Un nuevo estudio combina las simulaciones biomecánicas con el machine learning para la predicción de lesiones
Un estudio liderado por investigadores de Oxford, detalla el desarrollo de una herramienta avanzada basada en la física e impulsada por inteligencia artificial (IA) para ayudar en casos de personas con traumatismo craneoencefálico (TCE). El artículo publicado en Communications Engineering, propone un marco de trabajo que combina simulaciones biomecánicas con machine learning o aprendizaje automático para predecir traumatismo craneoencefálico (TCE) en el contexto de investigaciones policiales y forenses. El objetivo es evaluar si un impacto o escenario de agresión podría haber causado una lesión cerebral observada clínicamente.
El traumatismo craneoencefálico (TCE) es un problema de salud pública importante, con implicaciones sociales, económicas y médicas. En el ámbito forense, es crucial determinar si un impacto específico pudo haber causado una lesión cerebral, pero tradicionalmente esto se ha basado en la experiencia de expertos, lo que no siempre es objetivo ni cuantificable.
El estudio probó un método de simulaciones biomecánicas, un modelo de elementos finitos que sirvió para simular impactos en la cabeza y el cuello. Este modelo incluye un cuello viscoelástico y se validó con datos experimentales.
Para el modelo de machine learning se desarrolló un marco de dos capas. La primera capa fue una red neuronal de perceptrón multicapa (MLP, en inglés) que predice cantidades mecánicas (como tensión y estrés) en diferentes regiones del cerebro, basándose en 200 simulaciones de elementos finitos. Para la segunda capa se utilizó un algoritmo de XGBoost que utiliza los resultados de la MLP, junto con metadatos de informes policiales, como la edad y el género de la víctima y el agresor, para predecir lesiones específicas como fracturas de cráneo, pérdida de conciencia y hemorragias intracraneales.
El marco alcanzó una precisión del 94% para predecir fracturas de cráneo, 79% para pérdida de conciencia y 79% para hemorragias intracraneales. Asimismo logró identificar las características más relevantes para cada tipo de lesión. Por ejemplo, el estrés de von Mises en el cuero cabelludo fue clave para predecir fracturas de cráneo, mientras que la presión en el tronco encefálico fue crucial para predecir la pérdida de conciencia.
Además de los importantes hallazgos encontrados, este estudio descarta porra combinación de la ingeniería y las ciencias forenses. La combinación de simulaciones biomecánicas con machine learning mejora la precisión y objetividad de las evaluaciones de lesiones cerebrales.
A pesar de los prometedores resultados, el tamaño del conjunto de datos es una de las principales limitantes de este estudio, ya que solo se utilizaron 53 informes policiales. Asimismo, algunas lesiones, como la pérdida de conciencia, son más difíciles de predecir debido a su complejidad y a la influencia de factores individuales.
El marco propuesto es prometedor para predecir TCE en contextos forenses, ofreciendo una herramienta cuantitativa y objetiva que puede complementar la experiencia forense tradicional. Sin embargo, como se mencionó anteriormente se necesitan más datos y refinamientos para mejorar aún más su precisión y aplicabilidad.
