con recursos limitados, donde la capacidad de interpretación de ecocardiografía por expertos es reducida.

Limitaciones
Varias limitaciones merecen ser consideradas.
* En primer lugar, si bien el rendimiento del modelo fue sólido en instituciones geográficamente distintas dentro de un mismo sistema de salud y se tradujo en imágenes obtenidas con dispositivos portátiles, incluyendo estudios adquiridos por principiantes, se requiere una validación prospectiva en sistemas de salud independientes, proveedores de ultrasonido y protocolos de adquisición heterogéneos.
* En segundo lugar, los participantes fueron reclutados de una población de ecocardiografía remitida clínicamente, en lugar de una población de cribado no seleccionada, y no se disponía de información sobre su estado sintomático.
* En tercer lugar, si bien este estudio demostró precisión diagnóstica y viabilidad operativa, sus efectos sobre los patrones de derivación, la utilización de recursos y los resultados de los pacientes siguen siendo desconocidos.
* En cuarto lugar, la ecocardiografía transtorácica Doppler completa, interpretada según la práctica clínica estándar, sirvió como estándar de referencia. En pacientes seleccionados con hallazgos discordantes, podrían ser necesarias pruebas adicionales, como ecocardiografía de estrés, puntuación de calcio mediante tomografía computarizada o evaluación hemodinámica invasiva.
* En quinto lugar, la causa subyacente de la estenosis aórtica (EA) puede influir en su apariencia bidimensional. Las cohortes de desarrollo y validación reflejaron predominantemente valvulopatía calcificada y fibrótica.
Aunque el rendimiento fue consistente en la morfología de las válvulas bicúspides y tricúspides, así como en los diferentes grupos de edad, se necesita una mayor validación en poblaciones con etiologías menos comunes, como la valvulopatía reumática.

CONCLUSIONES

En conclusión, la ecografía cardíaca focalizada bidimensional asistida por IA detectó con precisión la EA moderada o grave en diversos entornos de adquisición y con distintos niveles de experiencia del operador, incluyendo la ecografía cardíaca focalizada bidimensional guiada por IA realizada por personal principiante en el punto de atención. La validación prospectiva en una cohorte de pacientes remitidos clínicamente con una prevalencia de enfermedad relativamente baja, junto con la demostración tanto de la adquisición de imágenes guiada como de la interpretación automatizada, respalda una evaluación más exhaustiva de este enfoque como una estrategia de triaje escalable, y posiblemente incluso como una estrategia de cribado, en la atención primaria, la comunidad y entornos con recursos limitados.