Introducción:
El hiperparatiroidismo primario es una enfermedad en la que existe una secreción excesiva de hormona paratiroidea. Actualmente se realizan diversos estudios para la búsqueda de adenomas paratiroideos, ya que son la causa más común de hiper- paratiroidismo. En los últimos años se ha desarrollado la técnica de tomografía compu- tarizada en cuatro dimensiones (TC 4D), la cual es más sensible para la detección de patología paratiroidea, pero es poco conocida por los clínicos.

Objetivos:
Describir la técnica de la TC 4D, los principales hallazgos por este método de imagen, el enfoque de la interpretación, así como la experiencia de nuestro hospital.

Material y métodos:
Se realizan tres fases de tomografía computarizada, que abarcan los principales sitios en donde pueden visualizarse las glándulas paratiroides eutópicas y ectópicas. Este es un método que empleamos en el Centro Médico ABC, es muy seguro y permite realizar el diagnóstico diferencial. Se estudiaron 15 pacientes referidos al servicio para realizar el estudio de hiperparatiroidismo primario, como el único o uno de los estudios comple- mentarios para la detección de alguna anormalidad paratiroidea, principalmente descar- tar un adenoma paratiroideo. Se excluyeron 3 pacientes con el expediente incompleto.
Resultados:
Se obtuvieron en diferentes modalidades de imagen y se correlacionaron con lo obtenido en el estudio histopatológico posterior a la cirugía.

Discusión:
En este estudio se demostró que la TC 4D es superior al ultrasonido y la SPECT-CT para la detección de adenomas paratiroideos. Este resultado correlaciona con lo reportado en la literatura.

Palabras Clave:
Tomografía computada 4D. SPECT-CT. Adenoma paratiroideo. Hiperpa- ratiroidismo primario.

Introduction:
Artificial intelligence (AI) systems for diagnosing SARS-CoV-2 pneumonia with chest CT require external validation. In this study, we used the CORADS-AI and the objectives were to 1) determine and compare the diagnostic accuracy of CORADS-AI on chest CT versus two radiologists for diagnosing SARS-CoV-2 pneumonia, and 2) define the interobserver agreement for CO-RADS and the CT Severity Score (CTSS).

Material and methods:
This study was a retrospective cohort of patients with clinical or imaging suspicion of SARS-CoV-2 pneumonia. Molecular testing was performed for SARSCoV-2 and/or antibodies. Two radiologists and CORADS-AI interpreted chest CT. Tomographic parameters were categorized as CO-RADS and CTSS. The confirmed diagnosis of COVID-19 was the reference standard for defining sensitivity, specificity, positive predictive value (PPV), negative predictive value (NPV), and likelihood ratio (LH). Interobserver agreement was determined using the weighted kappa index.

Results:
A total of 106 patients were included. SARS-CoV-2 pneumonia was confirmed in 91 cases. The sensitivity of the two human readers and the artificial intelligence system for the diagnosis of SARS-CoV-2 pneumonia with the CO-RADS scale was 87.9%, 86.8%, and 94.5%, respectively; the specificity was 93.3%, 86.7%, and 86.6%, respectively. The weighted mean kappa concordance between readers was 0.63 ± 0.15 for CO-RADS and 0.60 ± 0.001 for CTSS.

Conclusion:
: The diagnostic accuracy of the two radiologists and the artificial intelligence system was comparable for CO-RADS and CTSS in patients with SARS-CoV-2 pneumonia with good interobserver agreement. This study is the first in Mexico to assess the diagnostic performance of radiologists and artificial intelligence software

Key words:
Coronavirus infection. Artificial intelligence system. CO-RADS. COVID-19. CTSS. Computed tomography.