Investigadores están aprovechando la inteligencia artificial para mejorar las medidas de atención preventiva y las prácticas de telesalud.
Si bien la atención preventiva y la telesalud han sido durante mucho tiempo elementos críticos de la industria de la atención médica, estos servicios se han vuelto aún más importantes en el contexto de la pandemia de COVID-19. Investigadores utilizan cada vez más la inteligencia artificial para mejorar estos métodos de prestación de atención, lo que podría conducir a mejores resultados en los pacientes.
Un equipo del MIT ha desarrollado un algoritmo de aprendizaje profundo que puede identificar y detectar rápidamente el melanoma en etapa temprana, un tipo de tumor maligno responsable de más del 70 por ciento de las muertes relacionadas con el cáncer de piel en todo el mundo.
Los proveedores han confiado en la inspección visual para identificar lesiones pigmentadas sospechosas (SPL), que pueden ser una indicación de cáncer de piel. La identificación en etapa temprana de SPL en entornos de atención primaria puede mejorar el pronóstico del melanoma y reducir significativamente los costos del tratamiento.
Sin embargo, es difícil encontrar y priorizar SPL rápidamente debido a la gran cantidad de lesiones pigmentadas que los proveedores deben evaluar para posibles biopsias.
“La detección temprana de SPL puede salvar vidas; sin embargo, todavía falta la capacidad actual de los sistemas médicos para proporcionar exámenes de la piel completos a escala ”, dijo Luis R. Soenksen, un postdoctorado y experto en dispositivos médicos que actualmente actúa como el primer Venture Builder del MIT en Inteligencia Artificial y Salud.
Investigadores entrenaron un sistema de análisis de SPL utilizando 20.388 imágenes de campo amplio de 133 pacientes en el Hospital Gregorio Marañón de Madrid, así como imágenes disponibles públicamente. Las imágenes se tomaron con una variedad de cámaras comunes que están fácilmente disponibles para los consumidores. Los dermatólogos que trabajan con los investigadores clasificaron visualmente las lesiones en las imágenes para compararlas.
El equipo descubrió que el sistema logró una sensibilidad de más del 90,3 por ciento para distinguir las NPS de las lesiones no sospechosas, la piel y los fondos complejos al evitar la necesidad de obtener imágenes de lesiones individuales que consumen mucho tiempo.
Además, la investigación presenta un nuevo método para extraer la prominencia de la lesión intrapaciente, la comparación de las lesiones en la piel de un individuo que se destacan del resto, sobre la base de las características de la red neuronal convolucional profunda (DCNN) de las lesiones detectadas. .
Los hallazgos podrían permitir evaluaciones más rápidas y precisas de SPL y un tratamiento más temprano del melanoma. "Nuestra investigación sugiere que los sistemas que aprovechan la visión por computadora y las redes neuronales profundas, cuantificando tales signos comunes, pueden lograr una precisión comparable a la de los dermatólogos expertos”, dijo Soenksen. "Esperamos que nuestra investigación revitalice el deseo de realizar exámenes dermatológicos más eficientes en entornos de atención primaria para impulsar las derivaciones adecuadas".
En la Universidad de Washington, los investigadores están trabajando para desarrollar un método de aprendizaje automático que utiliza la cámara del teléfono inteligente o la computadora de una persona para tomar su pulso y la señal de respiración de un video en tiempo real de su rostro.
“El aprendizaje automático es bastante bueno para clasificar imágenes. Si le da una serie de fotos de gatos y luego le dice que busque gatos en otras imágenes, puede hacerlo ”, dijo el autor principal Xin Liu, estudiante de doctorado de la Universidad de Washington en la Escuela de Ingeniería e Informática Paul G. Allen.
"Pero para que el aprendizaje automático sea útil en la detección remota de la salud, necesitamos un sistema que pueda identificar la región de interés en un video que contenga la fuente más fuerte de información fisiológica, el pulso, por ejemplo, y luego medirla a lo largo del tiempo".
El equipo presentó por primera vez este sistema innovador en la conferencia de Sistemas de procesamiento de información neuronal y ahora tiene como objetivo construir un mejor sistema para medir estas señales. Es menos probable que el nuevo sistema se confunda con diferentes cámaras, condiciones de iluminación o rasgos faciales como el color de la piel.
“Cada persona es diferente”, dijo Liu. "Por lo tanto, este sistema debe poder adaptarse rápidamente a la firma fisiológica única de cada persona y separarla de otras variaciones, como su apariencia y el entorno en el que se encuentra".
El sistema se ejecuta en el dispositivo en lugar de en la nube, preservando la privacidad de los pacientes. Utiliza el aprendizaje automático para capturar cambios sutiles en la forma en que la luz se refleja en el rostro de una persona, lo que se correlaciona con los cambios en el flujo sanguíneo. Luego, el sistema convierte estos cambios en pulso y frecuencia respiratoria.
Los investigadores entrenaron la primera versión del sistema con un conjunto de datos que contenía videos de rostros de personas e información de verdad del terreno: el pulso y la frecuencia respiratoria de cada persona medidos por instrumentos estándar en el campo. Si bien el sistema funcionó bien en algunos conjuntos de datos, todavía tuvo problemas con otros que contenían diferentes personas, antecedentes e iluminación. El equipo mejoró el sistema al hacer que generara un modelo de aprendizaje automático personalizado para cada persona. Específicamente, busca áreas importantes en un fotograma de video que probablemente contengan características fisiológicas correlacionadas con el flujo sanguíneo cambiante en un rostro en diferentes contextos, como diferentes tonos de piel, iluminación y entornos cambiantes.
Aunque el sistema más nuevo superó al anterior cuando se le dieron conjuntos de datos más desafiantes, el equipo señaló que la herramienta aún necesita algunas mejoras. "Reconocemos que todavía existe una tendencia hacia un rendimiento inferior cuando el tipo de piel del sujeto es más oscuro", dijo Liu. “Esto se debe en parte a que la luz se refleja de manera diferente en la piel más oscura, lo que resulta en una señal más débil para que la cámara la capte. Nuestro equipo está desarrollando activamente nuevos métodos para resolver esta limitación ".
El equipo está trabajando en una variedad de colaboraciones con proveedores para evaluar cómo funciona este sistema en la clínica. “Cualquier capacidad para detectar el pulso o la frecuencia respiratoria de forma remota brinda nuevas oportunidades para la atención remota del paciente y la telemedicina. Esto podría incluir cuidados personales, cuidados de seguimiento o triaje, especialmente cuando alguien no tiene un acceso conveniente a una clínica ”, dijo el autor principal Shwetak Patel, profesor tanto en la Escuela Allen como en el departamento de ingeniería eléctrica e informática.
"Es emocionante ver a las comunidades académicas trabajando en nuevos enfoques algorítmicos para abordar esto con los dispositivos que las personas tienen en sus hogares".
Escrito y publicado por: Jessica Kent | Health IT Analytics
5 de abril de 2021
Enlace original: https://healthitanalytics.com/news/artificial-intelligence-enhances-preventive-care-telehealth?fbclid=IwAR0rqWmx-y6XGKd3cZ4YEZbYm3WFC-Rv8i9Dnv_u_WGfUCAfxaxKZduOR_0