{"id":40316,"date":"2023-08-10T09:27:47","date_gmt":"2023-08-10T15:27:47","guid":{"rendered":"https:\/\/saluddigital.com\/?p=40316"},"modified":"2025-10-19T22:21:44","modified_gmt":"2025-10-20T04:21:44","slug":"universidad-en-ee-uu-desarrolla-modelo-de-ia-para-la-deteccion-temprana-de-diabetes","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/noticias\/universidad-en-ee-uu-desarrolla-modelo-de-ia-para-la-deteccion-temprana-de-diabetes\/","title":{"rendered":"Universidad en EE.UU. desarrolla modelo de IA para la detecci\u00f3n temprana de diabetes"},"content":{"rendered":"
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

Investigadores de Emory University desarrollaron un modelo basado en inteligencia que permite la detecci\u00f3n temprana de diabetes a trav\u00e9s de im\u00e1genes de rayos X.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Un modelo de inteligencia artificial (IA) desarrollado en Emory University, encontr\u00f3 que las im\u00e1genes de rayos X realizadas durante revisiones m\u00e9dicas rutinarias pueden contener signos de alerta tempana de diabetes, incluso en pacientes que no tienen riesgo alto de padecer esta condici\u00f3n. El modelo permitir\u00eda a los m\u00e9dicos detectar tempranamente la diabetes y prevenir complicaciones.<\/p>

Este modelo aplica un m\u00e9todo de an\u00e1lisis de aprendizaje profundo a im\u00e1genes de registros cl\u00ednicos electr\u00f3nicos y fue probado con radiograf\u00edas de t\u00f3rax de pacientes que a\u00f1os despu\u00e9s fueron diagnosticados con diabetes.<\/p>

Las pautas actuales en Estados Unidos sugieren evaluar a los pacientes para la detecci\u00f3n de diabetes tipo 2 si tienen entre 35 y 70 a\u00f1os, y si tienen un \u00edndice de masa corporal en el rango de sobrepeso a obesidad. Sin embargo, diversos estudios han demostrado que esta estrategia de detecci\u00f3n ignora a un gran n\u00famero de casos, especialmente en minor\u00edas \u00e9tnicas o raciales, en las cuales el IMC es un predictor menos efectivo del riesgo de diabetes.<\/p>

Judy Wawira Gichoya, profesora asistente de radiolog\u00eda y ciencias de la imagen e investigadora principal de Emory University explic\u00f3 que las radiograf\u00edas de t\u00f3rax brindan una alternativa oportuna para la detecci\u00f3n de diabetes. \u201cEsta es una aplicaci\u00f3n potencial emocionante de la IA para extraer datos de las pruebas utilizadas por otras razones y tener un impacto positivo en la atenci\u00f3n del paciente\u201d, resalt\u00f3.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Para el entrenamiento del modelo de IA los investigadores tomaron en cuenta 271,065 radiograf\u00edas de t\u00f3rax de 160,244 pacientes obtenidos de 2010 a 2021. El conjunto de datos de entrenamiento original se evalu\u00f3 m\u00e1s mediante t\u00e9cnicas de validaci\u00f3n cruzada de k-fold<\/em> y posteriormente validaron externamente con 5026 radiograf\u00edas de una instituci\u00f3n separada del estudio.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Las radiograf\u00edas de t\u00f3rax no son una forma convencional para la detecci\u00f3n de diabetes, por lo que los investigadores utilizaron t\u00e9cnicas de IA explicables para determinar c\u00f3mo y por qu\u00e9 el modelo actu\u00f3 de determinada manera. De esta manera el modelo de aprendizaje profundo determin\u00f3 que la ubicaci\u00f3n del tejido graso es importante para determinar el riesgo de padecer esta enfermedad, un factor de riesgo que se asocia con la resistencia a la insulina, hipertensi\u00f3n y otras condiciones.<\/p>

Como se mencion\u00f3 anteriormente, en algunos casos el modelo advirti\u00f3 sobre alto riesgo de diabetes en im\u00e1genes obtenidas tres a\u00f1os antes del diagn\u00f3stico de diabetes en pacientes. Esto no solo es importante para la prevenci\u00f3n y detecci\u00f3n oportuna, sino tambi\u00e9n para desarrollar enfoques personalizados de tratamiento a cada paciente.<\/p>

\u201cEl enfoque oportunista de utilizar radiograf\u00edas de t\u00f3rax para identificar a las personas con mayor riesgo de diabetes, incluso antes de que se produzca un pico o una ca\u00edda en los niveles de az\u00facar en la sangre, es un m\u00e9todo prometedor que puede ayudar a mejorar los resultados a trav\u00e9s de medidas o tratamientos preventivos tempranos\u201d, mencion\u00f3 Francisco Pasquel, profesor asociado en la Divisi\u00f3n de Endocrinolog\u00eda, Metabolismo y L\u00edpidos de Emory University.<\/p>

Luego de los primeros hallazgos, los investigadores buscan una validaci\u00f3n m\u00e1s concreta del modelo de IA basado en aprendizaje, para incorporarlo en sistemas de registros de salud electr\u00f3nicos y as\u00ed alertar a los m\u00e9dicos sobre pacientes con alto riesgo de padecer diabetes seg\u00fan sus radiograf\u00edas.<\/p>

Adem\u00e1s, buscar\u00e1n replicar este m\u00e9todo de las radiograf\u00edas de t\u00f3rax en el diagn\u00f3stico de otras afecciones vasculares, insuficiencia cardiaca o enfermedades pulmonares.<\/p>

Check the full study at the following link:<\/p>

https:\/\/www.nature.com\/articles\/s41467-023-39631-x<\/a><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

EMORY UNIVERSITY <\/strong><\/p>

https:\/\/news.emory.edu\/stories\/2023\/08\/hs_xray_diabetes_AI_02-08-2023\/story.html<\/a><\/p>

NATURE<\/strong><\/p>

https:\/\/www.nature.com\/articles\/s41467-023-39631-x<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>","protected":false},"excerpt":{"rendered":"

Investigadores de Emory University desarrollaron un modelo basado en inteligencia que permite la detecci\u00f3n temprana de diabetes a trav\u00e9s de im\u00e1genes de rayos X. Un modelo de inteligencia artificial (IA) desarrollado en Emory University, encontr\u00f3 que las im\u00e1genes de rayos X realizadas durante revisiones m\u00e9dicas rutinarias pueden contener signos de alerta tempana de diabetes, incluso en pacientes que no tienen riesgo alto de padecer esta condici\u00f3n. El modelo permitir\u00eda a los m\u00e9dicos detectar tempranamente la diabetes y prevenir complicaciones. Este modelo aplica un m\u00e9todo de an\u00e1lisis de aprendizaje profundo a im\u00e1genes de registros cl\u00ednicos electr\u00f3nicos y fue probado con radiograf\u00edas de t\u00f3rax de pacientes que a\u00f1os despu\u00e9s fueron diagnosticados con diabetes. Las pautas actuales en Estados Unidos sugieren evaluar a los pacientes para la detecci\u00f3n de diabetes tipo 2 si tienen entre 35 y 70 a\u00f1os, y si tienen un \u00edndice de masa corporal en el rango de sobrepeso a obesidad. Sin embargo, diversos estudios han demostrado que esta estrategia de detecci\u00f3n ignora a un gran n\u00famero de casos, especialmente en minor\u00edas \u00e9tnicas o raciales, en las cuales el IMC es un predictor menos efectivo del riesgo de diabetes. Judy Wawira Gichoya, profesora asistente de radiolog\u00eda y ciencias de la imagen e investigadora principal de Emory University explic\u00f3 que las radiograf\u00edas de t\u00f3rax brindan una alternativa oportuna para la detecci\u00f3n de diabetes. \u201cEsta es una aplicaci\u00f3n potencial emocionante de la IA para extraer datos de las pruebas utilizadas por otras razones y tener un impacto positivo en la atenci\u00f3n del paciente\u201d, resalt\u00f3. Para el entrenamiento del modelo de IA los investigadores tomaron en cuenta 271,065 radiograf\u00edas de t\u00f3rax de 160,244 pacientes obtenidos de 2010 a 2021. El conjunto de datos de entrenamiento original se evalu\u00f3 m\u00e1s mediante t\u00e9cnicas de validaci\u00f3n cruzada de k-fold y posteriormente validaron externamente con 5026 radiograf\u00edas de una instituci\u00f3n separada del estudio. Las radiograf\u00edas de t\u00f3rax no son una forma convencional para la detecci\u00f3n de diabetes, por lo que los investigadores utilizaron t\u00e9cnicas de IA explicables para determinar c\u00f3mo y por qu\u00e9 el modelo actu\u00f3 de determinada manera. De esta manera el modelo de aprendizaje profundo determin\u00f3 que la ubicaci\u00f3n del tejido graso es importante para determinar el riesgo de padecer esta enfermedad, un factor de riesgo que se asocia con la resistencia a la insulina, hipertensi\u00f3n y otras condiciones. Como se mencion\u00f3 anteriormente, en algunos casos el modelo advirti\u00f3 sobre alto riesgo de diabetes en im\u00e1genes obtenidas tres a\u00f1os antes del diagn\u00f3stico de diabetes en pacientes. Esto no solo es importante para la prevenci\u00f3n y detecci\u00f3n oportuna, sino tambi\u00e9n para desarrollar enfoques personalizados de tratamiento a cada paciente. \u201cEl enfoque oportunista de utilizar radiograf\u00edas de t\u00f3rax para identificar a las personas con mayor riesgo de diabetes, incluso antes de que se produzca un pico o una ca\u00edda en los niveles de az\u00facar en la sangre, es un m\u00e9todo prometedor que puede ayudar a mejorar los resultados a trav\u00e9s de medidas o tratamientos preventivos tempranos\u201d, mencion\u00f3 Francisco Pasquel, profesor asociado en la Divisi\u00f3n de Endocrinolog\u00eda, Metabolismo y L\u00edpidos de Emory University. Luego de los primeros hallazgos, los investigadores buscan una validaci\u00f3n m\u00e1s concreta del modelo de IA basado en aprendizaje, para incorporarlo en sistemas de registros de salud electr\u00f3nicos y as\u00ed alertar a los m\u00e9dicos sobre pacientes con alto riesgo de padecer diabetes seg\u00fan sus radiograf\u00edas. Adem\u00e1s, buscar\u00e1n replicar este m\u00e9todo de las radiograf\u00edas de t\u00f3rax en el diagn\u00f3stico de otras afecciones vasculares, insuficiencia cardiaca o enfermedades pulmonares. Consulta el estudio completo en el siguiente enlace: https:\/\/www.nature.com\/articles\/s41467-023-39631-x BIBLIOGRAF\u00cdA EMORY UNIVERSITY https:\/\/news.emory.edu\/stories\/2023\/08\/hs_xray_diabetes_AI_02-08-2023\/story.html NATURE https:\/\/www.nature.com\/articles\/s41467-023-39631-x<\/p>","protected":false},"author":1,"featured_media":40318,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[160],"tags":[145],"class_list":["post-40316","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/40316","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=40316"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/40316\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/40318"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=40316"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=40316"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=40316"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}