IA para dispositivos médicos y salud digital

CAPÍTULOS

Capítulo 5: Ampliación y mejora del acceso a servicios de atención médica

Lucha contra la neumonía infantil
Machine Learning lleva la detección temprana del cáncer a zonas rurales de India
Wearable Tech ofrece terapia de salud mental basada en datos

Capítulo 5

IA para ampliar y mejorar el acceso a servicios de atención médica

En los países en desarrollo, las desigualdades entre los servicios de salud en entornos urbanos y rurales constituyen un grave problema. La escasez de proveedores de atención médica cualificados es una de las principales causas de la falta de disponibilidad y baja calidad de la asistencia médica en zonas rurales. Algunos estudios han mostrado que la aplicación de técnicas médicas asistidas por computador o basadas en IA podría mejorar los resultados de la atención médica en zonas rurales y países en desarrollo.

Lucha contra la neumonía infantil

Desafío

La neumonía es la primera causa infecciosa de muerte en menores de cinco años en todo el mundo. Según UNICEF, la neumonía cobró la vida de más de 880.000 niños en 2016, la mayoría de ellos menores de dos años. El mayor problema no es el tratamiento, ya que los antibióticos disponibles presentan un alto índice de éxito. El principal desafío radica en los errores de diagnóstico, sobre todo en zonas donde el acceso a la atención médica es muy limitado.

Soluciones

Brian Turyabagye y dos colegas de la Universidad de Makerere de Kampala en Uganda, Olivia Koburongo y Besufekad Shifferaw, fundaron Mama-Ope en 2016 para desarrollar un enfoque basado en IA para diagnosticar la neumonía en niños.

Diseñaron un dispositivo médico wearable: una chaqueta inteligente con cinco micrófonos que funcionan como estetoscopios wearable para medir los sonidos pulmonares desde múltiples áreas del torso de un niño.
El equipo de Mama-Ope programó un algoritmo de procesamiento de señales para obtener la mejor información de diagnóstico posible a partir de las grabaciones de audio. El objetivo: lograr determinar cuándo se registra el sonido crepitante distintivo de la neumonía. Heurísticamente, los sonidos pulmonares distintivos provienen de la respiración sibilante y crepitante.
El equipo junto con personal experto de MathWorks exploró las señales en MATLAB con técnicas de procesamiento de señales y wavelets. Identificaron características distintivas presentes a lo largo de la señal.
Aislaron estas características distintivas para entrenar un algoritmo de Machine Learning en MATLAB que puede predecir casos de neumonía.

Un hombre coloca un chaleco wearable diseñado para grabar los sonidos pulmonares de un niño.

Enfoque basado en IA para diagnosticar neumonía en niños. (Imagen cortesía de RAEng/Brett Eloff)

Así suena la neumonía. (Fuente del audio: thesimtech.com)

Resultados

La chaqueta se ha diseñado para su uso en clínicas y escuelas remotas. Incluso en lugares sin personal médico o un equipo informático, se puede utilizar la chaqueta para obtener un diagnóstico rápido. La chaqueta se conecta a una app móvil a través de Bluetooth^®, y registra y analiza los datos recopilados. Luego, envía los resultados a un profesional de la salud que puede proporcionar un diagnóstico bien fundado sin necesidad de examinar en persona al niño. UNICEF ya ha manifestado su interés por ayudar a Mama-Ope a llevar su tecnología a escuelas, hospitales y clínicas de los países más afectados por neumonía del África subsahariana, tales como Uganda, Kenia, Tanzania, Etiopía y Nigeria.

Lea el artículo

Machine Learning lleva la detección temprana del cáncer a zonas rurales de India

Desafío

El cáncer de cuello uterino se puede curar si se detecta a tiempo, pero el diagnóstico precoz depende de la detección sistemática periódica. En las zonas rurales, sobre todo en países de ingresos bajos y medios, pocas personas pueden acceder a este tipo de asistencia. Mejorar el acceso a exámenes de detección es fundamental, ya que la población de estas zonas representa el 85% de los casos de cáncer de cuello uterino.

Dispositivo montado en un espéculo conectado a una aplicación de tableta.

Cervisense ofrece resultados inmediatos de detección del cáncer de cuello uterino mediante Machine Learning. (Imagen cortesía de Akshita Sachdeva)

Solución

Akshita Sachdeva y Bonny Dave fundaron Satin Healthtech, una empresa de la India, y desarrollaron un producto denominado Cervisense. Cervisense consta de una pequeña cámara montada sobre un espéculo y un programa para tabletas que ofrece resultados inmediatos de detección del cáncer de cuello uterino. Se trata de una herramienta de detección sistemática basada en imágenes ópticas que ayuda a automatizar y mejorar la precisión del examen de detección de cáncer de cuello uterino. El programa aplica técnicas de Machine Learning sobre las imágenes tomadas por personal médico durante el examen del cuello uterino, y proporciona una puntuación de diagnóstico preliminar para orientar el tratamiento.

Resultados

Satin Healthtech ha completado el prototipo de Cervisense, que ha despertado el interés de profesionales de ginecología y oncología de la India. Meses después de la fundación de Satin Healthtech, la Organización Mundial de la Salud anunció la estrategia global para la eliminación del cáncer de cuello uterino, que exige tasas de detección sistemática más altas.

Lea el artículo

Wearable Tech ofrece terapia de salud mental basada en datos

Desafío

Se estima que 500 millones de personas en todo el mundo padecen alguna enfermedad mental, y solo en los Estados Unidos, el coste alcanza los 500 mil millones de dólares al año. Muchas personas se benefician de la terapia psicológica, pero aún existen brechas. La evaluación de la salud mental es muy subjetiva, y la prevención es limitada. A veces, la condición o enfermedad de pacientes tiene un diagnóstico inexistente y existe poca intervención en tiempo real.

Solución

La monitorización continua de pacientes puede ayudar a mejorar problemas de salud mental tales como ansiedad y depresión. El programa Feel de Sentio incluye una pulsera y una app móvil que realiza un seguimiento del estado emocional de usuarios, ofrece ejercicios mentales y físicos regulares, y los comunica con profesionales terapeutas una vez por semana.

El sistema utiliza algoritmos de Machine Learning y procesamiento de señales desarrollados en MATLAB para detectar patrones en los datos recopilados por el dispositivo wearable, tales como combinaciones de biomarcadores que indican diferentes estados emocionales.
Sentio comenzó el entrenamiento recopilando bibliografía psicológica sobre las señales físicas más indicativas de distintas emociones. Luego, ajustaron los modelos con descripciones de los sentimientos proporcionadas por personas que utilizaron el sensor de emociones. Los modelos también clasificaron los datos, y cuando las etiquetas de emoción diferían de la descripción del usuario, los modelos se actualizaron por si mismos, para funcionar mejor la siguiente vez.
Estos algoritmos se despliegan en servidores de Amazon^® Web Services (AWS) basados en la nube que supervisan el estado emocional de pacientes y envían los resultados a la app.

Imagen de MATLAB que muestra el procesamiento de señales en la parte superior derecha y los resultados del procesamiento del modelo en la parte inferior.

Machine Learning y el procesamiento de señales utilizan datos de sensores fisiológicos para detectar emociones.

Machine Learning y el procesamiento de señales utilizan datos de sensores fisiológicos para detectar emociones.

Resultados

El sistema se ha probado con cientos de usuarios. Es capaz de adaptarse a cada persona. Muchos han manifestado que sienten que el sensor de emociones Feel los conoce realmente.

Lea el artículo