E-book

Capítulo 2

IA para diagnóstico precoz y respaldar decisiones clínicas

Según un informe reciente, los errores médicos representan la tercera causa de muerte en los EE. UU. [2]. La mayoría de los errores están relacionados con diagnósticos incorrectos y diagnósticos inexistentes. En los Estados Unidos, la mayoría de las personas recibe un error de diagnóstico a lo largo de su vida, y el 10% de los casos acaba en muerte [2] [3].

Con IA, el procesamiento de la información y la toma de decisiones se vuelve más eficiente y menos propensa a errores. Los siguientes ejemplos ilustran cómo los proveedores de atención médica pueden obtener mejores diagnósticos directamente a partir de imágenes médicas, señales fisiológicas o historiales médicos con dispositivos basados en IA.

Un mapa en tiempo real basado en IA del corazón y su actividad eléctrica ayuda al personal médico a ejecutar con precisión intervenciones quirúrgicas de fibrilación auricular. (Imagen cortesía de Corify Care)

Evaluación del riesgo de caídas en adultos de edad avanzada con sensores inerciales y Machine Learning

Desafío

Todos los años, una de cada tres personas mayores de 65 años sufre una caída, lo que las convierte en la principal causa de lesiones mortales y no mortales en este grupo de edad.

Solución

Kinesis Health Technologies desarrolló un dispositivo denominado QTUG™ (Quantitative Timed Up and Go), un método objetivo y cuantitativo para detectar el riesgo de caídas, debilidad y deficiencia de movilidad con sensores inerciales inalámbricos colocados en la pierna de un paciente. El producto final utiliza modelos basados en IA desarrollados con MATLAB para calcular una estimación de riesgo de caída (FRE) y un índice de debilidad (FI).

  • En una prueba de QTUG, se colocan dos sensores inerciales inalámbricos a un paciente, uno en cada pierna por debajo de la rodilla. Cada sensor incluye un acelerómetro y un giroscopio.
  • Para eliminar el ruido de alta frecuencia de los datos recopilados con estos sensores, se emplearon filtros digitales diseñados con Filter Designer en Signal Processing Toolbox™.
  • El equipo de trabajo empleó Statistics and Machine Learning Toolbox™ para seleccionar el subconjunto de características con el valor predictivo más alto y validar un modelo de clasificador discriminante regularizado implementado en MATLAB.
  • El equipo entrenó los modelos con datos de ensayos clínicos recopilados de miles de pacientes y evaluó los resultados producidos por el clasificador combinado.
  • Para actualizar los coeficientes del clasificador en función de un nuevo conjunto de datos de referencia, se los exportó desde MATLAB a un archivo de recursos que se incorporó luego a la compilación.
Registro de métricas recopiladas a partir de una prueba TUG (Timed Up and Go).

Métricas cuantitativas de un paciente. (Imagen cortesía de Kinesis Health Technologies)

Resultados

Hasta la fecha, profesionales clínicos de ocho países han utilizado QTUG para evaluar a más de 20.000 pacientes. El equipo continúa refinando el conjunto de datos de referencia a medida que van obteniendo nuevos resultados. Calculan que el plazo de desarrollo fue tres veces menos que si lo hubieran desarrollado en Java®, lo que redujo el plazo de comercialización y el registro como dispositivo de Clase I en la FDA de EE. UU., la Agencia de Salud de Canadá y la Agencia Europea de Medicamentos (EMA).

Lea el artículo

Referencias

[2] Makary, Martin A y Michael Daniel. “Medical Error—the Third Leading Cause of Death in the US”. BMJ, 3 de mayo de 2016. https://doi.org/10.1136/bmj.i2139.

[3] Balogh, Erin, Bryan T. Miller y John Ball. Improving Diagnosis in Health Care. Washington, DC: The National Academies Press, 2015.