Realidad virtual y machine learning se combinan para mejorar el diagnóstico del TDAH en adultos de manera precisa y personalizada.
Una revisión sistemática publicada en npj Digital Medicine cuestiona los beneficios actuales del machine learning cuántico en Salud Digital.
Estudio muestra que nueva tecnología de imágenes por resonancia magnética y machine learning ayuda a diferenciar tipos de Parkinsonismo.
Investigadores de Cedars-Sinai, utilizan técnicas de IA y machine learning para predecir el riesgo de depresión postparto en diferentes poblaciones.
La FDA publicó las nuevas directrices para el control de cambios en soluciones y software de IA y machine learning.
Investigadores de Yale utilizaron un modelo de machine learning para interpretar cómo la interacción de factores neurobiológicos y ambientales influyen en la salud mental de los adolescentes. Avances en los últimos tiempos sobre la salud mental, han demostrado que tanto la neurobiología como el entorno donde se desenvuelven los adolescentes son determinantes clave para su desarrollo emocional y conductual. En este sentido, un nuevo estudio realizado por investigadores de Yale, y publicado en la revista Biological Psychiatry: Cognitive Neuroscience and Neuroimaging, muestra el modelado de las interacciones cerebro-ambiente utilizando una técnica de aprendizaje automático o machine learning denominado aprendizaje múltiple o manifold learning, que mejora la capacidad para detectar problemas de salud mental y realizar predicciones de problemas futuros. El estudio detalla que el 75% de todos los trastornos de salud mental aparecen durante la adolescencia y la mitad se manifiestan antes de los 14 años. De esta manera, debido a la gran cantidad de riesgos asociados con estos problemas de salud mental, muchas investigaciones han optado por un enfoque relacionado con la relación de los factores neurobiológicos y ambientales y la aparición de problemas emocionales y conductuales. Este estudio de aprendizaje múltiple, el cual consiste en un tipo de algoritmo capaz de descubrir la estructura dentro de datos biométricos complejos y multimodales, como la resonancia magnética funcional. Este algoritmo permite la visualización de datos complejos para modelar interacciones entre el cerebro y el entorno. El modelo fue entrenado con datos de un estudio sobre el desarrollo cognitivo y cerebral de los adolescentes respaldado por los Institutos Nacionales de Salud de Estados Unidos. Al aplicar el algoritmo, denominado E-PHATE, para unir y visualizar los dos tipos de datos, imágenes cerebrales e información sobre los entornos de los participantes, los autores pudieron predecir las diferencias individuales en la cognición y los síntomas emocionales y conductuales. “Las múltiples interacciones cerebro-ambiente de ciertas regiones cerebrales, por ejemplo, las redes frontoparietales y de atención, mejoraron enormemente la detección y predicción de problemas de salud mental en relación con los métodos de vanguardia anteriores”, afirmó Erica L. Busch, primera autora del estudio. “Esto subraya la importancia de considerar el cerebro adolescente en conjunto con el entorno en el que se desarrolla”. El estudio concluyó que el modelo de aprendizaje múltiple es adecuado para la complejidad de los datos de desarrollo multimodal y además muestra un importante potencial para mejorar la investigación sobre la neurobiología de los problemas emocionales y conductuales de los adolescentes. “Durante mucho tiempo, los científicos del desarrollo se han enfrentado al desafío de poner a prueba teorías que, en muchos sentidos, están ocultas a simple vista”, dijo May I. Conley, coautora principal del estudio. “Desde el vecindario hasta la familia, reconocemos que las experiencias de los jóvenes en sus entornos y la neurobiología influyen en el desarrollo emocional y conductual. Sin embargo, no hemos tenido métodos que capturen la complejidad de esta interacción con precisión”. Las autoras indicaron que es necesario tomar en cuenta la complejidad de la relación entre las personas y su entorno, por lo que se necesitan nuevos métodos para manejar múltiples datos y estimar sus interacciones en los adolescentes. BIBLIOGRAFÍA YALE https://news.yale.edu/2024/09/12/machine-learning-method-helps-predict-mental-health-symptoms-adolescents
Modelo de machine learning desarrollado por UCSF mide la gravedad de síntomas motores de Parkinson a través de videos.
Las agencias regulatorias de dispositivos médicos de estos tres países publicaron un documento sobre la transparencia acerca de sus diez principios del desarrollo de Buenas Prácticas de Machine Learning. En 2021, la Administración de Alimentos y Medicamentos de EE.UU. (FDA, en inglés), Health Canada y la Agencia Reguladora de Medicamentos y Productos Sanitarios (MHRA, en inglés) del Reino Unido, identificaron los principios para las buenas prácticas de dispositivos médicos basados en aprendizaje automático o machine learning. El objetivo de estos principios es promover el uso de dispositivos médicos seguros, regulados y de calidad que utilicen inteligencia artificial (IA) y machine learning. Posteriormente, en octubre de 2023, la FDA, Health Canada y MHRA, publicaron los diez principios del desarrollo de Buenas Prácticas de Machine Learning (GMLP, en inglés). En esta ocasión las tres agencias publicaron un documento acerca de la transparencia del machine learning aplicado en dispositivos móviles. El documento toma como base los principios 7 y 9: Enfoque en el rendimiento del equipo humano-IA y proveer información clara y esencial a los usuarios. Asimismo, detalla que la trasparencia se refiere al grado en el que se comunica claramente información adecuada sobre un MLMD a las audiencias relevantes. Los componentes de la trasparencia en este sentido son: Lógica: Cómo se llega a un resultado o decisión. Explicabilidad: Grado en que esta lógica puede ser entendida por una persona. Otro aspecto importante de la transparencia en los GMLP es promover un diseño centrado en el humano. ES decir que mejore la experiencia del usuario, validando la transparencia y asegurando que los usuarios tengan toda la información necesaria sobre el dispositivo. Asimismo, el documento presenta las preguntas clave acerca de la transparencia en este ámbito: Quién: Audiencias relevantes (profesionales de salud, pacientes, personal de apoyo, administradores, compradores y organismos reguladores). Por qué: Transparencia es esencial para el cuidado centrado en el paciente y para la seguridad y efectividad del dispositivo. Qué: Información relevante incluye propósito y función médica, usuarios previstos, entornos de uso, cómo el dispositivo afecta decisiones de atención médica, rendimiento del dispositivo, beneficios, riesgos y actividades de gestión de riesgos. Dónde: Colocación de la información a través de la interfaz de usuario del software del dispositivo, usando varios medios (audio, video, texto en pantalla, diagramas). Cuándo: Comunicación oportuna de información a lo largo del ciclo de vida del producto, incluyendo notificaciones de actualizaciones del dispositivo y nueva información descubierta. Cómo: Aplicación de principios de diseño centrado en el humano, con niveles adecuados de detalle para la audiencia prevista y ordenando el contenido por importancia para facilitar decisiones informadas. Finalmente, las tres agencias resaltan que estos principios deben considerarse para adoptar y mejorar las prácticas de transparencia, fomentando la colaboración en el desarrollo de estándares de transparencia en este campo en evolución. BIBLIOGRAFÍA GOV UK https://www.gov.uk/government/publications/machine-learning-medical-devices-transparency-principles
Una investigación reciente publicada en The Lancet digital Heath probó el uso de un algoritmo de machine learning para predecir diabetes tipo 1 en niños a través de datos de registros médicos. La diabetes tipo 1 es una enfermedad crónica que afecta la capacidad del cuerpo para producir insulina, una hormona esencial para la regulación de los niveles de glucosa en la sangre. A diferencia de la diabetes tipo 2, que se asocia comúnmente al estilo de vida de los pacientes y a la obesidad, la diabetes tipo 1 es una condición autoinmune que suele diagnosticarse en la infancia o en la adolescencia. El diagnóstico temprano, el tratamiento y control adecuado de esta condición evita las complicaciones a largo plazo y garantiza una calidad de vida optima para los pacientes que viven con esta condición. Los niños que acuden a atención primaria con sospecha de diabetes tipo 1 son remitidos a atención secundaria para evitar complicaciones más graves como la cetoacidosis diabética. Es importante el reconocimiento temprano de los niños con diabetes, sin embargo, también es un gran desafío, ya que es posible que algunos pacientes pediátricos no presenten síntomas comunes o que estos puedan atribuirse a afecciones más comunes. Un estudio reciente publicado en la edición de junio de The Lancet Digital Health, explora el uso de un algoritmo de machine learning para la predicción de diabetes tipo 1 en niños mediante registros médicos electrónicos en atención primaria. El objetivo del estudio fue investigar si un algoritmo podría conducir a una detección más temprana de la diabetes tipo1 en la atención primaria. Para ello utilizaron registros médicos electrónicos de pacientes pediátricos de Gales, Reino Unido. El algoritmo predictivo fue desarrollado utilizando los datos de niños recién diagnosticados con diabetes tipo 1. Los niños incluidos fueron agregados desde su primer registro de atención primaria dentro del periodo del 1 de enero de 2000 hasta el 31 de diciembre de 2016, hasta el diagnóstico de diabetes tipo 1, cuando cumplieron 15 años o finalizaron el estudio. “Desarrollamos un conjunto (SuperLearner) utilizando 26 predictores potenciales. La validación del algoritmo se realizó en registros médicos electrónicos del Hospital Clinical Practice Research Datalink (atención primaria) y Hospital Statistics Episode, centrándose en la capacidad del algoritmo para identificar a los niños que desarrollaron diabetes tipo 1 y el momento en el que se podría realizar el diagnóstico anticipado”, detalla el estudio. El SuperLearner compendió de más de 34 millones de contactos de atención primaria relacionados con más de 952 mil niños, asimismo el conjunto de datos de validación comprendió de más de 43 millones de contactos de atención primaria de alrededor de 1.5 millones de niños. Los resultados arrojaron que, 1829 niños menores de 15 años (0.19%) en el conjunto de datos de desarrollo y 1516 (0.10%) en el conjunto de datos de validación, tenían una fecha confiable de diagnóstico de diabetes tipo 1. En términos generales si se configura para dar una alerta en el 10% de los contactos, se estima que el 71,6% de los niños con diabetes tipo 1 recibirían una alerta mediante el algoritmo en los 90 días previos al diagnóstico, con un diagnóstico anticipado, en promedio, aproximadamente 9.34 días. “Si se implementa en entornos de atención primaria, este algoritmo predictivo podría reducir sustancialmente la proporción de pacientes con diabetes tipo 1 de nueva aparición que presentan cetoacidosis diabética, que es una urgencia médica. La aceptabilidad de los umbrales de alerta debe explorarse en atención primaria”, concluyen los autores. BIBLIOGRAFÍA THE LANCET https://www.thelancet.com/journals/landig/article/PIIS2589-7500(24)00050-5/fulltext
Un nuevo método de machine learning fue capaz de sugerir el diagnóstico de forma rápida 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, analizó datos de imágenes de resonancia magnética fisiometabólica, para correlacionarlas con la identificación de mutaciones en un gen metabólico utilizando machine learning. Las mutaciones de este gen influyen de manera significativa en el curso de la enfermedad, por lo tanto, obtener un diagnóstico temprano es sumamente importante para el tratamiento del paciente. Además, este estudio detalla que actualmente, existen estándares inconsistentes para obtener imágenes de resonancia magnética fisiometabólica, lo que dificulta e impide el uso clínico de manera rutinaria de este método. Los gliomas son los tumores cerebrales primarios más comunes. Incluso cuando existen pronósticos poco alentadores para los pacientes con este diagnóstico, las terapias personalizadas son capaces actualmente de mejorar significativamente el éxito del tratamiento. No obstante, el uso de terapias avanzadas se basa en datos individualizados de los tumores, los cuales no están disponibles de manera tan sencilla para los gliomas debido a su ubicación en el cerebro. Por ello, las técnicas de imagen como la resonancia magnética (IRM) pueden proporcionar dichos datos, pero sus análisis son complejos, exigentes y requieren mucho tiempo. Para ello el Instituto Central de Diagnóstico Radiológico Médico del Hospital Universitario de St. Pölten perteneciente a KL Krems, desarrolla desde hace años métodos de machine learning y deep learning para automatizar estos análisis e integrarlos en las operaciones clínicas rutinarias. “Los pacientes cuyas células de glioma portan una forma mutada del gen del isocitrato deshidrogenasa (IDH) tienen en realidad mejores perspectivas clínicas que aquellos con la forma natural”, explica el Dr. Andreas Stadlbauer, físico médico del Instituto Central. “Esto significa que cuanto antes sepamos sobre el estado de esta mutación, mejor podremos individualizar el tratamiento”, agregó. De esta manera, conocer las diferencias en el metabolismo energético 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 difícil de integrar en la rutina clínica, sobre todo porque los resultados se necesitan rápidamente debido al mal pronóstico de los pacientes. Por ello los resultados positivos de este modelo de machine learning son alentadores. “Cuando vimos los resultados de la evaluación de nuestros algoritmos de ML”, explica el Dr. Stadlbauer, “nos sentimos muy satisfechos. Logramos una precisión del 91.7 % y una precisión del 87.5 % al distinguir entre tumores con el gen de tipo salvaje y aquellos con la forma mutada. Luego comparamos estos valores con análisis machine learning de datos de resonancia magnética clínica clásica y pudimos demostrar que el uso de datos de resonancia magnética fisiometabólica como base dio resultados significativamente mejores”, finalizó. El especialista también detalló que el único problema de este método es la estandarización, por otro lado, la evaluación ahorra tiempo de los datos fisiometabólicos de la resonancia magnética gracias al machine learning. Por lo tanto, se trata de un enfoque adecuado para determinar el estado de la mutación IDH de los pacientes con glioma antes de cualquier operación, para personalizar las opciones de tratamiento. BIBLIOGRAFÍA KL KREMS https://www.kl.ac.at/en/news/progress-personalised-treatment-brain-tumours
