Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

Please note that the HospiMedica website is also available in a complete English version
Presenta Sitios para socios Información LinkXpress hp
Ingresar
Publique su anuncio con nosotros
77 ELEKTRONIKA

Deascargar La Aplicación Móvil




Inteligencia artificial mejora la precisión en la interpretación del EEG de pacientes de la UCI

Por el equipo editorial de HospiMedica en español
Actualizado el 13 Jun 2024
Print article
Imagen: Una lectura completa del nuevo algoritmo de IA que ayuda a leer el EEG (foto cortesía de la Universidad de Duke)
Imagen: Una lectura completa del nuevo algoritmo de IA que ayuda a leer el EEG (foto cortesía de la Universidad de Duke)

Las lecturas de electroencefalografía (EEG) son cruciales para detectar cuándo los pacientes inconscientes pueden estar experimentando o corren riesgo de sufrir convulsiones. Los EEG implican colocar pequeños sensores en el cuero cabelludo para medir las señales eléctricas del cerebro, que se visualizan como líneas que fluctúan en un gráfico. Durante una convulsión, estas líneas exhiben picos dramáticos similares a los de un sismógrafo durante un terremoto, lo que las hace fáciles de reconocer. Sin embargo, otras anomalías significativas pero más sutiles, conocidas como eventos similares a convulsiones, son más difíciles de identificar. Ahora, un modelo de aprendizaje automático de asistencia puede mejorar significativamente la forma en que los profesionales médicos interpretan los gráficos EEG de pacientes en entornos de cuidados intensivos.

Investigadores de la Universidad de Duke (Durham, Carolina del Norte, EUA) utilizaron algoritmos de aprendizaje automático "interpretables" para desarrollar esta herramienta computacional. A diferencia de los modelos típicos de aprendizaje automático, que a menudo son "cajas negras" que hacen imposible comprender cómo se llegó a las conclusiones, los modelos interpretables están diseñados para revelar los procesos detrás de sus conclusiones. El equipo comenzó analizando muestras de EEG de más de 2700 pacientes, y más de 120 expertos identificaron características clave en los gráficos, clasificándolas como convulsiones, uno de los cuatro tipos de eventos similares a convulsiones u "otros". Estos eventos aparecen en los gráficos de EEG como formas o patrones distintos, pero la variabilidad de estos gráficos significa que las señales pueden quedar oscurecidas por el ruido o mezclarse en gráficos confusos.

Debido a la ambigüedad de estos gráficos, el modelo fue entrenado para colocar sus decisiones dentro de un continuo en lugar de en contenedores separados bien definidos. Visualmente, este continuo puede compararse con una estrella de mar multicolor que evade a un depredador, y cada color representa un tipo diferente de evento similar a una convulsión. Cada brazo de diferente color representa un tipo de evento similar a una convulsión que el EEG podría representar. Cuanto más cerca coloca el algoritmo un gráfico específico hacia la punta de un brazo, más seguro está de su decisión, mientras que aquellos colocados más cerca del cuerpo central están menos seguros. Además, el algoritmo resalta los patrones de ondas cerebrales específicos que analizó para llegar a sus conclusiones y compara el gráfico en cuestión con tres ejemplos diagnosticados profesionalmente.

Este enfoque permite a los profesionales médicos centrarse rápidamente en secciones relevantes del EEG, evaluar si los patrones identificados son precisos o determinar si el análisis del modelo es incorrecto. Esta herramienta puede ser de gran ayuda incluso para aquellos con experiencia limitada en la lectura de EEG a tomar decisiones más informadas. Para validar la eficacia de esta tecnología, un equipo de ocho profesionales médicos con experiencia relevante clasificó 100 muestras de EEG en seis categorías, con y sin asistencia de IA. Su precisión mejoró significativamente con la IA, pasando del 47 % al 71 %, y superando a aquellos que utilizaron un algoritmo de "caja negra" más opaco en estudios anteriores. Los hallazgos se publicaron en la revista NEJM AI el 23 de mayo de 2024.

"Por lo general, la gente piensa que los modelos de aprendizaje automático de caja negra son más precisos, pero para muchas aplicaciones importantes, como ésta, simplemente no es cierto", dijo Cynthia Rudin, profesora Earl D. McLean, Jr. de Ciencias de la Computación y Eléctrica y Ingeniería Informática en Duke. “Es mucho más fácil solucionar problemas en los modelos cuando son interpretables. Y en este caso, el modelo interpretable era en realidad más preciso. También proporciona una vista panorámica de los tipos de señales eléctricas anómalas que ocurren en el cerebro, lo cual es realmente útil para el cuidado de pacientes críticamente enfermos”.

Enlaces relacionados:
Universidad de Duke

Miembro Oro
VISOR EN PANTALLA DE DIAGNÓSTICO EN TIEMPO REAL
GEMweb Live
Miembro Oro
Disposable Protective Suit For Medical Use
Disposable Protective Suit For Medical Use
Miembro Plata
Wireless Mobile ECG Recorder
NR-1207-3/NR-1207-E
New
Portable Single Breath DLCO Device
EasyOne Pro

Print article

Canales

Técnicas Quirúrgicas

ver canal
Imagen: La plataforma asistida por robot Ion está diseñada para mejorar el rendimiento en la atención de biopsias pulmonares (foto cortesía de Intuitive Surgical)

Plataforma de broncoscopia asistida por robot permite una biopsia pulmonar mínimamente invasiva

La broncoscopia es un método de larga data para diagnosticar el cáncer de pulmón, particularmente eficaz para detectar lesiones en etapa temprana (Etapas 1 a 2). Por lo general, los... Más

Cuidados de Pacientes

ver canal
Imagen: La tecnología portátil de BeamClean inactiva los patógenos en superficies comúnmente tocadas en segundos (foto cortesía de Freestyle Partners))

Tecnología portátil de luz germicida, única en su tipo, desinfecta superficies clínicas de alto contacto en segundos

La reducción de las infecciones adquiridas en la atención sanitaria (IAAS) sigue siendo una cuestión apremiante dentro de los sistemas sanitarios mundiales. Sólo en Estados Unidos, 1,7 millones de pacientes... Más

TI

ver canal
Imagen: El primer modelo específico de la institución proporciona una ventaja de desempeñoa significativa sobre los modelos actuales basados en la población (Fotografía cortesía de Mount Sinai)

Modelo de aprendizaje automático mejora predicción del riesgo de mortalidad para pacientes de cirugía cardíaca

Se han implementado algoritmos de aprendizaje automático para crear modelos predictivos en varios campos médicos, y algunos han demostrado mejores resultados en comparación con sus... Más

Pruebas POC

ver canal
Imagen: El lector de inmunoensayo cuantitativo RPD-3500 (Fotografía cortesía de BK Electronics)

Lector de inmunoensayo de pruebas POC proporciona análisis cuantitativo de kits de prueba para diagnóstico más preciso

Un lector de inmunoensayos cuantitativos pequeño y liviano que proporciona un análisis cuantitativo de cualquier tipo de kits o tiras de prueba rápida, y se puede conectar a una PC... Más
Copyright © 2000-2024 Globetech Media. All rights reserved.