La memoria bidireccional a largo-corto plazo puede usar los sonidos de la tos para distinguir a los ni\u00f1os enfermos de los sanos, allanando el camino para la detecci\u00f3n preliminar. Cr\u00e9dito: SUTD <\/p>\n
Investigadores de la Universidad de Tecnolog\u00eda y Dise\u00f1o de Singapur (SUTD) han demostrado que los modelos de aprendizaje profundo pueden distinguir con precisi\u00f3n entre ni\u00f1os sanos y enfermos usando solo los sonidos de la tos. Estos hallazgos, publicados en la revista Sensors, podr\u00edan abrir las puertas a una detecci\u00f3n m\u00e1s eficiente de las enfermedades respiratorias en los ni\u00f1os y aliviar una enorme carga de los pacientes, los padres y los m\u00e9dicos por igual. <\/p>\n
En los ni\u00f1os, la tos puede ser un signo de varias enfermedades respiratorias, como asma, rinosinusitis e infecciones de las v\u00edas respiratorias. La ubicuidad de la tos como s\u00edntoma significa que los m\u00e9dicos a menudo tienen que realizar pruebas y procedimientos adicionales para poder brindar un diagn\u00f3stico definitivo.<\/p>\n
\u00abEstas pruebas requieren visitas al hospital, no est\u00e1n exentas de riesgos para el ni\u00f1o y exigen sobre los recursos de atenci\u00f3n m\u00e9dica\u00bb, dijo el profesor asistente Chen Jer-Ming de SUTD, quien dirigi\u00f3 el estudio. \u00abAdem\u00e1s, tales visitas tienen otros impactos sociales o econ\u00f3micos negativos en el ni\u00f1o y su familia, como el tiempo fuera del trabajo y la necesidad de arreglos espec\u00edficos para el cuidado de los ni\u00f1os\u00bb.<\/p>\n
La necesidad de aliviar esta carga sobre los pacientes y as\u00ed como el sistema de salud en general ha llevado a un creciente inter\u00e9s en aprovechar las diferencias m\u00ednimas en los sonidos de la tos para distinguir una afecci\u00f3n respiratoria de otra. Sin embargo, la mayor\u00eda de los estudios se han basado en audio de tos cuidadosamente grabado en entornos de estudio de grabaci\u00f3n, lo que los hace inadecuados para aplicaciones del mundo real, donde el ruido de fondo y el equipo de baja calidad podr\u00edan comprometer la calidad de las toses grabadas.<\/p>\n
Para Para abordar este problema, el profesor asistente Chen y el colaborador Dr. Hee Hwan Ing del Hospital de Mujeres y Ni\u00f1os KK y la Escuela de Medicina Duke-NUS utilizaron grabaciones de tos recopiladas con tel\u00e9fonos inteligentes en un entorno hospitalario en vivo, para reflejar las condiciones \u00abecol\u00f3gicas\u00bb reales. Luego, para ayudarlos a clasificar con precisi\u00f3n los registros de tos como enfermos o saludables, el equipo recurri\u00f3 a un tipo espec\u00edfico de modelo de red neuronal profunda llamado memoria bidireccional a largo-corto plazo (BiLSTM).<\/p>\n
En comparaci\u00f3n con otros modelos artificiales redes neuronales, los BiLSTM se componen de unidades individuales que pueden recordar valores durante un per\u00edodo de tiempo arbitrario. Dicho mecanismo de memoria, explic\u00f3 el profesor asistente Chen, hace que los BiLSTM sean particularmente adecuados para manejar datos secuenciales como audio.<\/p>\n
Para entrenar y probar su modelo, el equipo us\u00f3 grabaciones de tos de 89 ni\u00f1os con asma, 160 con problemas respiratorios inferiores. infecci\u00f3n del tracto respiratorio superior y 78 con infecci\u00f3n del tracto respiratorio superior. A modo de comparaci\u00f3n, tambi\u00e9n incluyeron sonidos de tos de 89 ni\u00f1os sanos.<\/p>\n
El equipo descubri\u00f3 que BiLSTM pod\u00eda clasificar con precisi\u00f3n los sonidos de tos individuales como sanos o enfermos el 84,5 por ciento de las veces. Al considerar todas las muestras de audio de un paciente, el modelo predictivo tuvo una calificaci\u00f3n de precisi\u00f3n del 91,2 por ciento. Esto significa que de 10 pacientes que proporcionan sus registros de tos, BiLSTM podr\u00e1 identificar correctamente nueve como sanos o enfermos.<\/p>\n
Sin embargo, al tratar de distinguir entre las diferentes toses patol\u00f3gicas, el modelo fue menos preciso. Por ejemplo, el modelo atribuy\u00f3 err\u00f3neamente casi las tres cuartas partes de la tos asm\u00e1tica a infecciones del tracto respiratorio. A su vez, a m\u00e1s del 60 % de los ni\u00f1os con asma se les diagnostic\u00f3 err\u00f3neamente una infecci\u00f3n de las v\u00edas respiratorias bajas.<\/p>\n
\u00abEl an\u00e1lisis de las caracter\u00edsticas de audio de toses sanas y no saludables recopiladas del mismo ni\u00f1o revel\u00f3 el hecho de que las toses no saludables , independientemente de las condiciones subyacentes, son mucho m\u00e1s similares a otras toses nocivas\u00bb, se\u00f1al\u00f3 el profesor asistente Chen. Tal observaci\u00f3n est\u00e1 en l\u00ednea con los registros anecd\u00f3ticos de que incluso a los m\u00e9dicos mismos les resulta dif\u00edcil distinguir enfermedades bas\u00e1ndose \u00fanicamente en los sonidos de la tos.<\/p>\n
Sin embargo, los investigadores encontraron que gran parte de la clasificaci\u00f3n err\u00f3nea del modelo ocurri\u00f3 al intentar distinguir diferentes enfermedades. ; BiLSTM sigui\u00f3 siendo muy preciso para diferenciar a los ni\u00f1os sanos de los enfermos.<\/p>\n
A pesar de su potencial para transformar la detecci\u00f3n de enfermedades respiratorias en el departamento de pediatr\u00eda, a\u00fan queda trabajo por hacer antes de que el modelo BiLSTM actual est\u00e9 listo para su implementaci\u00f3n cl\u00ednica.<\/p>\n
p> <\/p>\n
En particular, el desarrollo de una aplicaci\u00f3n para tel\u00e9fonos inteligentes que pueda recopilar entradas de audio, reenviarlas a un servidor central para procesarlas y mostrar los resultados al usuario final, ser\u00e1 clave para que el modelo sea utilizable en el entorno cl\u00ednico. Una vez implementada, la t\u00e9cnica se puede refinar continuamente utilizando m\u00e1s datos de audio de los pacientes, para mejorar su precisi\u00f3n en la detecci\u00f3n de tos patol\u00f3gica.<\/p>\n
\u00abEste estudio es solo el primer paso hacia el desarrollo de un modelo de red neuronal profunda altamente eficiente eso puede diferenciar entre diferentes sonidos de tos poco saludables\u00bb, dijo el profesor asistente Chen. \u00abEste enfoque automatizado ‘en el campo’ respaldar\u00e1 la detecci\u00f3n cl\u00ednica de enfermedades respiratorias asociadas con la tos, lo que contribuir\u00e1 al control y la detecci\u00f3n de la salud, especialmente en comunidades remotas y en desarrollo\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
Una nueva aplicaci\u00f3n puede ayudar a detectar el coronavirus M\u00e1s informaci\u00f3n:<\/strong> BT Balamurali et al, Deep Neural Network-Based Respiratory Pathology Classification Using Cough Sounds, Sensors (2021). DOI: 10.3390\/s21165555 Proporcionado por la Universidad de tecnolog\u00eda y dise\u00f1o de Singapur -01-correctly-machine.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":" La memoria bidireccional a largo-corto plazo puede usar los sonidos de la tos para distinguir a los ni\u00f1os enfermos de los sanos, allanando el camino para la detecci\u00f3n preliminar. Cr\u00e9dito: SUTD Investigadores de la Universidad de Tecnolog\u00eda y Dise\u00f1o de Singapur (SUTD) han demostrado que los modelos de aprendizaje profundo pueden distinguir con precisi\u00f3n entre … Continuar leyendo \u00abClasificaci\u00f3n correcta de la tos con aprendizaje autom\u00e1tico\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-6350","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/6350","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=6350"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/6350\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=6350"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=6350"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=6350"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}