{{{sourceTextContent.title}}}

La aplicación de aprendizaje automático escanea las caras y escucha el discurso para detectar rápidamente los golpes

{{{sourceTextContent.subTitle}}}

Los investigadores dicen que su herramienta detectó los casos con un 79% de precisión, y lo hizo en minutos.

{{{sourceTextContent.description}}}

Investigadores de la Universidad Estatal de Pennsylvania y del Hospital Metodista de Houston recientemente describieron su trabajo sobre una herramienta de aprendizaje automático que utiliza una cámara de teléfono inteligente para medir rápidamente los movimientos faciales en busca de señales de un derrame cerebral.

La herramienta, que fue presentada como un póster virtual en la Conferencia Internacional de Computación de Imágenes Médicas e Intervención Asistida por Computadora de este mes, se basa en el análisis computacional del movimiento facial y el procesamiento del lenguaje natural para detectar músculos caídos, dificultad para hablar u otros síntomas similares a los de un derrame cerebral.

Para construirlo y entrenarlo, los investigadores usaron un iPhone para grabar a 80 pacientes del Metodista de Houston que experimentaban síntomas de derrame cerebral mientras realizaban una prueba de habla. Según un comunicado de la Penn State, el modelo de aprendizaje automático funcionó con una precisión del 79% cuando se volvió a probar en ese conjunto de datos, lo que según los investigadores está más o menos a la par con los diagnósticos de las salas de emergencia que utilizan tomografías computarizadas.

"Actualmente, los médicos tienen que utilizar su formación y experiencia pasadas para determinar en qué etapa se debe enviar a un paciente para una tomografía computarizada", dijo James Wang, profesor de ciencias de la información y tecnología de la Universidad de Pensilvania, en un comunicado de prensa de la universidad. "Estamos tratando de simular o emular este proceso usando nuestro enfoque de aprendizaje por máquina"

POR QUÉ ES IMPORTANTE

Si el rendimiento de la herramienta se ajusta a los diagnósticos estándar, los investigadores dijeron que su tiempo de respuesta de aproximadamente cuatro minutos proporcionaría una ventaja clínica a los equipos de la sala de emergencias que corren contra el reloj. Un diagnóstico tardío significa más neuronas perdidas y peores resultados para el paciente.

"En los accidentes cerebrovasculares graves es obvio para nuestros proveedores desde el momento en que el paciente entra en el departamento de emergencias, pero los estudios sugieren que en la mayoría de los accidentes cerebrovasculares, que tienen síntomas leves a moderados, el diagnóstico puede retrasarse durante horas, y para entonces el paciente podría no ser elegible para los mejores tratamientos posibles", dijo en una declaración John Volpi, codirector del Centro de Accidentes Cerebrovasculares Eddy Scurlock del Hospital Metodista de Houston y coautor de la investigación.

"Si podemos mejorar los diagnósticos en la parte delantera, entonces podemos exponer mejor a los pacientes correctos a los riesgos correctos y no perder a los pacientes que potencialmente se beneficiarían", dijo.

Si bien los investigadores dijeron que el conjunto de datos y la herramienta podían aplicarse en un entorno clínico, también plantearon la posibilidad de desplegarlo como un recurso para los cuidadores o los pacientes para ayudarles a saber cuándo deben buscar atención.

LA TENDENCIA MAYOR

A lo largo de los años se ha recurrido al aprendizaje profundo y a los dispositivos móviles para apoyar la detección de accidentes cerebrovasculares. Ya en 2011, los investigadores detallaron una aplicación para iPhone que escaneaba las imágenes médicas para proporcionar apoyo a la decisión clínica.

Adelántese al 2018, y la aplicación Contact de Viz.ai recibió una autorización De Novo de la FDA para destacar la evidencia potencial de un accidente cerebrovascular entre los resultados de la tomografía computarizada para los médicos. El año pasado también se dio a conocer una aplicación de Cheil Hong Kong y la Asociación de Accidentes Cerebrovasculares de Hong Kong que, de manera similar a la de Penn State y Houston Methodist, utiliza la tecnología de reconocimiento facial para detectar los síntomas de un accidente cerebrovascular.