Redes Neuronales Convolucionales para la detección de Bacilos de Koch en el hospital Santa Rosa, 2025

Abstract

La presente investigación tuvo como propósito desarrollar un sistema informático basado en redes neuronales convolucionales para optimizar la detección de bacilos de Koch en el Hospital Santa Rosa. El estudio surge ante la necesidad de mejorar la detección de tuberculosis mediante baciloscopía, procedimiento manual que demanda tiempo y está sujeto a la fatiga visual y variabilidad del laboratorista. La investigación fue de tipo aplicada, con enfoque cuantitativo y diseño transversal. La población y muestra estuvo conformada por 691 imágenes de campos microscópicos digitales, obtenidas de 15 muestras de esputo teñidas mediante la técnica de Ziehl-Neelsen y capturadas con una cámara adaptada a un microscopio óptico. Para el desarrollo del sistema se emplearon las arquitecturas YOLOv8, YOLOv9 y YOLOv11, utilizando Python y SQLite. El análisis estadístico incluyó las pruebas de Shapiro-Wilk y Levene, ANOVA de un factor y prueba post-hoc de Tukey. Los resultados evidenciaron que YOLOv11 obtuvo el mayor desempeño, alcanzando una Precisión Media (AP) de 85.02%, superior a YOLOv8 (81.15%). Asimismo, las pruebas t de Student confirmaron que los tres modelos superaron significativamente el umbral de éxito establecido en 80%. La validación clínica obtuvo una sensibilidad y especificidad del 100%. Se concluye que el sistema desarrollado constituye una herramienta válida y precisa para estandarizar la detección de bacilos de Koch, reducir los tiempos de respuesta y contribuir al fortalecimiento del diagnóstico de tuberculosis.