Filtrar por tipo de entrada
Seleccionar todo
Noticias
Páginas
Eventos
Filtrar por categorías
Seleccionar todo
AI ANALITICA
Apps móviles e Internet de las Cosas
Avance de la ciencia
Big data
Comunidades conectadas
Coronavirus
Cursos y capacitaciones
DIAGNOSTICO
Editorial inicial
Editoriales
El mundo en la nube
Eventos
Infografías
Inteligencia Artificial y Ciencia
IoTApps
Noticias
Plataformas digitales
Redes sociales
Reseña de publicaciones científicas
Resumen de Cursos
Sinopsis de ensayo
Sinopsis de Marcos de Referencia
Sinopsis de publicaciones recientes
Uso de Plataformas Digitales
Índice de masa corporal e IA pueden predecir enfermedades cardiometebólicas.

Investigadores utilizan el índice de masa corporal obtenido por medio de una electrocardiografía mejorada con IA podría predecir enfermedades cardiometabólicas a futuro.

Un estudio realizado por investigadores de Imperial College London y otras instituciones de investigación, publicado en npj Digital Medicine exploró la creación de un nuevo método para la predicción de enfermedades cardiometabólicas basado en un electrocardiograma (ECG). Un electrocardiograma ECG es capaz de capturar cambios cardíacos relacionados con la obesidad, sin embargo, un ECG mejorado con inteligencia artificial (IA) identifica enfermedades subclínicas.  En años recientes la aplicación del deep learning en el campo de ECG ha ganado terreno, especialmente por estudios donde se demuestran sus capacidades diagnósticas y predictivas para predecir enfermedades cardíacas.

Por ello los investigadores entrenaron un modelo de ECG-IA para predecir el índice de masa corporal (IMC) a partir de un ECG. El estudio utilizó datos de 512,950 mil ECG, los cuales fueron validados con datos del UK Biobank (42,386 personas).

El modelo mostró resultados favorables en la predicción del IMC de los pacientes. Asimismo, el estudio introdujo el concepto Delta-BMI, que se refiere a la diferencia entre el IMC predicho por el modelo de ECG-IA. En este sentido, el estudio encontró que el delta-BMI es un marcador de salud cardiometabólica, ya que los pacientes con índices más altos de Delta-BMI tenían un mayor riesgo de desarrollar enfermedades cardiometabólicas y diabetes mellitus en el futuro.

Para la construcción del modelo fue utilizada una red neuronal residual 3D para segmentar y analizar imágenes de los pulmones. Además, como se indicó anteriormente, el modelo fue validado de manera externa con datos del UK Biobank.

El estudio también encontró diversas asociaciones genéticas y perfiles metabólicos. Por ejemplo, existe una asociación entre delta-BMI y varios biomarcadores metabólicos y proteómicos.

Es decir, el modelo de ECG-IA es capaz no solo de predecir el IMC de forma precisa, sino que utiliza el delta-BMI como un biomarcador no invasivo para estratificar el riesgo cardiometabólico. De igual manera, este modelo puede identificar individuos en riesgo de desarrollar enfermedades cardiometabólicas futuras, lo cual facilita las intervenciones preventivas.

Contenidos Relacionados

Secured By miniOrange