1. INTRODUCCIÓN
La aplicación de la IA en la evaluación de imágenes médicas ha mejorado significativamente la precisión del diagnóstico, ha reducido la carga de trabajo de los médicos’ y ha minimizado los errores de diagnóstico, mejorando así la predicción y detección de enfermedades [1]. Los sistemas de IA funcionan de forma inteligente y autónoma, lo que les permite anticipar y abordar los desafíos a medida que surgen [2]. Su fortaleza radica en su capacidad para analizar vastos conjuntos de datos multidimensionales y extraer patrones que puedan respaldar la toma de decisiones clínicas precisas. Además, los modelos de IA son dinámicos, capaces de adaptarse a nuevas entradas y refinar continuamente su rendimiento [3].
El aprendizaje automático (ML), un subcampo crucial de la IA, ha transformado la atención médica al facilitar el diagnóstico de enfermedades, el descubrimiento de fármacos y la evaluación de riesgos. Los recientes avances en big data y registros médicos electrónicos han fortalecido aún más las aplicaciones de ML [4]. Las redes neuronales y los algoritmos de lógica difusa desempeñan un papel fundamental en la automatización del análisis predictivo y los procesos de diagnóstico [5].
En dermatología, la IA es particularmente valiosa debido a la dependencia del campo del reconocimiento de patrones morfológicos y visuales. La IA puede aprovechar extensas bases de datos de imágenes clínicas, dermatoscópicas e histopatológicas para mejorar la precisión del diagnóstico [6, 7]. Las herramientas basadas en IA han demostrado eficacia en la detección temprana de neoplasias malignas de la piel, dermatosis inflamatorias, trastornos pigmentarios y anomalías del cabello, aumentando así las capacidades de diagnóstico de los dermatólogos [8].
Una de esas herramientas de inteligencia artificial, Tibot, proporciona evaluaciones dermatológicas mediante el análisis de imágenes cargadas y datos clínicos relevantes. Sin embargo, siguen siendo esenciales estudios que evalúen su precisión diagnóstica en comparación con los dermatólogos [9]. La demanda de diagnóstico automatizado impulsado por IA está aumentando debido a la variabilidad en las presentaciones dermatológicas, el acceso desigual a especialistas y la necesidad de un diagnóstico oportuno y preciso [10].
2. MÉTODOS
Se realizó un estudio transversal en el Departamento de Dermatología, Andrología y ETS de los Hospitales Universitarios de Mansoura, Egipto, de noviembre de 2023 a noviembre de 2024 para evaluar la previsibilidad de la inteligencia artificial en el diagnóstico dermatológico. La aprobación ética fue proporcionada por la Junta de Revisión Institucional del comité de ética de investigación médica de la Universidad Mansoura, Egipto, con el código de aceptación MS:23.12.2668. Todos los pacientes dieron su consentimiento informado para participar.
En el estudio participaron 400 pacientes con acné, rosácea, alopecia, tumores, eczema, trastornos inmunológicos de la piel, trastornos pigmentarios, psoriasis e infecciones (bacterianas, fúngicas, virales e infestaciones). Los criterios de exclusión incluyeron tratamiento dermatológico previo o negativa a dar su consentimiento para el uso de imágenes.
La recopilación de datos implicó evaluación clínica, dermatoscopia (utilizando un Dermlite DL5) y evaluaciones de laboratorio o histopatológicas cuando fue necesario. Las imágenes de las lesiones se capturaron utilizando un iPhone 15 Pro Max bajo iluminación controlada. Dos dermatólogos revisaron los diagnósticos antes de cargar las imágenes en Tibot AI, lo que generó tres diagnósticos probabilísticos principales por caso. En la figura se muestra un resumen de la metodología S1.
El rendimiento diagnóstico de la aplicación Tibot AI se evaluó estadísticamente utilizando sensibilidad, especificidad, valores predictivos, característica operativa del receptor (ROC) y área bajo la curva (AUC). Los diagnósticos de Tibot se compararon con los diagnósticos confirmados por dermatólogos para evaluar la precisión de la IA.
3. RESULTADOS
Este estudio incluyó a 400 pacientes que asistían al Departamento de Dermatología, Andrología y ETS de los Hospitales Universitarios de Mansoura. La mediana de edad fue de 33 años (rango: 0,5 – 79 años), con 56,3% hombres y 43,8% mujeres. La mayoría de los participantes (42,5%) tenían entre 20 y 40 años, seguidos por el 26,8% en el grupo de edad de 40 a 60 años.
La categoría más prevalente de afecciones de la piel fueron las infecciones e infestaciones cutáneas (26,0%), seguidas de los trastornos inflamatorios (25,8%), los trastornos anexiales (16,8%), los tumores cutáneos (15,3%), los trastornos pigmentarios (8,3%) y los trastornos inmunológicos de la piel (8,0%). Entre las infecciones cutáneas, las infecciones bacterianas representaron el 5,5% de las infecciones virales, el 9,3% de las infecciones fúngicas y el 9,0% de las infestaciones de la piel
El rendimiento diagnóstico de la aplicación de IA para identificar diversas afecciones de la piel se describe a continuación. Para las infecciones bacterianas, la sensibilidad es del 36,4% en la predicción principal, aumentando al 72,7% en las tres principales, con una especificidad del 99,5% y una precisión general del 96%. En las infecciones virales, la sensibilidad aumenta del 67,6% en las tres principales al 86,5% en las tres principales, mientras que la especificidad es del 95,3% y la precisión total alcanza el 92,8%. Las infecciones por hongos muestran una sensibilidad del 58,3% en la predicción principal, mejorando al 69,4% en las tres principales, con una especificidad del 93,7% y una precisión general del 90,5% Tabla 1.
En el caso de las infestaciones de la piel, la sensibilidad sigue siendo baja, del 22,2 %, tanto para las predicciones principales como para las tres principales; sin embargo, la especificidad es alta, del 99 %, con una precisión general del 97,3 %. En el diagnóstico de tumores benignos, la sensibilidad aumenta del 79,1% en el primero al 95,3% en los tres primeros, con una especificidad del 95,5% y una precisión global del 93,8%. Los tumores malignos (sospechosos) demuestran una sensibilidad del 77,8% en los tres primeros, mejorando al 88,9% en los tres primeros, con una especificidad del 99,2% y una precisión general del 98,3%.
Para los trastornos pigmentarios, la sensibilidad es del 75,8% en el primero, aumentando al 87,9% en los tres primeros, con una especificidad del 99,2% y una precisión total del 97,3%. Los trastornos inmunológicos de la piel tienen una sensibilidad del 31,3% en la predicción principal, aumentando al 56,3% en las tres principales, con una especificidad del 97% y una precisión general del 91,8%. La sensibilidad a la psoriasis mejora del 69% en el primero al 84,5% en los tres primeros, con una especificidad del 97,1% y una precisión del 93,3%.
Tabla 1. Sensibilidad, especificidad, valor predictivo positivo, valor predictivo negativo y precisión total del software de inteligencia artificial para el diagnóstico de diversas dermatosis en el grupo de estudio (N=400).
PPV: valor predictivo positivo. VPN: valor predictivo negativo.
En el caso del eczema, la sensibilidad aumenta del 62,2% en el primer grupo al 86,7% en los tres primeros, con una especificidad del 91% y una precisión general del 87,8%. Tanto el acné/rosácea como la alopecia exhiben una alta sensibilidad, comenzando en el 88,9% en el primero y mejorando al 94,4% en los tres primeros, con valores de especificidad del 97,5% y precisiones generales del 96,8% para ambas afecciones (Tablas 1 y 2).
El área bajo la curva (AUC) fue la más alta para los trastornos anexiales (0,930,98), seguida de los tumores cutáneos benignos (AUC: 0,87–0,95) y los trastornos pigmentarios (AUC: 0,88–0,94), lo que indica una alta capacidad diagnóstica. Los valores fueron los más bajos para los trastornos inmunológicos (AUC = 0,64–0,77) (Tabla 2 y la Fig. 1).
Fig. (1). Curvas ROC para software de inteligencia artificial para el diagnóstico de las principales categorías de afecciones de la piel en el grupo de estudio.
La aplicación de Inteligencia Artificial demostró alta sensibilidad y valor predictivo positivo (VPP) (Fig. 2) para trastornos anexiales, particularmente acné y rosácea (sensibilidad 88,9%, VPP 78%) y alopecia (sensibilidad y VPP ambos 90,3%), lo que indica un fuerte rendimiento diagnóstico. De manera similar, la IA mostró una buena sensibilidad para la psoriasis (69%) y los tumores sospechosos (77,8%), con VPP altos del 80% y 82,4%, respectivamente.
Tabla 2. Característica operativa del receptor (ROC) para software de inteligencia artificial para el diagnóstico de las principales categorías de afecciones de la piel en el grupo de estudio (N=400).
PPV: valor predictivo positivo. VPN: valor predictivo negativo.
Fig. (2).
Matriz de confusión del diagnóstico real versus inteligencia artificial–diagnóstico superior previsto, junto con sensibilidad y valor predictivo positivo para afecciones cutáneas individuales. Las células de color azul oscuro representan verdaderos positivos.
Por el contrario, las infecciones bacterianas tuvieron una sensibilidad baja del 36,4% pero un VPP alto del 80%, lo que sugiere que, si bien la IA identifica correctamente los casos positivos, con frecuencia pasa por alto las infecciones verdaderas. El eczema (sensibilidad 62,2%, VPP 46,7%) y las infecciones fúngicas (sensibilidad 58,3%, VPP 47,7%) tuvieron VPP relativamente bajos, lo que indica un mayor número de resultados falsos positivos. Los trastornos inmunológicos de la piel tuvieron las sensibilidades más bajas (31,3%) y un VPP del 47,6%, lo que refleja dificultades en la identificación basada en IA.
Las infestaciones cutáneas tuvieron el desempeño más débil, con una sensibilidad del 22,2% y un VPP del 33,3%, lo que resalta la necesidad de mejoras en los algoritmos para detectar estas condiciones. Los trastornos pigmentarios fueron bien identificados (sensibilidad 75,8%, VPP 89,3%), mientras que las infecciones virales mostraron un rendimiento moderado (sensibilidad 67,6%, VPP 59,5%).
4. DISCUSIÓN
La inteligencia artificial está revolucionando la dermatología y la aplicación Tibot mejora la precisión diagnóstica, especialmente para afecciones con características morfológicas distintas. Impulsado por redes neuronales convolucionales (CNN), Tibot analiza imágenes de lesiones cutáneas, proporcionando predicciones que se alinean estrechamente con las evaluaciones clínicas, lo que lo convierte en una herramienta valiosa en la práctica dermatológica [11].
En este estudio, la mediana de edad fue de 33 años (0,5–79), con un 42,5% de 20-40 años y un 26,8% de 40-60 años, mostrando un ligero predominio masculino (56,3% hombres, 43,8% mujeres).
Las infecciones son comunes entre los 20 y 40 años, mientras que la sarna afecta a todas las edades [12]. Los tumores benignos alcanzan su punto máximo entre los 40 y 60 años, los melanomas aumentan con la edad, especialmente en los hombres [13, 14]. El melasma es más frecuente en mujeres de 20 a 40 años, mientras que el vitíligo puede presentarse a cualquier edad [15]. El lupus y el pénfigo son los más comunes en mujeres de 20 a 60 años [16]. La psoriasis, el eczema, el acné y la rosácea alcanzan su punto máximo en la edad adulta temprana, mientras que la alopecia y la calvicie de patrón masculino aumentan con la edad [17-19]. Estas tendencias se alinean con nuestro estudio. En general, la edad y el predominio masculino de nuestro grupo de estudio se alinean con las condiciones comunes en adultos de 20 a 60 años.
En este estudio actual, las infecciones e infestaciones cutáneas constituyen el grupo más grande (26,0%), siendo las infecciones virales (9,3%) y fúngicas (9,0%) las más comunes, lo que subraya la necesidad de iniciativas de salud pública dirigidas a estos temas. Los trastornos inflamatorios, incluida la psoriasis (14,5%) y el eczema (11,3%), representan el 25,8%, lo que pone de relieve la carga de enfermedades crónicas que requieren un tratamiento a largo plazo. Los trastornos anexiales, como el acné y la rosácea (9,0%) y la alopecia (7,8%), representan en conjunto el 16,8%, lo que refleja el impacto de factores hormonales y ambientales.
Los tumores cutáneos también son significativos en el presente estudio, siendo los tumores benignos (10,8%) más prevalentes que los malignos sospechosos (4,5%), lo que enfatiza la importancia de la detección y el cribado tempranos. Además, los trastornos pigmentarios (8,3%) y las afecciones inmunológicas de la piel (8,0%) resaltan diversos desafíos dermatológicos, lo que sugiere la necesidad de atención especializada en todas las categorías.
La aplicación Tibot AI demostró una gran precisión diagnóstica, particularmente para trastornos anexiales como acné/rosácea y alopecia (AUC: 0,93–0,98). También tuvo un excelente desempeño en la identificación de tumores cutáneos (AUC: 0,87–0,95) y mostró una alta confiabilidad diagnóstica para trastornos pigmentarios (AUC: 0,88–0,94) y afecciones inflamatorias como psoriasis y eczema (AUC: 0,77–0,91) (Tabla 2, Fig. 1).
Sin embargo, el modelo funcionó de manera menos confiable para infestaciones de la piel (AUC = 0,61) y trastornos inmunológicos (AUC = 0,64–0,77), posiblemente debido a características clínicas superpuestas o representación limitada en el conjunto de datos de entrenamiento.
En particular, la precisión mejorada en todas las categorías con las tres predicciones principales resalta el potencial de la aplicación en el diagnóstico diferencial. Por ejemplo, las infecciones bacterianas mostraron un aumento significativo en el AUC de 0,68 (IC del 95%: 0,54–0,82) (el primero) a 0,86 (IC del 95%: 0,75–0,97) (los tres primeros), lo que demuestra su capacidad para capturar un espectro diagnóstico más amplio con mayor flexibilidad.
En general, la aplicación Tibot AI demostró una alta precisión diagnóstica para distintas afecciones de la piel, como trastornos anexiales y tumores cutáneos (AUC > 0,90 para las predicciones top uno y top tres), mientras que los trastornos inmunológicos y las infestaciones de la piel tuvieron una precisión comparativamente menor.
En este estudio, el software de inteligencia artificial demostró un sólido rendimiento diagnóstico, particularmente para trastornos anexiales (acné, rosácea, alopecia) y tumores cutáneos. Las sensibilidades para las predicciones top uno y top tres fueron del 88,9% y 90,3% para los trastornos anexiales y del 79,1% y 77,8% para los tumores, con altas especificidades (94,4%–96,8% para los trastornos anexiales y 95,3%–88,9% para los tumores). Los trastornos pigmentarios también mostraron una alta precisión (97,8%–97,3%). Sin embargo, una menor sensibilidad y valores predictivos positivos de trastornos inmunológicos e infecciones cutáneas sugieren áreas de mejora. En general, el software demostró una alta precisión, lo que refuerza su potencial como herramienta de diagnóstico confiable para la dermatología.
La matriz de confusión reveló información valiosa sobre el rendimiento del modelo de IA en diferentes condiciones de la piel. Los trastornos anexiales tuvieron la mayor sensibilidad (89,6%) y un fuerte valor predictivo positivo (VPP) (83,3%), lo que destaca la sólida capacidad de la IA para diagnosticar el acné y la alopecia. De igual forma, los tumores cutáneos mostraron un buen desempeño diagnóstico, con una sensibilidad del 82% y un VPP del 74,6%, demostrando efectividad en la detección de crecimientos tanto benignos como malignos.
Los trastornos pigmentarios tuvieron un VPP alto (89,3%), lo que indica una identificación precisa cuando lo predice la IA, aunque la sensibilidad fue menor, del 75,8%. Los trastornos inflamatorios y las infecciones cutáneas mostraron una sensibilidad moderada (70,9% y 66,3%, respectivamente) con VPP del 66,4% y 67,6%, lo que sugiere margen de mejora. Los trastornos inmunológicos de la piel tuvieron la sensibilidad más baja (31,3%) y el VPP (47,6%), lo que destaca una limitación clave. En general, si bien la IA demuestra un fuerte potencial de diagnóstico para muchas afecciones de la piel, se necesita un mayor refinamiento y datos adicionales para mejorar su precisión, particularmente para casos menos prevalentes o complejos.
Un estudio de Marri et al. La evaluación de la precisión diagnóstica de Tibot AI informó un rendimiento casi perfecto para los trastornos anexiales, con precisiones de predicción de los tres primeros del 98,6 % (acné/rosácea) y 100 % (alopecia), y precisiones de los primeros del 91,7 % y 97,7 %, respectivamente [20]. Los tumores sospechosos también mostraron una gran precisión (100% para las predicciones de los tres primeros y 81,8% para las de los primeros). El eczema y los trastornos pigmentarios tuvieron altas precisiones entre los tres primeros (100% y 98,8%), aunque sus predicciones entre los primeros fueron más bajas (75% y 88,5%). Las infecciones bacterianas y fúngicas tuvieron precisiones entre las tres primeras del 83,3% y el 96,5%, pero valores entre las primeras más bajos (50% y 82,9%). Las infecciones virales y los trastornos inmunológicos mostraron un desempeño moderado, con precisiones entre los tres primeros del 94,5% y el 95%, y valores entre los primeros del 63% y el 75%. La psoriasis y las infestaciones de la piel tuvieron las precisiones más bajas (70,2% y 68,7%), aunque sus tres predicciones más altas fueron más altas (91,4% y 93,7%) [20].
Además, Marri et al. informó que Tibot AI demostró un rendimiento diagnóstico variado en diferentes afecciones de la piel. El software mostró una fuerte sensibilidad al eczema (91,66%) y a las infecciones fúngicas (96,85%), lo que indica una alta capacidad de detección de estas afecciones. La alopecia logró una sensibilidad perfecta (100%) y un valor predictivo positivo (VPP) (100%), lo que refleja una precisión diagnóstica excepcional. Sin embargo, las infecciones virales tuvieron la sensibilidad más baja, con un 26,66%, lo que resalta las posibles limitaciones para detectar con precisión estas afecciones. En general, Tibot mostró una alta sensibilidad y VPP para muchos trastornos comunes de la piel, aunque el rendimiento varió para afecciones más complejas o menos distintas, como trastornos inmunológicos e infecciones virales [20].
Los resultados de Marri et al. son ampliamente consistentes con nuestros hallazgos con respecto a las condiciones con mayor y menor precisión de predicción. Sin embargo, su estudio informó valores de precisión más altos en general [20]. Estas discrepancias pueden atribuirse a diferencias en el diseño del estudio, el tamaño de la muestra y sesgos inherentes. La dependencia de nuestro estudio de diagnósticos clínicos confirmados por tres dermatólogos diferentes minimiza la probabilidad de clasificación errónea, mejorando así su aplicabilidad en el mundo real. Además, el mayor tamaño de la muestra en el estudio de Marri et al. (en 600 imágenes clínicas frente a 400 pacientes en nuestro estudio) puede haber contribuido a los mayores valores de precisión observados.
En un estudio de Patil et al., el software de inteligencia artificial Tibot demostró un rendimiento diagnóstico variado en diferentes afecciones de la piel. Mostró una sensibilidad particularmente fuerte al eczema (91,66%) y a las infecciones fúngicas (96,85%), lo que indica una alta capacidad para detectar estas afecciones. La alopecia logró una sensibilidad perfecta (100%) y un valor predictivo positivo (VPP) del 100%, lo que sugiere una precisión excepcional en el diagnóstico de esta afección. Por el contrario, las infecciones virales tuvieron la sensibilidad más baja, con un 26,66%, lo que refleja limitaciones para detectar estos casos con precisión. El VPP fue generalmente alto para afecciones como alopecia (100%), eczema (94,3%) e infestaciones (94,44%), lo que indica que cuando Tibot predijo un resultado positivo, era más probable que fuera correcto. Sin embargo, los trastornos inmunológicos mostraron un VPP menor del 42,10%,destacando los desafíos para diagnosticar con precisión estas afecciones [9].
En general, Tibot demostró una alta sensibilidad y VPP para muchas afecciones cutáneas comunes y distintas, aunque hubo variabilidad en el rendimiento para diagnósticos más complejos o menos distintos, como trastornos inmunológicos e infecciones virales [9]. En particular, el estudio de Patil et al. fue patrocinado y apoyado por Polyfins Technology Inc., la empresa que desarrolla Tibot, introduciendo un posible sesgo de conflicto de intereses que puede haber influido en los resultados informados [9].
Un estudio reciente que evaluó la sensibilidad diagnóstica de un modelo de aprendizaje automático en dermatología en 100 casos encontró que su precisión superior (39%) era menor que la de los médicos generales (64%) y los dermatólogos (72%). El modelo tuvo el mejor desempeño en la detección de lesiones benignas (con una sensibilidad del 96% en Top-5), tumores malignos (83,5%) y enfermedades infecciosas (75%). A diferencia de nuestro estudio, esta investigación se centró en comparar la precisión de la IA con la del diagnóstico humano [21].
Un estudio reciente utilizó un modelo de aprendizaje automático (ML) para analizar imágenes de 100 casos clínicos con el fin de evaluar su sensibilidad en el diagnóstico de diversas afecciones dermatológicas. Se comparó el rendimiento del modelo ML con el de los médicos generales y dermatólogos en términos de precisión diagnóstica y se encontró que la precisión superior del modelo ML (39%) era menor que la de los médicos de cabecera (64%) y los dermatólogos (72%). La sensibilidad diagnóstica de las lesiones benignas fue la más alta, con un 96%, como los 5 principales diagnósticos predecibles, seguida por una sensibilidad del 83,5% en la detección de tumores malignos de la piel. Para las enfermedades infecciosas, la sensibilidad del modelo en el Top-5 fue del 75% [21]. A diferencia de nuestro estudio, esta investigación se centró en comparar la precisión de la IA con la del diagnóstico humano.
Los modelos de IA basados en redes neuronales convolucionales muestran un gran potencial en el diagnóstico dermatológico. Wu et al. informó una alta precisión para el eczema (92,57%) y la psoriasis (89,46%), superando a Tibot, que tenía sensibilidades top-1 más bajas (62,2% y 69%, respectivamente) [22]. Fujisawa et al., logró una precisión del 76,5% en la clasificación de tumores benignos y malignos, mientras que Tibot se destacó en la predicción de tumores malignos (con una precisión del 98,3% y una sensibilidad del 77,8%) [23].
5. LIMITACIONES
- El estudio se realizó en un único centro de atención terciaria, limitar la diversidad demográfica y geográfica de la muestra.
- Ciertas afecciones subrepresentadas, en particular las dermatosis inmunológicas e infecciosas, mostraron una sensibilidad diagnóstica reducida, lo que podría deberse a conjuntos de datos de entrenamiento insuficientes.
- El diseño transversal no permitió evaluar cómo funciona la IA a lo largo del tiempo ni cómo se adapta a los cambios clínicos durante la progresión o el tratamiento de la enfermedad.
SUGERENCIAS PARA FUTURAS INVESTIGACIONES
- Se deben realizar estudios multicéntricos que involucren poblaciones étnica y geográficamente diversas para mejorar la generalización.
- Es necesario implementar diseños longitudinales para evaluar la coherencia de los diagnósticos de IA a lo largo del tiempo y en todas las etapas del tratamiento.
- Se deben integrar metadatos clínicos y entrenamiento con IA para mejorar la precisión diagnóstica de los trastornos inmunológicos y los casos de infestación de la piel.
- Se deberían reclutar más poblaciones pediátricas y de edad avanzada para probar el rendimiento de la IA en un espectro de edad más amplio.
CONCLUSIÓN
La aplicación Tibot AI demostró una alta precisión en el diagnóstico de trastornos anexiales, tumores cutáneos y trastornos pigmentarios, pero funcionó de manera menos confiable en caso de trastornos inmunológicos e infestaciones de la piel. Su sensibilidad mejoró con las tres predicciones principales, lo que resalta su potencial como ayuda de diagnóstico en lugar de una herramienta independiente. Mejorar el entrenamiento de IA con diversos conjuntos de datos podría mejorar el rendimiento, especialmente para condiciones con características superpuestas. Integrar la IA con la experiencia clínica es esencial para optimizar el diagnóstico dermatológico y la atención al paciente.
AUTORES’ CONTRIBUCIONES
Los autores confirman su contribución al artículo de la siguiente manera: MH: Redacción - revisión y edición; AK: Validación; DAE: Análisis e interpretación de resultados; SF: Revisión, metodología;. Todos los autores revisaron los resultados y aprobaron la versión final del manuscrito.
LISTA DE ABREVIATURAS
| IA | = Inteligencia artificial |
| ML | = Aprendizaje automático |
| AUC | = Área bajo la curva |
| ROC | = Característica operativa del receptor |
APROBACIÓN ÉTICA Y CONSENTIMIENTO PARA PARTICIPAR
La aprobación ética fue proporcionada por la Junta de Revisión Institucional del comité de ética de investigación médica de la Universidad Mansoura, Egipto, código de aceptación no. MS:23.12.2668.
DERECHOS HUMANOS Y ANIMALES
No se utilizaron animales en esta investigación. Todos los procedimientos realizados en estudios con participantes humanos se realizaron de acuerdo con los estándares éticos del comité institucional y/o de investigación y con la Declaración de Helsinki de 1975, revisada en 2013.
CONSENTIMIENTO PARA LA PUBLICACIÓN
Todos los pacientes dieron su consentimiento informado para participar.
ESTÁNDARES DE PRESENTACIÓN DE INFORMES
Se siguieron las pautas STROBE.
DISPONIBILIDAD DE DATOS Y MATERIAL
Los datos que respaldan las conclusiones del artículo están disponibles en el artículo.
FINANCIACIÓN
Ninguno.
CONFLICTO DE INTERESES
Los autores declaran no tener ningún conflicto de intereses, financieros o de otro tipo.
AGRADECIMIENTOS
Declaró ninguno.
MATERIAL COMPLEMENTARIO
El material complementario está disponible en el sitio web del editor junto con el artículo publicado.
Aviso de derechos y atribución:
Parte del contenido publicado en este blog proviene de artículos científicos de acceso abierto distribuidos bajo licencias Creative Commons. Los derechos de autor pertenecen a los autores originales y a las revistas donde se publicaron originalmente.
Este blog no modifica ni comercializa dicho contenido y se limita a compartirlo con fines informativos y educativos, respetando los términos de la licencia correspondiente (por ejemplo, CC BY 4.0 o CC BY-NC 4.0).
Para más información sobre los derechos de cada obra, consulta el enlace original de cada artículo.
https://opendermatologyjournal.com/VOLUME/19/ELOCATOR/e18743722410124
DESCARGAR EL ARTICULO ORIGINAL
Publicidad:
Valido del 1 al 31 de octubre del 2025