IoTApps

El monitoreo pasivo de la actividad de pasos de las personas a través de teléfonos inteligentes puede utilizarse para construir modelos de riesgo de salud y mortalidad. Investigaciones y artículos médicos recientes han demostrado que el monitoreo pasivo de los pasos de una persona mientras camina, utilizando teléfonos inteligentes, puede ser utilizado para construir modelos de riesgo de salud y mortalidad a nivel poblacional. Por ejemplo, algunos estudios han utilizado medidas de aptitudes físicas como caminatas o ritmo de caminata auto informado, para crear modelos de predicción de riesgo de mortalidad a nivel individual. Estas métricas tienen como propósito enfocarse en la calidad del movimiento antes que, en la cantidad, es decir miden la velocidad de la caminata o marcha, lo que de cierta forma se ha convertido en una práctica estándar en algunos entornos clínicos. De esta manera el monitoreo pasivo de actividad física a través de teléfonos inteligentes ha permitido realizar análisis más complejos a nivel de población y utilizando este tipo de métricas. Tal es el caso del estudio desarrollado en la Universidad de Illinois y publicado en la revista científica PLOS Digital Health. Para crear un modelo de predicción los autores de este estudio recolectaron datos de 100 mil participantes de una cohorte nacional demográficamente representativa del Biobanco de Reino Unido. Los dispositivos móviles de los participantes registraron datos de monitoreo de actividad con sensores de movimiento. Asimismo, los participantes utilizaron estos dispositivos durante una semana. Los investigadores validaron con éxito los modelos predictivos de riesgo de mortalidad y solo con la recopilación de seis minutos de caminata constate por día, los cuales fueron combinados con características demográficas tradicionales. “Esto resultó en un índice C de 0,76 para un riesgo de 1 año que disminuyó a 0,73 para 5 años. Un conjunto mínimo de características del sensor logra un índice C de 0. 72 para el riesgo de 5 años, que es una precisión similar a la de otros estudios que utilizan métodos que no se pueden lograr con sensores de teléfonos inteligentes”, detalla el estudio. “Nuestros resultados muestran que las medidas pasivas con sensores de movimiento pueden lograr una precisión similar a las medidas activas de la velocidad de la marcha y el ritmo de la marcha”, explicaron los autores. “Nuestros métodos escalables ofrecen un camino factible hacia la detección nacional de riesgos para la salud”, añadieron. BIBLIOGRAFÍA PLOS DIGITAL HEALTH https://journals.plos.org/digitalhealth/article?id=10.1371/journal.pdig.0000045 https://theplosblog.plos.org/2022/11/can-smartphones-predict-mortality-risk/?_thumbnail_id=20632&utm_medium=social&utm_source=twitter&utm_campaign=plosblogs&utm_content=theofficialplosblog

Mayo Clinic publicó un estudio en Nature Medicine, en el cual detalla un modelo de Inteligencia Artificial (IA) aplicado a un reloj inteligente capaz de identificar señales de insuficiencia cardiaca. Estudio publicado en Nature Medicine detalla la capacidad de los sensores de relojes inteligentes o wearables que realizan electrocardiogramas (ECG), para detectar con precisión insuficiencia cardiaca en entornos no clínicos. Investigadores de Mayo Clinic desarrollaron un modelo de IA que fue aplicado a grabaciones de ECG de un Apple Watch. De esta forma pudieron identificar pacientes con un latido cardiaco débil. Para el estudio, los pacientes participantes informaron de forma remota los ECG de su wearable. Posteriormente esta información se actualizó de manera automática en sus registros médicos a través de una app móvil del Centro de Salud Digital de Mayo Clinic. La disfunción ventricular o el bombeo cardiaco débil es una señal ante un posible diagnóstico de insuficiencia cardiaca, la cual gracias a este avance podría ser identificada obtener un diagnóstico de una manera más precisa y rápida. “Actualmente, diagnosticamos la disfunción ventricular a través de un ecocardiograma, una tomografía computarizada o una resonancia magnética, pero estos son costosos, requieren mucho tiempo y, en ocasiones, son inaccesibles. La capacidad de diagnosticar un bombeo cardíaco débil de forma remota, desde un ECG registrado por una persona utilizando un dispositivo de consumo, como un reloj inteligente, permite una identificación oportuna de esta enfermedad potencialmente mortal a escala masiva”, explicó el Dr. Paul Friedman, presidente del Departamento de Medicina Cardiovascular de Mayo Clinic en Rochester y autor principal del estudio. Personas con un bombeo cardiaco débil pueden no presentar síntomas, por ello es importante el diagnóstico temprano para iniciar un tratamiento de manera ágil, que detenga la llegada de síntomas como dificultad para respirar o frecuencia cardíaca acelerada, entre otros. El diagnóstico temprano es necesario también para mejorar la calidad de vida del paciente y disminuir el riesgo de insuficiencia cardiaca y el fallecimiento por esta enfermedad. El estudio mostró que el algoritmo logró un área bajo la curva de 0,88 para la detección de un bombeo cardiaco débil. “Estos datos son alentadores porque muestran que las herramientas digitales permiten la detección conveniente, económica y escalable de condiciones importantes”, explicó el Dr. Zachi Attia científico principal de IA en el Departamento de Medicina Cardiovascular de Mayo Clinic y primer autor del estudio. “A través de la tecnología, podemos recopilar de forma remota información útil sobre el corazón de un paciente de una manera accesible que puede satisfacer las necesidades de las personas donde se encuentren”, agregó. Por otra parte, el director médico del Centro de Salud Digital de Mayo Clinic, Bradley Leibovich explicó que es importante desarrollar este tipo de investigaciones que involucren dispositivos electrónicos portátiles que proporcionen capacidades analíticas para prevenir enfermedades o mejorar la salud. El estudio completo se encuentra en el siguiente enlace: https://www.nature.com/articles/s41591-022-02053-1 BIBLIOGRAFÍA MAYO CLINIC https://newsnetwork.mayoclinic.org/discussion/ai-transforms-smartwatch-ecg-signals-into-a-diagnostic-tool-for-heart-failure/

Por medio de una aplicación móvil basada en aprendizaje profundo, investigadores lograron detectar viruela símica con un 91% de precisión. Un estudio publicado en Journal of Medical Systems titulado “Clasificación de la viruela del mono humana a partir de imágenes de lesiones cutáneas con una red profunda preentrenada mediante una aplicación móvil”, mostró cómo el aprendizaje automático es capaz de detectar infección de viruela del mono utilizando imágenes de lesiones en la piel. La viruela del mono es una enfermedad causada por un ortopoxvirus y presenta similitudes con la viruela convencional. En julio de 2022, la Organización Mundial de la Salud anunció que el brote mundial de esta enfermedad era una emergencia de salud pública de emergencia internacional el nivel más alto de alerta que existe, no obstante, la enfermedad fue registrada desde 1970 en África. Los síntomas de esta enfermedad tienen una duración de dos a cuatro semanas y además existen casos severos que pueden producir complicaciones graves. Su transmisión se realiza de una persona a otra, a través del contacto cercano. Al igual que otras enfermedades infecciosas, es importante la detección rápida para evitar la propagación del virus. Los autores del artículo, exploraron el uso de la Inteligencia Artificial (IA) y sus aplicaciones de detección visual de enfermedades a través de aprendizaje profundo. El estudio presentó el uso de una app móvil para Android, que tiene como propósito reducir la tasa de propagación de la viruela símica. “La aplicación analiza las lesiones cutáneas con la ayuda de la cámara de un smartphone e indica la posibilidad de que se trate de viruela del mono”, explican los autores en el artículo. De esta forma, las personas con lesiones corporales y con sospecha de viruela del mono pueden realizar un diagnóstico preliminar con la aplicación móvil. Los autores resumen sus contribuciones en dos aspectos: el desarrollo de una herramienta básica, barata y no invasiva para el diagnóstico de la enfermedad en forma de app móvil, que además se trata del primer estudio en abordar la detección de esta enfermedad por medio de apps móviles; y la introducción de un modelo MobilNetV2 modificado para la detección de viruela del mono que utiliza datos de imágenes de lesiones cutáneas utilizando una aplicación móvil. En este sentido durante las pruebas del modelo MobileNetv2, los autores lograron un gran rendimiento en términos de precisión, pues en el 91.1% de los casos supo identificar si las imágenes correspondían o no a viruela del mono. Los autores reconocieron que su modelo puede ser replicado para la detección de otras enfermedades de la piel: “La red del sistema propuesto puede hacerse más robusta utilizando conjuntos de datos más estables y completos sobre la viruela del mono. Además, el sistema propuesto puede ampliarse para clasificar diferentes enfermedades de la piel”. Conoce más consultando el artículo completo en el siguiente enlace: https://link.springer.com/article/10.1007/s10916-022-01863-7      BIBLIOGRAFÍA SPRINGER https://link.springer.com/article/10.1007/s10916-022-01863-7 HEALTH IT ANALYTICS https://healthitanalytics.com/news/deep-learning-tool-may-facilitate-monkeypox-skin-disease-identification

Investigadores de la Escuela de Medicina de la Universidad de Washington (UW), probaron un modelo de Inteligencia Artificial (IA), capaz de identificar señales de alerta en el lenguaje de mensajes de texto de pacientes psiquiátricos o con enfermedades mentales graves. Investigadores de la UW, entrenaron y probaron con éxito un algoritmo de IA para evaluar el lenguaje utilizado en mensajes de texto por pacientes psiquiátricos. Los resultados del estudio fueron publicados en la revista científica Psychiatric Services. Los mensajes de texto se han convertido en una parte clave de la atención y evaluación de la salud mental, específicamente en intervenciones psiquiátricas remotas. Sin embargo, que cuenta con limitaciones concretas como carecer de puntos de referencia emocionales que los terapeutas pueden identificar en atenciones tradicionales frente a frente. De esta forma los investigadores utilizaron el procesamiento de lenguaje natural (PLN) para identificar mensajes de texto que reflejaran “distorsiones cognitivas” que podrían pasar desapercibidas por médicos poco capacitados o con exceso de trabajo. Justin Tauscher, autor principal del artículo y profesor en la UW, explicó que los psiquiatras identifican solamente señales visuales, señales auditivas, por lo que con el apoyo de la tecnología pueden desarrollar herramientas adicionales para identificar otro tipo de señales, como el lenguaje empleado en mensajes de texto. “La esperanza aquí es que la tecnología pueda proporcionar una herramienta adicional para que los médicos amplíen la información en la que se apoyan para tomar decisiones clínicas”, comentó. En este sentido, el objetivo del estudio fue probar si los métodos de PLN pueden detectar y clasificar las distorsiones cognitivas en los mensajes de texto en los mensajes de texto entre médicos y pacientes con enfermedades mentales graves con la misma eficacia que los evaluadores humanos capacitados clínicamente. Para ello recolectaron más de 7 mil 300 mensajes de 39 pacientes en un ensayo controlado aleatorio de una intervención de 12 semanas de intervención por mensajes de texto. Los mensajes fueron etiquetados en para distorsiones cognitivas comunes como: filtrado mental, conclusiones precipitadas, catastrofismo, declaraciones de “debería” y generalización excesiva. Posteriormente un modelo sintonizado logró un rendimiento comparable al de los evaluadores clínicos en la clasificación de textos con cualquier distorsión cognitiva. Los resultados mostraron que el PLN puede utilizarse para la detección y clasificación efectiva de distorsiones cognitivas en comunicación vía mensaje de texto y que además tienen el potencial de informar herramientas automatizados con potencial de escalabilidad en el apoyo clínico a pacientes psiquiátricos o con enfermedades mentales graves. “Ser capaz de tener sistemas que puedan ayudar a respaldar la toma de decisiones clínicas creo que es muy relevante y potencialmente impactante para aquellos en el campo que a veces no tienen acceso a capacitación, a veces no tienen acceso a supervisión o a veces simplemente están cansados, con exceso de trabajo y tienen dificultades para mantenerse presentes en todas las interacciones que tienen”, explicó Tauscher. BIBLIOGRAFÍA UNIVERSITY OF WASHINGTON https://newsroom.uw.edu/news/ai-equal-humans-text-message-mental-health-trial PSYCHIATRY ONLINE https://ps.psychiatryonline.org/doi/10.1176/appi.ps.202100692 HEALTH IT ANALYTICS https://healthitanalytics.com/news/ai-tool-can-detect-signs-of-mental-health-decline-in-text-messages

La Universidad de Sídney en colaboración con ochos instituciones de investigación australianas y Imperial College London realizaron un estudio global transversal sobre el uso de tecnología con fines de salud durante la pandemia. El estudio publicado en PLOS Digital Health, tuvo como objetivo examinar las aplicaciones móviles de cuidado de la salud, seguimiento de actividad física, o relacionadas con COVID-19 en adulto durante la pandemia. Estos con el fin de encontrar o establecer una relación del uso de este tipo de aplicaciones y las conductas o hábitos saludables. El método utilizado fue una encuesta transversal aplicada en línea entre junio y septiembre de 2020. La encuesta fue desarrollada y revisada de forma independiente por los coautores para establecer su validez. La asociación entre el uso de las apps móviles mencionadas y los hábitos relacionados con la salud fueron examinados utilizando un modelo de regresión logística multivariante, que es una técnica utilizada para estimar la relación entre variables o conjuntos de variables. La encuesta contó con la participación de 552 adultos (76,7% mujeres y 23,3% hombres) de 32 países, aunque en su mayoría fueron australianos. La encuesta auto informada mostró que el 60% de los adultos utilizado una app móvil por motivos relacionados con la salud durante la pandemia mientras que el 38% utilizó apps para dar seguimiento a su actividad física. A pesar de que no son aplicaciones especializadas para promover hábitos saludables, las apps más utilizadas con este fin fueron Zoom, Facebook y YouTube. No obstante, el 83% de las personas respondieron que utilizaron apps de salud durante la pandemia para mantenerse activos; el 37% para conectar con otras personas, el 33% para manejar su salud mental, el 26% para comer sanamente y el 26% para dormir mejor. Las aplicaciones relacionadas con la actividad física fueron utilizadas por el 80% de los participantes para registro y monitoreo de su nivel de actividad y el 60% para seguir videos de ejercicio. Asimismo, el 30% dijo utilizar este tipo de apps para tomar clases en vivo y el 34% para compartir su progreso en redes sociales. El estudio mostró que personas que registraron el uso de apps móviles relacionadas con la salud tenía más probabilidad de ser activas. “Esto demuestra que la tecnología puede desempeñar un papel importante para ayudar a promover comportamientos saludables, incluso durante las circunstancias únicas de la pandemia. Deberíamos aprender de esto a medida que buscamos mejorar la atención médica y la accesibilidad en el futuro porque mantener a las personas en el buen camino con hábitos saludables es clave para la prevención de enfermedades crónicas”. explica el investigador Huong Ly Tong, autor principal del estudio. Sin embargo, el estudio mostró también los aspectos negativos de la tecnología en la salud durante la pandemia, en específico el uso de redes sociales. La Dra. Liliana Laranjo, investigadora principal en Salud Digital en el Centro de Investigación Aplicada de Westmead en la Facultad de Medicina y Salud de la Universidad de Sídney, explicó que las apps de salud ayudaron a personas a buscar una sensación de normalidad y a mantenerse activas y conectadas. “A veces, también tuvieron un impacto emocional negativo cuando las personas se sintieron expuestas a demasiada información sobre el COVID-19 en línea o cuando sintieron que no estaban alcanzando sus objetivos de acondicionamiento físico en los rastreadores”, explicó. Huong Ly Tong, explica que es necesaria más investigación en este tema, así como ensayos clínicos sólidos que logren impulsar una mayor personalización y adaptabilidad de las apps móviles. Te invitamos a consultar el estudio completo en el siguiente enlace https://journals.plos.org/digitalhealth/article?id=10.1371/journal.pdig.0000087 BIBLIOGRAFÍA SYDENY UNIVERSITY https://www.sydney.edu.au/news-opinion/news/2022/08/19/apps-kept-us-healthy-during-the-pandemic-but-it-came-at-a-cost.html https://twitter.com/syd_health/status/1560520034535223296  PLOS https://journals.plos.org/digitalhealth/article?id=10.1371/journal.pdig.0000087

Estudio publicado en PLOS Digital Health exploró una prueba basada en teléfonos inteligentes y una caminata de seis minutos para clasificar el riesgo de caída en personas con amputaciones de miembros inferiores. Los modelos de predicción de caídas son una herramienta muy útil para intervenir tempranamente y evitar accidentes mayores. No obstante, este tipo de modelos suele pasar por alto a personas que viven con una amputación en extremidades inferiores. El estudio publicado recientemente en PLOS Digital Health, detalla cómo los pasos y pisadas con detección automatizada en una caminata de seis minutos, son clave para el cálculo de características de los pasos de personas con amputaciones inferiores. De esta forma los investigadores lograron clasificar el riesgo de caídas en estos pacientes. Es decir, gracias a la detección automatizada de pisadas mediante un teléfono inteligente conectado al cuerpo en una caminata de seis minutos (6MWT, en inglés), es posible conocer características basados en pasos como lo es el riesgo de caída en pacientes con amputaciones de extremidades inferiores. El estudio incluyó la participación de 80 personas con amputaciones en extremidades inferiores, 27 con caídas y 53 sin caídas. Además, durante la 6MWT se utilizó un teléfono inteligente colocado en la pelvis posterior, el cual logró recopilar información por medio de la aplicación móvil Walk Test desarrollada por el Centro de Rehabilitación del Hospital de Ottawa (TOHRC). Los criterios de inclusión del estudio fueron pacientes con: una amputación por debajo de la rodilla o superior: capacidad para caminar con bastón o un par de maletas sin ayuda; seis meses después de la amputación como mínimo; prótesis funcional; y sin heridas en el muñón. El teléfono móvil detectó automáticamente las pisadas gracias al uso de un enfoque de memoria a largo plazo, y las características de los pasos se calcularon gracias a etiquetas manuales o automatizadas. “Las pisadas etiquetadas manualmente clasificaron correctamente el riesgo de caídas para 64 de 80 participantes (80 % de precisión, 55,6 % de sensibilidad, 92,5 % de especificidad). Los golpes de pie automatizados clasificaron correctamente a 58 de 80 participantes (precisión 72,5 %, sensibilidad 55,6 %, especificidad 81,1 %)”, detalla el estudio. Los dos enfoques tuvieron una clasificación equivalente pero los golpes de pie tuvieron seis falsos positivos más. Es decir que la investigación demostró que los golpes de pie automatizados en una 6MWT son útiles para el cálculo de características basadas en pasos y para la clasificación del riesgo de caída. Conoce más sobre este estudio en el siguiente enlace: https://journals.plos.org/digitalhealth/article?id=10.1371/journal.pdig.0000088 BIBLIOGRAFÍA PLOS https://journals.plos.org/digitalhealth/article?id=10.1371/journal.pdig.0000088

Investigadores de la Escuela Pritzker de Ingeniería Molecular (PME) de la Universidad de Chicago han desarrollado un dispositivo flexible para colocar en la piel que es capaz de procesar información médica. El dispositivo tiene características flexibles y estirables, debido a que está compuesto por un chip neuromórfico hecho de semiconductores elásticos. Sin embargo, su importancia radica en que es capaz de procesar cantidades masivas de información en salud en tiempo real gracias a la aplicación de Inteligencia Artificial (IA). “Con este trabajo, hemos unido la tecnología portátil con la inteligencia artificial y el aprendizaje automático para crear un dispositivo poderoso que puede analizar datos de salud directamente en nuestros propios cuerpos”, dijo Sihong Wang, científico de materiales y profesor asistente de Ingeniería Molecular. Las capacidades de este dispositivo tienen como objetivo cambiar la forma en que se procesan los datos en salud. Las características detalladas sobre este dispositivo que busca imitar al cerebro humano en cómo procesa la información, fueron descritas en un artículo de la revista Matter: https://www.cell.com/matter/fulltext/S2590-2385(22)00415-5 Los científicos detrás de este proyecto indican que realizar un perfil detallado sobre la salud requiere de una visita a un centro de salud, sin embargo, contar con un dispositivo portátil que pueda monitorear continuamente datos de salud de los pacientes facilitaría la detección de enfermedades. Este dispositivo permite lograr avances en la medicina personalizada y mejorar el procesamiento de datos de salud realizado por dispositivos móviles como wearables o teléfonos inteligentes. “El envío de datos de salud de forma inalámbrica es lento y presenta una serie de problemas de privacidad. También es increíblemente ineficiente desde el punto de vista energético; cuantos más datos comencemos a recopilar, más energía comenzarán a usar estas transmisiones”, explicó Wang. La utilidad del equipo fue probada inicialmente para analizar datos de electrocardiogramas para medir la actividad eléctrica del corazón. El dispositivo fue entrenado por medio de IA para clasificar los ECG en cinco categorías, una sobre datos saludables y cuatro sobre datos con señales anormales. “Si puede obtener información en tiempo real sobre la presión arterial, por ejemplo, este dispositivo podría tomar decisiones muy inteligentes sobre cuándo ajustar los niveles de medicación para la presión arterial del paciente”, dijo Wang. Los investigadores continuarán entrenando algoritmos de aprendizaje automática para lograr nuevas funcionalidades del dispositivo. BIBLIOGRAFÍA UNIVERSIDAD DE CHICAGO https://pme.uchicago.edu/news/stretchy-computing-device-feels-skin-analyzes-health-data-brain-mimicking-artificial

Durante la última década, diversos estudios han explorado el uso de teléfonos móviles inteligentes para medir la presión arterial y dar seguimiento a pacientes con hipertensión. La hipertensión es una enfermedad cardiovascular que afecta a más de mil 200 millones de adultos de 30 a 79 años en el mundo. En este sentido, es un problema grave de salud pública a nivel mundial, lo que requiere la extensión de herramientas que favorezcan su diagnóstico y su seguimiento a través de la medición de la presión arterial. Debido a que la hipertensión suele no presentar síntomas, la detección temprana es un gran desafío. Existen diversos métodos para controlar la hipertensión, como la monitorización invasiva de la presión arterial, o la no invasiva con apoyo de dispositivos, sin embargo, estos últimos no siempre son precisos. El estudio “Medición de la presión arterial usando solo un teléfono inteligente”, presenta una revisión de artículos publicados desde noviembre 2011 a noviembre 2021 donde se analizan diversos enfoques que utilizan teléfonos inteligentes para la estimación de la presión arterial. En dicho periodo de tiempo se identificaron 333 artículos publicados de los cuales los autores seleccionaron 25 artículos relevantes. Los artículos incluyeron enfoques como técnicas de procesamiento de señales, características extraídas de señales construidas o algoritmos para estimar la presión arterial. De hecho 23 artículos proponen un enfoque que requiere contacto directo entre el sensor y el paciente y otros dos artículos proponen un método de medición sin contacto, basado en videos faciales. Uno de los métodos de contacto directo es la construcción de señales a través de una grabación de video de un dedo. Este método requiere que el sujeto coloque su dedo en la cámara del teléfono con la luz led encendida, de esta forma se extraen las imágenes del video y se evalúa el brillo medio de los pixeles en tres canales de color, rojo verde y azul Por otra parte, el método de grabación de video facial, requiere una grabación de su tiempo determinado del rostro del paciente, y de igual forma se divide cada cuadro entre los tres canales de color, y se extraen las señales de concentración de hemoglobina. El enfoque de construcción de señal de fono cardiograma y sismo cardiograma se realiza a través de registros de sonidos y vibraciones del corazón. Para ello se coloca el teléfono móvil a la altura del pecho y las vibraciones son medidas por medio del acelerómetro del teléfono móvil. Conoce más detalle consultando la revisión completa en el siguiente enlace: https://www.nature.com/articles/s41746-022-00629-2 BIBLIOGRAFÍA NATURE https://www.nature.com/articles/s41746-022-00629-2

Estudio utiliza cámara de teléfono móvil para estimar el porcentaje de grasa corporal La medición de la composición corporal es un aspecto importante para la prevención y control de enfermedades. Por ejemplo, el exceso de grasa en el cuerpo, o adiposidad, es un factor de riesgo en el desarrollo de enfermedades crónicas. Asimismo, herramientas para realizar mediciones corporales, como el índice de masa corporal (IMC), pueden ser imprecisas. En este sentido, el estudio en cuestión, tuvo como objetivo evaluar el rendimiento de un nuevo método de visión automatizada por computadora para obtener la composición visual del cuerpo (VBC, siglas en inglés) La VBC utiliza fotografías bidimensionales capturadas a través de un teléfono inteligente convencional y de acuerdo a la información evaluada puede estimar el porcentaje de grasa corporal total.  Este método está basado en una red neuronal convolucional de última generación. La hipótesis del estudio sostiene que la VBC logra una precisión mayor a la de otros dispositivos de medición de grasa corporal. Por ello a se realizaron pruebas en dos sitios clínicos, en los cuales a los participantes se les midió el porcentaje de grasa corporal total con VBC, tres consumidores y dos sistemas de análisis de bioimpedancia profesionales. De esta forma la VBC tuvo la concordancia general más alta y los límites de concordancia más ajustados entre los métodos utilizados para esta evaluación. “Mientras que muchos otros dispositivos están disponibles para capturar la imagen de una persona y transformar la información cuantificada en una estimación de la composición corporal VBC solo necesita dos fotografías convencionales del participante capturadas a través de la cámara de su teléfono inteligente personal. Estas dos imágenes se envían de forma segura a la nube donde: (1) se segmentan en persona y fondo, y (2) se pasan a un modelo CNN que analiza automáticamente las imágenes, extrae las características visuales relevantes para la composición corporal y genera una estimación del porcentaje de grasa corporal total”, explican los autores en el estudio Conoce más sobre este avance y los resultados completos del estudio en el siguiente enlace: https://www.nature.com/articles/s41746-022-00628-3 BIBLIOGRAFÍA NATURE https://www.nature.com/articles/s41746-022-00628-3