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)
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.
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).
Desafío
Un caso de arritmia común en el corazón es la fibrilación auricular (AFib). Cuando los medicamentos o terapias de choque no resuelven las arritmias, una ablación quirúrgica invasiva es necesaria para interrumpir las señales eléctricas problemáticas y que el corazón vuelva a latir con normalidad. El índice de éxito de este procedimiento es de solo el 50%, ya que es todo un desafío intervenir el tejido cardiaco correcto.
Solución
Corify Care desarrolló un dispositivo denominado Acorys® que proporciona un mapa en tiempo casi real del corazón y su actividad eléctrica basándose en mediciones de señales no invasivas del torso y la espalda del paciente. A partir de la geometría del torso y qué señales eléctricas provienen de cada una de sus partes, se puede reconstruir el corazón.
El equipo de Corify utilizó MATLAB para Machine Learning y procesamiento de señales para filtrar el ruido, lo que generó datos más limpios que se sometieron a un procesamiento de señales adicional para reconstruir con precisión la actividad cardíaca.
Entrenaron los algoritmos de reconstrucción con datos de pacientes y de modelos matemáticos, lo que permitió al dispositivo Acorys tomar señales eléctricas de un paciente y convertirlas en un mapa del corazón.
Prototipo inicial que lee señales del torso de una persona y las reconstruye para generar un mapa del corazón. (Imagen cortesía de Corify Care)
Resultados
El equipo está en trámites para obtener el marcado Conformité Européenne (CE) de la Agencia Europea de Medicamentos (EMA) y aprobación de la Administración de Alimentos y Medicamentos de los Estados Unidos (FDA). Dado que proporciona una visión detallada y no invasiva del corazón y su actividad eléctrica, Acorys puede evitar procedimientos de ablación innecesarios, lo que ahorra tiempo y dinero a pacientes y al sistema de atención médica.
Desafío
Los pacientes con cataratas sufren de visión borrosa debido a la opacidad que se forma en el cristalino del ojo. Millones de personas deben recurrir a la cirugía de cataratas, en la que se extrae el cristalino natural y se sustituye por una lente intraocular artificial (IOL). Para los profesionales de oftalmología es difícil predecir con precisión la potencia del cristalino artificial necesaria para obtener un resultado postoperatorio óptimo.
Solución
El Dr. Warren Hill, oftalmólogo, colaboró con el equipo de MathWorks para crear una nueva función de base radial (RBF) que pudiera predecir la potencia óptica calculada para la lente intraocular.
- La función de base radial se desarrolló empleando MATLAB para entrenar un modelo basado en IA con mediciones detalladas de miles de ojos de pacientes antes de la cirugía con un biómetro Lenstar.
- Los datos de entrenamiento también incluyeron los resultados postoperatorios observados.
- El equipo exportó el modelo a Simulink, un entorno gráfico para diseñar, simular y probar sistemas, generó código a partir del modelo y lo desplegó en el dispositivo Lenstar.
Calculadora de IOL de la función de base radial (RBF) desarrollada en MATLAB.
Se la conoce como calculadora Hill-RBF. Al mismo tiempo, se publicó una versión online de la calculadora para que otros profesionales de oftalmología de cualquier parte del mundo pudieran acceder a ella.
Resultados
La comunidad oftalmológica mundial adoptó rápidamente la calculadora, que se introdujo al mercado en 2016. Con versiones actualizadas y refinadas de la calculadora que incorporan un conjunto de datos mucho más amplio, actualmente se observan resultados con una precisión del 90% ±0,50 D, frente al índice de éxito del 78% de los métodos anteriores y tradicionales utilizados más frecuentemente. Para ponerlo en perspectiva, con aproximadamente 28 millones de cirugías realizadas en todo el mundo anualmente, una mejora del 12% en los resultados supondría un aumento de 3.400.000 cirugías exitosas.
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.
