Figura 1: Diagrama de la arquitectura de las IA desarrolladas. Cr\u00e9dito: Universidad de Kobe <\/p>\n
Dr. Nishimori Makoto del Hospital Universitario de Kobe y Profesor Asistente del Proyecto Kiuchi Kunihiko et al. (de la Divisi\u00f3n de Medicina Cardiovascular, Departamento de Medicina Interna) han desarrollado una IA que utiliza m\u00faltiples tipos de datos de prueba para predecir la ubicaci\u00f3n de las v\u00edas sobrantes en el coraz\u00f3n llamadas \u00abv\u00edas accesorias\u00bb, que hacen que el coraz\u00f3n lata de forma irregular. En este estudio, los investigadores pudieron mejorar la precisi\u00f3n del diagn\u00f3stico al hacer que la IA aprendiera de dos tipos completamente diferentes de resultados de pruebas, datos de electrocardiograf\u00eda (ECG) e im\u00e1genes de rayos X. Se espera que esta metodolog\u00eda pueda aplicarse a otros trastornos en base a los resultados exitosos de esta investigaci\u00f3n. <\/p>\n
Los resultados de esta investigaci\u00f3n se publicaron en l\u00ednea en Scientific Reports el 13 de abril de 2021.<\/p>\n
Wolff-Parkinson-White (WPW) es un trastorno arr\u00edtmico. Los pacientes con s\u00edndrome de WPW nacen con un exceso de v\u00edas dentro del coraz\u00f3n llamadas \u00abv\u00edas accesorias\u00bb, que pueden provocar episodios de taquicardia en los que el pulso se acelera. La ablaci\u00f3n con cat\u00e9ter implica el uso de un cat\u00e9ter para cauterizar selectivamente las v\u00edas accesorias y puede curar por completo este trastorno. Sin embargo, la tasa de \u00e9xito de la ablaci\u00f3n con cat\u00e9ter var\u00eda seg\u00fan la ubicaci\u00f3n de las v\u00edas accesorias. Convencionalmente, se ha utilizado un ECG de 12 derivaciones (es decir, una electrocardiograf\u00eda regular) para predecir la ubicaci\u00f3n de la v\u00eda accesoria antes del tratamiento. Sin embargo, este m\u00e9todo actual que se basa \u00fanicamente en el ECG no es lo suficientemente preciso, lo que dificulta dar a los pacientes una explicaci\u00f3n completa que incluya la tasa de \u00e9xito del tratamiento. Este estudio de investigaci\u00f3n intent\u00f3 usar IA para resolver este problema.<\/p>\n
Los investigadores usaron una metodolog\u00eda para ense\u00f1ar IA llamada aprendizaje profundo. El aprendizaje profundo implica ingresar los datos de cada paciente y las respuestas correspondientes en un programa. Al repetir este proceso de aprendizaje, el programa autom\u00e1ticamente se vuelve m\u00e1s inteligente. Usando esta metodolog\u00eda, el grupo de investigaci\u00f3n pudo presentar una soluci\u00f3n a un problema no resuelto previamente, promoviendo as\u00ed a\u00fan m\u00e1s la aplicaci\u00f3n de la IA a la medicina moderna.<\/p>\n
Figura 2: Un gr\u00e1fico que muestra el n\u00famero de sesiones de aprendizaje y la precisi\u00f3n de la IA . Cr\u00e9dito: Universidad de Kobe <\/p>\n
En primer lugar, el equipo del Dr. Nishimori desarroll\u00f3 IA utilizando solo datos de ECG y compar\u00f3 su rendimiento con m\u00e9todos anteriores. Realizaron un aprendizaje repetido en el que le dieron a la IA los datos de ECG de cada paciente y la ubicaci\u00f3n de la v\u00eda accesoria (es decir, la respuesta) en cada caso al mismo tiempo, creando con \u00e9xito una IA con una tasa de precisi\u00f3n m\u00e1s alta que los m\u00e9todos anteriores. Sin embargo, la IA no pudo realizar predicciones correctas cada vez solo con datos de ECG. Se pens\u00f3 que la causa de este problema era que los datos del ECG se ven afectados por las diferencias en el tama\u00f1o y la posici\u00f3n de cada coraz\u00f3n, por lo tanto, los datos del ECG no coincid\u00edan incluso cuando la ubicaci\u00f3n de la v\u00eda accesoria era la misma. Este problema se resolvi\u00f3 haciendo que la IA aprendiera datos, como informaci\u00f3n sobre el tama\u00f1o de cada coraz\u00f3n, a partir de im\u00e1genes de rayos X de t\u00f3rax al mismo tiempo (Figura 1). Al aprender simult\u00e1neamente tanto el ECG previo al tratamiento como los datos de la imagen de rayos X, la IA pudo obtener la informaci\u00f3n que faltaba y su precisi\u00f3n diagn\u00f3stica mejor\u00f3 significativamente (Figura 2) en comparaci\u00f3n con cuando solo se usaban los datos del ECG.<\/p>\n
El avance de la tecnolog\u00eda de IA en los \u00faltimos a\u00f1os ha hecho posible que la IA realice diagn\u00f3sticos altamente precisos basados en varios tipos de datos de prueba en el campo de la medicina. Sin embargo, hay casos en los que los datos de una sola prueba son insuficientes para que la IA realice un diagn\u00f3stico preciso. Este estudio de investigaci\u00f3n aument\u00f3 con \u00e9xito la precisi\u00f3n al hacer que la IA aprendiera no solo de los resultados del ECG sino tambi\u00e9n de las im\u00e1genes de rayos X del t\u00f3rax, que son un tipo de datos completamente diferente. Los diagn\u00f3sticos precisos mediados por IA permitir\u00e1n a los m\u00e9dicos dar a los pacientes previos al tratamiento una explicaci\u00f3n m\u00e1s precisa de su condici\u00f3n, lo que con suerte tranquilizar\u00e1 a los pacientes. Adem\u00e1s, esta investigaci\u00f3n podr\u00eda aplicarse a varios otros trastornos y, con suerte, conducir\u00e1 a la implementaci\u00f3n del software de diagn\u00f3stico de IA. <\/p>\n
Explore m\u00e1s<\/p>\n
La denervaci\u00f3n renal tiene m\u00e1s \u00e9xito cuando incluye arterias accesorias M\u00e1s informaci\u00f3n:<\/strong> Makoto Nishimori et al. An\u00e1lisis de v\u00edas accesorias utilizando un modelo de aprendizaje profundo multimodal, Scientific Reports (2021). DOI: 10.1038\/s41598-021-87631-y Informaci\u00f3n de la revista:<\/strong> Informes cient\u00edficos <\/p>\n Proporcionado por la Universidad de Kobe Cita<\/strong>: La IA recientemente desarrollada usa una combinaci\u00f3n de ECG y X- resultados de rayos para diagnosticar trastornos arr\u00edtmicos (21 de abril de 2021) recuperado el 30 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2021-04-newly-ai-combination-ecg-x-ray.html Este documento est\u00e1 sujeto a derechos de autor . Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" Figura 1: Diagrama de la arquitectura de las IA desarrolladas. Cr\u00e9dito: Universidad de Kobe Dr. Nishimori Makoto del Hospital Universitario de Kobe y Profesor Asistente del Proyecto Kiuchi Kunihiko et al. (de la Divisi\u00f3n de Medicina Cardiovascular, Departamento de Medicina Interna) han desarrollado una IA que utiliza m\u00faltiples tipos de datos de prueba para predecir … Continuar leyendo \u00abLa IA reci\u00e9n desarrollada utiliza una combinaci\u00f3n de resultados de ECG y rayos X para diagnosticar trastornos arr\u00edtmicos\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-20137","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/20137","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=20137"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/20137\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=20137"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=20137"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=20137"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}