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
ARAB HEALTH - INFORMA

Deascargar La Aplicación Móvil




Algoritmo de IA automatiza el análisis de EEG para detectar epilepsia con alta precisión

Por el equipo editorial de HospiMedica en español
Actualizado el 01 Oct 2024
Print article
Imagen: El algoritmo informático de dos etapas detecta la epilepsia con alta precisión a partir de registros de EEG (foto cortesía de 123RF)
Imagen: El algoritmo informático de dos etapas detecta la epilepsia con alta precisión a partir de registros de EEG (foto cortesía de 123RF)

La epilepsia es uno de los trastornos neurológicos más comunes, afectando a 50 millones de personas en todo el mundo. Las convulsiones epilépticas son consecuencia de una actividad cerebral anormal y pueden provocar pérdida de conciencia, movimientos incontrolados y diversos deterioros visuales y cognitivos. En la actualidad, alrededor del 70 % de los pacientes con epilepsia experimentan el cese de las convulsiones mediante terapia médica o intervención quirúrgica. Para diagnosticar la epilepsia con precisión y prescribir el tratamiento adecuado, los médicos se basan en la identificación de los señales epilépticas en los registros de EEG. Sin embargo, este proceso requiere mucho tiempo, ya que los registros de EEG de un solo paciente pueden durar de horas a días Además, distinguir las señales específicas de la epilepsia de otras actividades cerebrales requiere una gran experiencia clínica y conocimientos especializados. Ahora, los científicos han desarrollado un algoritmo que supera los métodos automatizados existentes para detectar la epilepsia en los registros de EEG. El enfoque combina dos técnicas (un clasificador no supervisado y una red neuronal entrenable) con el objetivo de automatizar el análisis de EEG y simplificar el proceso de detección de la epilepsia.

Un equipo de científicos, incluidos investigadores de la Universidad Federal Báltica Immanuel Kant (Kaliningrado, Rusia), ha creado un método automatizado para detectar la actividad cerebral correspondiente a las crisis epilépticas en los registros de EEG. Para ello, han empleado un sistema de detección en dos etapas mediante la integración de dos enfoques diferentes. En la primera etapa, un algoritmo sencillo y no supervisado, conocido como clasificador, identifica las "emisiones", es decir, señales con intensidades que superan la actividad cerebral normal. Estas emisiones pueden representar crisis epilépticas, ruido externo o actividad cerebral atípica, como los husos del sueño. El clasificador produce una marca que incluye tanto las crisis epilépticas reales como varios falsos positivos.

En la segunda etapa, una red neuronal más compleja, basada en el aprendizaje automático, examina los registros de EEG "sospechosos" marcados por el clasificador. Esta red neuronal, específicamente un tipo convolucional que se utiliza a menudo en el análisis de imágenes, evalúa los datos de EEG como una imagen completa en lugar de señales individuales, identificando patrones asociados con la epilepsia. De esta manera, la red neuronal imita la forma en que un médico examina las señales y los espectros de EEG en busca de marcadores específicos de convulsiones epilépticas. Los investigadores probaron tanto el sistema de dos etapas como sus componentes individuales utilizando datos de EEG de 83 pacientes con epilepsia durante episodios de convulsiones y estados de calma.

Según los resultados publicados en la revista IEEE Access, la sensibilidad (capacidad de detectar señales de EEG anormales) del clasificador y la red neuronal individualmente fue del 90 % y el 96 %, respectivamente. Sin embargo, su especificidad, o capacidad de diferenciar la actividad epiléptica de otros tipos de señales cerebrales anormales, fue baja con un 12 % y 13 %. El sistema de dos etapas, aunque ligeramente menos sensible, del 84 %, tuvo una especificidad mucho más alta, del 57 %, lo que indica una reducción significativa de los falsos positivos. Esto hace que el enfoque combinado sea más adecuado para el uso clínico que cualquiera de los métodos por separado.

“El resultado obtenido promete la creación de un sistema automatizado de marcado de EEG epiléptico, que permite reducir significativamente las tareas rutinarias de los médicos epileptólogos, relacionadas con el marcado de registros largos”, dijo Alexander Hramov, jefe del proyecto e investigador en la Universidad Federal Báltica Immanuel Kant.

Miembro Oro
Analizador de gases en sangre POC
Stat Profile Prime Plus
Miembro Oro
SARS‑CoV‑2/Flu A/Flu B/RSV Sample-To-Answer Test
SARS‑CoV‑2/Flu A/Flu B/RSV Cartridge (CE-IVD)
New
Infant Phototherapy Unit
TRP100
New
Cannulating Sphincterotome
TRUEtome

Print article

Canales

Técnicas Quirúrgicas

ver canal
Imagen: Visualización de nervios y tumores mediante fluorescencia de dos colores (foto cortesía de D. A. Szafran et al., doi: 10.1117/1.jbo.30.s1.s13707)

Nueva técnica de imágenes ayuda a identificar nervios y tumores para mejores resultados quirúrgicos

El carcinoma de células escamosas de cabeza y cuello (CCECC) es uno de los cánceres más prevalentes en todo el mundo, con más de 650.000 nuevos diagnósticos cada año. El tratamiento quirúrgico suele ser... Más

Cuidados de Pacientes

ver canal
Imagen: La plataforma de biosensores portátil utiliza sensores electroquímicos impresos para la detección rápida y selectiva de Staphylococcus aureus (foto cortesía de AIMPLAS)

Plataforma de biosensores portátiles reducirá infecciones adquiridas en el hospital

En la Unión Europea, aproximadamente 4 millones de pacientes adquieren infecciones asociadas a la atención de la salud (IAAS), o infecciones nosocomiales, cada año, lo que provoca alrededor de 37.... 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.