{"id":45523,"date":"2024-05-23T10:58:57","date_gmt":"2024-05-23T16:58:57","guid":{"rendered":"https:\/\/saluddigital.com\/?p=45523"},"modified":"2025-10-18T16:08:25","modified_gmt":"2025-10-18T22:08:25","slug":"metodo-de-machine-learning-capaz-de-diagnosticar-de-mutaciones-en-gliomas","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/metodo-de-machine-learning-capaz-de-diagnosticar-de-mutaciones-en-gliomas\/","title":{"rendered":"M\u00e9todo de machine learning capaz de diagnosticar de mutaciones en gliomas"},"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

Un nuevo m\u00e9todo de machine learning fue capaz de sugerir el diagn\u00f3stico de forma r\u00e1pida y precisa sobre mutaciones en tumores cerebrales.<\/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 estudio reciente conducido por investigadores de la Universidad de Ciencias de la Salud Karl Landsteiner (KL Krems) en Austria, analiz\u00f3 datos de im\u00e1genes de resonancia magn\u00e9tica fisiometab\u00f3lica, para correlacionarlas con la identificaci\u00f3n de mutaciones en un gen metab\u00f3lico utilizando machine learning. Las mutaciones de este gen influyen de manera significativa en el curso de la enfermedad, por lo tanto, obtener un diagn\u00f3stico temprano es sumamente importante para el tratamiento del paciente.<\/p>

Adem\u00e1s, este estudio detalla que actualmente, existen est\u00e1ndares inconsistentes para obtener im\u00e1genes de resonancia magn\u00e9tica fisiometab\u00f3lica, lo que dificulta e impide el uso cl\u00ednico de manera rutinaria de este m\u00e9todo.<\/p>

Los gliomas son los tumores cerebrales primarios m\u00e1s comunes. Incluso cuando existen pron\u00f3sticos poco alentadores para los pacientes con este diagn\u00f3stico, las terapias personalizadas son capaces actualmente de mejorar significativamente el \u00e9xito del tratamiento. No obstante, el uso de terapias avanzadas se basa en datos individualizados de los tumores, los cuales no est\u00e1n disponibles de manera tan sencilla para los gliomas debido a su ubicaci\u00f3n en el cerebro. Por ello, las t\u00e9cnicas de imagen como la resonancia magn\u00e9tica (IRM) pueden proporcionar dichos datos, pero sus an\u00e1lisis son complejos, exigentes y requieren mucho tiempo.<\/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 ello el Instituto Central de Diagn\u00f3stico Radiol\u00f3gico M\u00e9dico del Hospital Universitario de St. P\u00f6lten perteneciente a KL Krems, desarrolla desde hace a\u00f1os m\u00e9todos de machine learning y deep learning para automatizar estos an\u00e1lisis e integrarlos en las operaciones cl\u00ednicas rutinarias.<\/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

\u201cLos pacientes cuyas c\u00e9lulas de glioma portan una forma mutada del gen del isocitrato deshidrogenasa (IDH) tienen en realidad mejores perspectivas cl\u00ednicas que aquellos con la forma natural\u201d, explica el Dr. Andreas Stadlbauer, f\u00edsico m\u00e9dico del Instituto Central. \u201cEsto significa que cuanto antes sepamos sobre el estado de esta mutaci\u00f3n, mejor podremos individualizar el tratamiento\u201d, agreg\u00f3. De esta manera, conocer las diferencias en el metabolismo energ\u00e9tico de los tumores mutados y de tipo salvaje ayudan a conseguirlo.<\/p>

No obstante, analizar y evaluar los datos es un proceso muy complejo y que requiere mucho tiempo y es dif\u00edcil de integrar en la rutina cl\u00ednica, sobre todo porque los resultados se necesitan r\u00e1pidamente debido al mal pron\u00f3stico de los pacientes. Por ello los resultados positivos de este modelo de machine learning son alentadores.<\/p>

\u201cCuando vimos los resultados de la evaluaci\u00f3n de nuestros algoritmos de ML\u201d, explica el Dr. Stadlbauer, \u201cnos sentimos muy satisfechos. Logramos una precisi\u00f3n del 91.7 % y una precisi\u00f3n del 87.5 % al distinguir entre tumores con el gen de tipo salvaje y aquellos con la forma mutada. Luego comparamos estos valores con an\u00e1lisis machine learning de datos de resonancia magn\u00e9tica cl\u00ednica cl\u00e1sica y pudimos demostrar que el uso de datos de resonancia magn\u00e9tica fisiometab\u00f3lica como base dio resultados significativamente mejores\u201d, finaliz\u00f3.<\/p>

El especialista tambi\u00e9n detall\u00f3 que el \u00fanico problema de este m\u00e9todo es la estandarizaci\u00f3n, por otro lado, la evaluaci\u00f3n ahorra tiempo de los datos fisiometab\u00f3licos de la resonancia magn\u00e9tica gracias al machine learning. Por lo tanto, se trata de un enfoque adecuado para determinar el estado de la mutaci\u00f3n IDH de los pacientes con glioma antes de cualquier operaci\u00f3n, para personalizar las opciones de tratamiento.<\/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

KL KREMS<\/b><\/p>

https:\/\/www.kl.ac.at\/en\/news\/progress-personalised-treatment-brain-tumours<\/a><\/span><\/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":"

Un nuevo m\u00e9todo de machine learning fue capaz de sugerir el diagn\u00f3stico de forma r\u00e1pida y precisa sobre mutaciones en tumores cerebrales. Un estudio reciente conducido por investigadores de la Universidad de Ciencias de la Salud Karl Landsteiner (KL Krems) en Austria, analiz\u00f3 datos de im\u00e1genes de resonancia magn\u00e9tica fisiometab\u00f3lica, para correlacionarlas con la identificaci\u00f3n de mutaciones en un gen metab\u00f3lico utilizando machine learning. Las mutaciones de este gen influyen de manera significativa en el curso de la enfermedad, por lo tanto, obtener un diagn\u00f3stico temprano es sumamente importante para el tratamiento del paciente. Adem\u00e1s, este estudio detalla que actualmente, existen est\u00e1ndares inconsistentes para obtener im\u00e1genes de resonancia magn\u00e9tica fisiometab\u00f3lica, lo que dificulta e impide el uso cl\u00ednico de manera rutinaria de este m\u00e9todo. Los gliomas son los tumores cerebrales primarios m\u00e1s comunes. Incluso cuando existen pron\u00f3sticos poco alentadores para los pacientes con este diagn\u00f3stico, las terapias personalizadas son capaces actualmente de mejorar significativamente el \u00e9xito del tratamiento. No obstante, el uso de terapias avanzadas se basa en datos individualizados de los tumores, los cuales no est\u00e1n disponibles de manera tan sencilla para los gliomas debido a su ubicaci\u00f3n en el cerebro. Por ello, las t\u00e9cnicas de imagen como la resonancia magn\u00e9tica (IRM) pueden proporcionar dichos datos, pero sus an\u00e1lisis son complejos, exigentes y requieren mucho tiempo. Para ello el Instituto Central de Diagn\u00f3stico Radiol\u00f3gico M\u00e9dico del Hospital Universitario de St. P\u00f6lten perteneciente a KL Krems, desarrolla desde hace a\u00f1os m\u00e9todos de machine learning y deep learning para automatizar estos an\u00e1lisis e integrarlos en las operaciones cl\u00ednicas rutinarias. \u201cLos pacientes cuyas c\u00e9lulas de glioma portan una forma mutada del gen del isocitrato deshidrogenasa (IDH) tienen en realidad mejores perspectivas cl\u00ednicas que aquellos con la forma natural\u201d, explica el Dr. Andreas Stadlbauer, f\u00edsico m\u00e9dico del Instituto Central. \u201cEsto significa que cuanto antes sepamos sobre el estado de esta mutaci\u00f3n, mejor podremos individualizar el tratamiento\u201d, agreg\u00f3. De esta manera, conocer las diferencias en el metabolismo energ\u00e9tico de los tumores mutados y de tipo salvaje ayudan a conseguirlo. No obstante, analizar y evaluar los datos es un proceso muy complejo y que requiere mucho tiempo y es dif\u00edcil de integrar en la rutina cl\u00ednica, sobre todo porque los resultados se necesitan r\u00e1pidamente debido al mal pron\u00f3stico de los pacientes. Por ello los resultados positivos de este modelo de machine learning son alentadores. \u201cCuando vimos los resultados de la evaluaci\u00f3n de nuestros algoritmos de ML\u201d, explica el Dr. Stadlbauer, \u201cnos sentimos muy satisfechos. Logramos una precisi\u00f3n del 91.7 % y una precisi\u00f3n del 87.5 % al distinguir entre tumores con el gen de tipo salvaje y aquellos con la forma mutada. Luego comparamos estos valores con an\u00e1lisis machine learning de datos de resonancia magn\u00e9tica cl\u00ednica cl\u00e1sica y pudimos demostrar que el uso de datos de resonancia magn\u00e9tica fisiometab\u00f3lica como base dio resultados significativamente mejores\u201d, finaliz\u00f3. El especialista tambi\u00e9n detall\u00f3 que el \u00fanico problema de este m\u00e9todo es la estandarizaci\u00f3n, por otro lado, la evaluaci\u00f3n ahorra tiempo de los datos fisiometab\u00f3licos de la resonancia magn\u00e9tica gracias al machine learning. Por lo tanto, se trata de un enfoque adecuado para determinar el estado de la mutaci\u00f3n IDH de los pacientes con glioma antes de cualquier operaci\u00f3n, para personalizar las opciones de tratamiento. BIBLIOGRAF\u00cdA KL KREMS https:\/\/www.kl.ac.at\/en\/news\/progress-personalised-treatment-brain-tumours<\/p>","protected":false},"author":1,"featured_media":45524,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-45523","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/45523","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=45523"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/45523\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/45524"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=45523"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=45523"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=45523"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}