DystoniaNet, nueva plataforma de IA con 99% de precisión
Conéctate con nosotros

Innovación

DystoniaNet, nueva plataforma de IA con 99% de precisión

La distonía hace parte de los trastornos neurológicos del movimiento. La plataforma DystoniaNet surgió como herramienta para que los especialistas detecten estos casos oportunamente

Publicado

el

DystoniaNet, nueva plataforma de IA con 99% de precisión

La evolución en las técnicas de diagnóstico, cada vez más, se inclinan por el uso de innovadoras tecnologías. Por un lado, se facilita la labor de los médicos y por otro, su aplicación garantiza a los pacientes el conocimiento preciso sobre la patología que lo aqueja y el tratamiento más adecuado para su caso. Entre las innovadoras herramientas, desde el sitio web PNAS se presentó la plataforma DystoniaNet, desarrollada para optimizar los tiempos en la detección de casos de distonía. De acuerdo con información de la Sociedad Española de Neurología (SEN), un 40% de casos se diagnostican erróneamente.

La plataforma fue desarrollada por los Drs. Kristina Simonyan and Davide Valeriani del Hospital Massachusetts Eye and Ear y el centro de innovación del Hospital General de Massachusetts. DystoniaNet funciona con un algoritmo computarizado que detecta un biomarcador asociado a la enfermedad. La información final se obtiene a partir de imágenes cerebrales tomadas en resonancias magnéticas.

“DystoniaNet no se desarrolló para reemplazar a los médicos, sino más bien como una prueba objetiva para reducir el tiempo para corregir el diagnóstico”, mencionó la Dr. Simonyan a la agencia de noticias Reuters Health. En el artículo presentado en PNAS, los investigadores señalaron que, aunque no se conocen biomarcadores específicos para la enfermedad, se logró identificar uno de ellos en el proceso de creación. Para lograrlo, se utilizó información proveniente de resonancias magnéticas estructurales de 521 personas, incluidos 301 pacientes con tres formas de distonía (279 laríngeas, 12 cervicales, 10 blefaroespasmos) y 220 individuos sanos. Del total de datos, un 69% correspondía a población femenina.

Tras el análisis de los escáneres cerebrales, el equipo a cargo logró identificar anomalías en el cuerpo calloso, la radiación talámica, el fascículo fronto-occipital inferior y el giro temporal. Éstas se consideran como los fenómenos asociados al descubierto biomarcador manifestado en pacientes con distonia.

También le puede interesar: SE EXTIENDE MEDIDA DE VIGILANCIA ESPECIAL A EPS CONVIDA, CAPRESOCA Y SAVIA SALUD

¿Cuáles son las ventajas de DystoniaNet?

Para los especialistas que trabajaron en la plataforma, las dificultades para el diagnóstico radican en la ausencia de estándares. A causa de esto, según explica la Dra. Simonyan, los pacientes deben someterse a procedimientos innecesarios, consultas médicas con otros especialistas para descartar otras enfermedades. “Hay una necesidad crítica de desarrollar, validar e incorporar herramientas de prueba objetivas para el diagnóstico de esta condición neurológica, y nuestros resultados muestran que DystoniaNet puede llenar este vacío”, expresó en un comunicado de prensa emitido por el Hospital Mass Eye and Ear.

dystonianet process 1
Imagen del proceso de detección con DystoniaNet. Fuente: Mass Eye and Ear.

DystoniaNet utiliza el aprendizaje profundo, un tipo particular de algoritmo de IA, para analizar datos de resonancias magnéticas individuales e identificar diferencias más sutiles en la estructura del cerebro. La plataforma logra detectar grupos de estructuras anormales en varias regiones cerebrales, asociadas al control del procesamiento y comandos motores. Estos pequeños cambios no pueden verse a simple vista en la resonancia magnética, y los patrones solo son evidentes a través de la capacidad de la plataforma para tomar imágenes 3D del cerebro y hacer zoom en sus detalles microestructurales, se explica en el mismo comunicado.

“Lo importante es que nuestra plataforma fue diseñada para ser eficiente e interpretable para los clínicos, proporcionando el diagnóstico del paciente, la confianza de la IA en ese diagnóstico e información sobre qué estructuras cerebrales son anormales”, menciona el Dr. Valeriani, el segundo autor del estudio.

La tecnología interpreta una resonancia magnética para un biomarcador microestructural en 0,36 segundos. Además de esto, la plataforma ha sido entrenada usando la plataforma de nubes computacionales de Amazon Web Services. De acuerdo con los desarrolladores, esta tecnología puede ser fácilmente traducida al entorno clínico, por ejemplo, al integrarse en un registro médico electrónico o directamente en el software del escáner de resonancia magnética. Si DystoniaNet encuentra una alta probabilidad de distonía en la resonancia magnética, un médico puede utilizar esta información para ayudar a confirmar con confianza el diagnóstico, buscar acciones futuras y sugerir un curso de tratamiento sin demora.

También le puede interesar: INOVIO PHARMACEUTICALS DETIENE LOS ENSAYOS DE SU VACUNA CONTRA EL COVID-19

Innovación

Proponen modelo computacional para estudiar la tuberculosis

El modelo computacional está diseñado para una mayor comprensión de las fases iniciales de infección

Publicado

el

proponen modelo computacional tuberculosis

Recientemente, se presentó en PLOS COMPUTATIONAL BIOLOGY un modelo computacional elaborado por la Unidad de Tuberculosis Experimental del Instituto de Investigación Germans Trias i Pujol (IGTP), diseñado para reproducir la dinámica de la tuberculosis en un pulmón virtual. La creación de esta herramienta está incentivada por el devastador efecto que causa la enfermedad hoy en día. Actualmente, pese a las estrategias de vacunación y el desarrollo de tratamientos, se mantiene como una de las 10 primeras causas de mortalidad en el mundo.

La enfermedad es provocada por la bacteria Mycobacterium tuberculosis, patógeno que infecta los alveolos pulmonares. Sin embargo, de acuerdo con estadísticas, un 90% de la población infectada nunca desarrolla la patología. Las complicaciones se centran en el 10% de personas que se ven afectadas por la patología, ya que se desconocen los factores principales que la desencadenan en estos individuos.

Para crear este modelo computacional, los investigadores partieron de la siguiente hipótesis: la reinfección endógena juega un papel importante en el mantenimiento de la infección latente. Para comprobarlo, desarrollaron un modelo basado en agentes que describe el crecimiento, la fusión y la proliferación de las lesiones de tuberculosis en un árbol bronquial computacional. Para que la herramienta sea funcional, el grupo de expertos creó un algoritmo interactivo que genera tubos bronquiales y bifurcaciones dentro de un volumen tridimensional de la superficie del pulmón, según explicó Clara Prats, integrante del equipo.

También le puede interesar: ESTOS SON LOS NUEVOS AJUSTES A LOS SOPORTES DE FACTURACIÓN DE SERVICIOS DE SALUD

Modelo 3D podrían predecir los avances de la tuberculosis

Además de este complejo sistema, el instrumento presentado se fundamenta en datos obtenidos por tomografías computarizadas en cinco modelos animales (minicerdos). Según el artículo, las imágenes utilizadas fueron aquellas que mostraban las etapas iniciales de infección por Mycobacterium tuberculosis. A su vez, éstas fueron las que sirvieron para generar el pulmón computarizado.

journal.pcbi .1007772.g002
Imagen de reconstrucción pulmonar. A la derecha se representa la ubicación y el tamaño de las lesiones pulmonares causadas por tuberculosis en los modelos animales. Fuente: PLOS COMPUTATIONAL BIOLOGY

“El resultado es un modelo que nos permite reproducir y comprender los datos experimentales en la computadora. Hemos podido mostrar una relación importante entre el número final de lesiones de tuberculosis y la frecuencia de reinfección endógena y el crecimiento de las lesiones”, dijo Martí Català, otro de los investigadores. El modelo también se ha utilizado como plataforma experimental in silico para explorar la transición de la infección latente a la enfermedad activa, identificando los principales factores desencadenantes: una elevada respuesta inflamatoria y la combinación de una respuesta inflamatoria moderada con una baja amplitud respiratoria.

Ante los resultados vistos con el software, los investigadores consideran que este modelo computacional permitirá hacer predicciones para futuras acciones como nuevos biomarcadores, estrategias preventivas y terapias para la tuberculosis en humanos.

También le puede interesar: ASMA EN COLOMBIA: ¿CÓMO ESTÁ LA CARGA DE LA ENFERMEDAD?

Continuar leyendo

Innovación

Uso de imágenes holográficas facilita detección de virus

Se espera que las imágenes holográficas sean un recurso de detección que pueda ser utilizado en nuevas investigaciones sobre tratamientos a las enfermedades que causan en la población

Publicado

el

imagenes holograficas deteccion virus

En el transcurso del 2020, la capacidad científica para producir nuevas herramientas ha sido puesta a prueba. Sin embargo, la utilización de imágenes holográficas es una muestra del papel destacado de la innovación en uno de los años más importantes para la medicina y el sector salud en general. La técnica fue desarrollada por un equipo de científicos de la Universidad de Nueva York (NYU), presentada en la revista Soft Matter.

De acuerdo con la publicación, el método está basado en la videomicroscopía holográfica, un sistema utilizado para la observación, representación y análisis de imágenes que se lleva a cabo gracias a rayos láser que facilitan la creación de las imágenes holográficas en pequeñas gotas. Aunque por lo general se usa para la revisión de muestras biológicas o químicas, el método creado en la NYU permitirá la detección de varios patógenos, incluyendo virus con precisión milimétrica y gran detalle.

Como se describe en la publicación, las superficies de las gotas se activan con sitios de unión bioquímica que atraen anticuerpos o partículas de virus, dependiendo de la prueba. La unión de anticuerpos o virus hace que las cuentas crezcan unas mil millonésimas de metro, lo que los investigadores de la Universidad de Nueva York han demostrado que pueden detectar a través de cambios en los hologramas que quedan en las gotas.

También le puede interesar: JOHNSON & JOHNSON SUSPENDE SU ENSAYO CLÍNICO

Imágenes holográficas: herramienta potencial en el futuro cercano

“Podemos analizar una docena de cuentas por segundo”, explica David Grier, profesor de física y uno de los integrantes del proyecto en un comunicado. “Lo que significa que podemos reducir el tiempo de una prueba de diagnóstico fiable de mil cuentas a 20 minutos. Y podemos medir esos cambios de forma rápida, fiable y barata”, añade a sus declaraciones. La innovadora herramienta de detección no solo aplica para los virus; ya que cuenta con potencial para evaluar el nivel de inmunización de cada persona.

Las gotas o perlas que se utilizan para la producción de imágenes holográficas son previamente sistematizadas con grupos de superficie. De esta manera, las gotas microscópicas se unen específicamente a los anticuerpos objetivo e impiden que otros patógenos se unan. Es decir, además de ser un test de gran precisión visual, podría ser un método eficaz para patógenos causantes de enfermedades asociadas a bacterias o virus como la tuberculosis o COVID-19.

“Este instrumento puede contar las partículas de virus dispersas en la saliva de los pacientes y también detectar y diferenciar los anticuerpos disueltos en la sangre“, añade Grier. “Esta flexibilidad se logra cambiando la composición de las gotas de prueba para modelar lo que estamos probando”. Además de lo anterior, el investigador mencionó que las gotas utilizadas comprueban la presencia de un objetivo particular, pero también puede comprobar la presencia de varios objetivos simultáneamente.

Los científicos dicen que esta capacidad puede utilizarse para desarrollar bibliotecas de gotas de testeo que pueden combinarse en kits de prueba para mezclarlas con muestras de pacientes. Esto ayudará a los médicos a distinguir entre los posibles diagnósticos, acelerar el tratamiento de los pacientes, reducir el riesgo de diagnósticos erróneos y reducir el costo de la asistencia sanitaria.

También le puede interesar: ASMA EN COLOMBIA: ¿CÓMO ESTÁ LA CARGA DE LA ENFERMEDAD?

Continuar leyendo

Innovación

Inteligencia Artificial para predecir pacientes con mayor riesgo de dolor postquirúrgico

Tres modelos de aprendizaje automático mostraron varios factores que aumentarían el riesgo de un paciente de sufrir severo dolor postoperatorio.

Publicado

el

Inteligencia Artificial para predecir pacientes con mayor riesgo de dolor postquirúrgico

La inteligencia Artificial -IA- a partir de modelos de aprendizaje automático podría predecir cuáles son los pacientes que tienen mayor riesgo de dolor severo después de una intervención quirúrgica. Adicionalmente, la IA podría también identificar los pacientes que serían mayormente beneficiados con terapias para el dolor sin uso de opioides.

La investigación presentada en la reunión anual Anesthesiology 2020, se centra en buscar la razón por la que algunos pacientes experimentan más dolor postquirúrgico llegando a necesitar dosis más altas de opioides durante periodos de tiempo más largo aumentando el riesgo de sufrir efectos adversos por consumo excesivo de estas sustancias.

Si se conoce la razón por la cual algunos pacientes sufren mayores dolores que otros, los médicos anestesiólogos podría implementar un plan de anestesia con alternativas no opioides como por ejemplo, bloqueos nerviosos, epidurales, y otros medicamentos para el dolor.

Recordemos, que en la actualidad los médicos realizan encuestas a los pacientes con el fin de identificar cuáles tienen mayor riesgo de dolor después de una operación, indagando sobre su historial de ansiedad, calidad del sueño e inclusive trastornos depresivos.

También puede leer: 93% de los países vieron afectada la continuidad de sus servicios de salud mental

Inteligencia artificial para predicciones acertadas

Con este análisis el equipo científico buscaba un método más rápido que la encuesta, haciendo uso de un sistema de aprendizaje automático, con el cual el dispositivo aprende y evoluciona en función de los datos que se le suministran.

En este sentido, crearon tres modelos de aprendizaje automático evidenciando, que el género femenino, las edades más jóvenes, la obesidad y el dolor preexistente son factores que aumentan la posibilidad de sufrir dolores severos después de una cirugía. Todos los datos salieron del análisis de los registros médicos electrónicos.

“Planeamos integrar los modelos con nuestros registros médicos electrónicos para proporcionar una predicción del dolor posquirúrgico para cada paciente”, explica Mieke A. Soens, autora principal del estudio y anestesióloga en Brigham and Women’s Hospital

Añadiendo que si se tiene la capacidad de identificar un paciente con tendencia al dolor severo, el anestesiólogo podrá ajustar el plan de anestesia del paciente para maximizar las estrategias de manejo del dolor.

También puede leer: Herramienta de edición genética, nuevo Premio Nobel de Química

Datos del estudio

El análisis constó del estudio de 5.944 pacientes que se sometieron a varias cirugías entre las que se incluye: extirpación de vesícula biliar, histerectomía, reemplazo de cadera y cirugía de próstata.

De los participantes, 22% consumieron 90 miligramos de morfina 24 horas después de la cirugía. Se utilizaron 163 factores potenciales para predecir el dolor alto postoperatorio, basándose en una búsqueda bibliográfica y consultas con expertos.

Con estas bases se crearon los tres modelos de aprendizaje automático que sustrajeron los registros médicos de los pacientes y disminuyeron los 163 factores predictores que determinaban con mayor precisión la gravedad del dolor de los pacientes y la necesidad que tenía cada uno de usar opioides para controlar el dolor.

En una segunda parte del estudio, se compararon lo que predijeron los modelos algorítmicos con el uso real de opioides para controlar el dolor en cada paciente. En este sentido, se evidenció que los tres modelos tenían un porcentaje de precisión predictiva similar, lo que quiere decir que los tres modelos pudieron determinar que personas tenían más probabilidades de tener dolor severo y necesitaban dosis más altas de opioides aproximadamente el 80% de las veces.

Finalmente, el equipo de investigadores resaltó que es de suma importancia empezar a emplear estas tecnologías para identificar de forma selectiva cuáles pacientes necesitan altas dosis de opioides para ayudar a disminuir su uso desmesurado y descontrolado.

También puede leer: Descubrimiento sobre agujeros negros gana Premio nobel de física

Continuar leyendo

Evento Gratuito

Próximos Eventos

Innovación

Latinoamércia

Productos destacados

Tendencias

Indicadores / Cifras