Utilizan un modelo de aprendizaje profundo para detectar con precisión asma y EPOC
Investigadores del Instituto de Tecnología de Georgia (Atlanta, GA, EUA) han desarrollado un modelo de aprendizaje profundo (DL) emparejado con un parche portátil equipado con un sensor de alta sensibilidad capaz de detectar automáticamente los sonidos sibilantes.
Este modelo de DL tiene el potencial de clasificar las enfermedades respiratorias, lo que podría acelerar el diagnóstico y el tratamiento. A diferencia de los micrófonos tradicionales de los estetoscopios digitales, el sensor de microchip del parche portátil puede detectar pequeñas vibraciones con alta sensibilidad y mínima distorsión.
Para el desarrollo del modelo de DL, se recopilaron grabaciones de sonidos pulmonares de 52 pacientes en una clínica ambulatoria de asma o en un entorno hospitalario. Veinticinco de estos pacientes eran obesos, una condición que puede reducir la calidad de las grabaciones pulmonares tradicionales.
Los resultados del estudio piloto, que ha sido publicado en BioSensors, mostraron que el modelo DL combinado con el parche superó consistentemente a los otros métodos, logrando las tasas más altas de precisión, sensibilidad y especificidad promedio para la detección de sibilancias, con un 95%, 96% y 93%, respectivamente.
A diferencia del método ‘tradicional’, el sensor del parche portátil puede detectar pequeñas vibraciones con alta sensibilidad y mínima distorsión. Para el desarrollo del modelo de aprendizaje automático se recopilaron grabaciones de sonidos pulmonares de 52 pacientes en una clínica ambulatoria de asma o en un entorno hospitalario.
En la actualidad, los médicos suelen utilizar estetoscopios digitales para escuchar y registrar sonidos pulmonares anormales. Sin embargo, este método estándar implica un análisis tiempo-frecuencia computarizado y, en ocasiones, se pasan por alto algunos casos.
