Ver traducción automática
Esta es una traducción automática. Para ver el texto original en inglés haga clic aquí
#Novedades de la industria
{{{sourceTextContent.title}}}
La inteligencia artificial muestra la promesa para identificar NASH Undiagnosed
{{{sourceTextContent.subTitle}}}
Un algoritmo de la inteligencia artificial puede probar útil para detectar los casos faltados del steatohepatitis sin alcohol, investigadores ha encontrado.
{{{sourceTextContent.description}}}
El algoritmo emplea los principios “profundamente de aprendizaje” reconocer las características clínicas comunes a los pacientes con NASH. Los resultados iniciales están animando, pero se espera que el software llegue a ser cada vez más elegante, mejorando especificidad y la sensibilidad, mientras que incorpora el MES con referencia a datos, dijo a Kathryn Starzyk, MSc, el director mayor de las pruebas del mundo real en OM1 Inc., la empresa Boston-basada que está desarrollando el sistema.
El patrón oro para una diagnosis de NASH es una biopsia del hígado, pero ms Starzyk resumió limitaciones prácticas a este acercamiento en la semana de la enfermedad digestiva 2018 (extracto 356).
La “biopsia del hígado lleva riesgo, y se contraindica para algunos pacientes,” ms Starzyk dijo. Debido al predominio alto y cada vez mayor de NASH-más que doblando durante los últimos 20 años en los Estados Unidos (J Gastroenterol 2017; 112 [4]: 581-587) — el coste de hacer una biopsia cada caso sospechoso puede también socavar recursos de la atención sanitaria.
La nueva herramienta implica “una combinación de algoritmos sofisticados del AI diseñados para aprender automáticamente las características de los casos confirmados de NASH,” ms Starzyk dijo. Cuando está aplicado a un sistema de aprendizaje de pacientes con o sin NASH, el receptor que actúa el método característico-uno que mide la capacidad de un clasificador binario de discernir verdad de falso caso-probada para ser “muy potente,” ella añadió.
Los estudios de la validación en las poblaciones en quienes el predominio de NASH se sabe para ser alto, por ejemplo gente obesa o ésas con diabetes, también han estado animando. Cuando la herramienta del AI fue aplicada a una base de datos con más de 40 millones de individuos de los E.E.U.U., el número de pacientes juzgados tener una alta probabilidad de NASH estaba en los centenares de millares, ms Starzyk divulgó.
El algoritmo del AI se podría adaptar para otras enfermedades, particularmente las que también se pasan por alto comúnmente o se cifran mal, ella dijo. Si las terapias mejoran para NASH, particularmente las intervenciones que paran la progresión en un primero tiempo, la necesidad de estrategias de identificar a pacientes asintomáticos serán agudas.
Otros grupos también están persiguiendo un acercamiento de aprendizaje profundo a la detección de enfermedad del higado sin biopsia. Un equipo multinacional de investigadores llevó por Jasjit S. Suri, doctorado, de tecnologías biomédicas globales en Roseville, California, está evaluando imágenes del ultrasonido con una red neuronal artificial.
Una variación en el aprendizaje de máquina, las redes neuronales artificiales se ha comparado a un cerebro biológico tal como el cual puede procesar fuentes de información dispares en una moda no lineal para alcanzar un resultado, si una exploración del CT es positiva o negativa para la enfermedad del higado. En vez de la programación para reconocer características, ordenadores que emplean el aprendizaje de máquina para construir su propio conocimiento. En el caso de exploraciones del CT del hígado, de exploraciones del CT de las etiquetas del aprendizaje de máquina como negativo o positivo después de evaluar centenares o millares de ejemplos para recopilar la información compleja de determinantes múltiples.
En un estudio que comparó un sistema de aprendizaje profundo que empleó una red neuronal acodada y un aprendizaje de máquina convencional en 63 pacientes con o sin enfermedad del higado, la estratificación del riesgo era 100% para la red neuronal contra el 82% para un protocolo convencional del aprendizaje de máquina, según un estudio en el cual el Dr. Suri era el autor mayor (programas Biomed 2018 de los métodos de Comput; 155:165-177).
Los “sistemas de aprendizaje profundos [usando redes neuronales] muestran un rendimiento superior para la detección de la enfermedad del higado y la estratificación del riesgo comparadas a los sistemas de aprendizaje convencionales de máquina,” el Dr. Suri divulgó en su artículo publicado. Aunque los resultados fueran extraídos de un pequeño estudio, él dijo que el acercamiento tiene potencial importante para la detección de enfermedad del higado grasa y de estratificación no invasor del riesgo.