Resumen de estudio para preprocesamiento de formas de onda y transformaci\u00f3n de im\u00e1genes para modelado. Cr\u00e9dito: Nature Communications (2022). DOI: 10.1038\/s41467-022-29153-3 <\/p>\n
Los investigadores del laboratorio de ciencia de datos cardiovasculares (CarDS) de Yale han desarrollado un modelo basado en inteligencia artificial (IA) para el diagn\u00f3stico cl\u00ednico que puede usar im\u00e1genes de electrocardiograma (ECG), independientemente de formato o dise\u00f1o, para diagnosticar m\u00faltiples trastornos del ritmo card\u00edaco y de la conducci\u00f3n. <\/p>\n
El equipo dirigido por el Dr. Rohan Khera, profesor asistente de medicina cardiovascular, desarroll\u00f3 un novedoso modelo de diagn\u00f3stico automatizado de etiquetas m\u00faltiples a partir de im\u00e1genes de ECG. ECG Dx es la \u00faltima herramienta de CarDS Lab dise\u00f1ada para hacer que la interpretaci\u00f3n de ECG basada en IA sea accesible en entornos remotos. Esperan que la nueva tecnolog\u00eda proporcione un m\u00e9todo mejorado para diagnosticar trastornos card\u00edacos clave. Los hallazgos se publicaron en Nature Communications el 24 de marzo.<\/p>\n
El primer autor del estudio es Veer Sangha, estudiante de inform\u00e1tica en la Universidad de Yale. \u00abNuestro estudio sugiere que los modelos de imagen y se\u00f1al se desempe\u00f1aron de manera comparable para las etiquetas cl\u00ednicas en m\u00faltiples conjuntos de datos\u00bb, dijo Sangha. \u00abNuestro enfoque podr\u00eda expandir las aplicaciones de la inteligencia artificial a la atenci\u00f3n cl\u00ednica para enfrentar desaf\u00edos cada vez m\u00e1s complejos\u00bb.<\/p>\n
A medida que mejora la tecnolog\u00eda m\u00f3vil, los pacientes tienen cada vez m\u00e1s acceso a im\u00e1genes de ECG, lo que plantea nuevas preguntas sobre c\u00f3mo incorporar estos dispositivos en atencion al paciente. Bajo la tutor\u00eda de Khera, la investigaci\u00f3n de Sangha en CarDS Lab analiza entradas multimodales de registros de salud electr\u00f3nicos para dise\u00f1ar posibles soluciones.<\/p>\n
El modelo se basa en datos recopilados de m\u00e1s de 2 millones de ECG de m\u00e1s de 1,5 millones de pacientes que recibieron atenci\u00f3n en Brasil de 2010 a 2017. Uno de cada seis pacientes fue diagnosticado con trastornos del ritmo. La herramienta se valid\u00f3 de forma independiente a trav\u00e9s de m\u00faltiples fuentes de datos internacionales, con alta precisi\u00f3n para el diagn\u00f3stico cl\u00ednico a partir de ECG.<\/p>\n
Los enfoques de aprendizaje autom\u00e1tico (ML), espec\u00edficamente aquellos que utilizan el aprendizaje profundo, han transformado la toma de decisiones de diagn\u00f3stico automatizada. Para los ECG, han llevado al desarrollo de herramientas que permiten a los m\u00e9dicos encontrar patrones ocultos o complejos. Sin embargo, las herramientas de aprendizaje profundo utilizan modelos basados en se\u00f1ales que, seg\u00fan Khera, no se han optimizado para entornos de atenci\u00f3n m\u00e9dica remotos. Los modelos basados en im\u00e1genes pueden ofrecer mejoras en el diagn\u00f3stico automatizado de los ECG.<\/p>\n
Hay una serie de desaf\u00edos cl\u00ednicos y t\u00e9cnicos al usar aplicaciones basadas en IA.<\/p>\n
\u00abLas herramientas de IA actuales se basan en se\u00f1ales electrocardiogr\u00e1ficas sin procesar en lugar de im\u00e1genes almacenadas, que son mucho m\u00e1s comunes ya que los ECG a menudo se imprimen y escanean como im\u00e1genes Adem\u00e1s, muchas herramientas de diagn\u00f3stico basadas en IA est\u00e1n dise\u00f1adas para trastornos cl\u00ednicos individuales y, por lo tanto, pueden tener una utilidad limitada en un entorno cl\u00ednico donde m\u00faltiples anormalidades de ECG coexisten\u00bb, dijo Khera.<\/p>\n
\u00abUn avance clave es que la tecnolog\u00eda est\u00e1 dise\u00f1ada para ser inteligente, no depende de dise\u00f1os de ECG espec\u00edficos y puede adaptarse a variaciones existentes y nuevos dise\u00f1os. En ese Al respecto, puede funcionar como lectores humanos expertos, identificando m\u00faltiples diagn\u00f3sticos cl\u00ednicos en diferentes formatos de ECG impresos que var\u00edan entre hospitales y pa\u00edses\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
El uso de IA en el an\u00e1lisis de electrocardiogramas puede mejorar el diagn\u00f3stico y el tratamiento de la miocardiopat\u00eda hipertr\u00f3fica M\u00e1s informaci\u00f3n:<\/strong> Veer Sangha et al, Diagn\u00f3stico multietiqueta automatizado en im\u00e1genes y se\u00f1ales electrocardiogr\u00e1ficas, Nature Communications (2022) ). DOI: 10.1038\/s41467-022-29153-3 Informaci\u00f3n del diario:<\/strong> Nature Communications <\/p>\n Proporcionado por la Universidad de Yale Cita<\/strong>: Algoritmo de ECG basado en im\u00e1genes mejora el acceso a la atenci\u00f3n en configuraci\u00f3n remota (2022, 31 de marzo) recuperado el 29 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2022-03-image-based-ecg-algorithm-access-remote.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":" Resumen de estudio para preprocesamiento de formas de onda y transformaci\u00f3n de im\u00e1genes para modelado. Cr\u00e9dito: Nature Communications (2022). DOI: 10.1038\/s41467-022-29153-3 Los investigadores del laboratorio de ciencia de datos cardiovasculares (CarDS) de Yale han desarrollado un modelo basado en inteligencia artificial (IA) para el diagn\u00f3stico cl\u00ednico que puede usar im\u00e1genes de electrocardiograma (ECG), independientemente de … Continuar leyendo \u00abAlgoritmo de ECG basado en im\u00e1genes que mejora el acceso a la atenci\u00f3n en entornos remotos\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-9472","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/9472","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=9472"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/9472\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=9472"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=9472"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=9472"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}