Usted esta aquí
Inicio > Avances Médicos > Nueva herramienta para diagnosticar enfermedades respiratorias infantiles

Nueva herramienta para diagnosticar enfermedades respiratorias infantiles

El Dr. Paul Porter, un profesor adjunto asociado en la Universidad Curtin y pediatra y especialista en medicina pediátrica de emergencia en el campus de salud de Joondalup y en los hospitales Princess Margaret en Perth, Australia Occidental junto a un equipo de investigación colaborativo; desarrollaron y probaron un algoritmo que permite diagnosticar enfermedades respiratorias infantiles, utilizando solo un teléfono inteligente, análisis acústico y el poder de las matemáticas.

Los trastornos respiratorios son la segunda razón más común para que los niños asistan a un departamento de emergencias. La neumonía se cobra la vida de aproximadamente 900,000 niños cada año, y las infecciones respiratorias bajas son una de las principales causas de la reducción de la calidad de vida y la vida en todo el mundo. Para ayudar a abordar esto, los investigadores desarrollaron una herramienta diseñada para separar diferentes enfermedades respiratorias pediátricas según el sonido de la tos que causan.

El diagnóstico preciso y oportuno de las afecciones respiratorias es esencial para iniciar el tratamiento adecuado. Desafortunadamente, las condiciones de diagnóstico no son ideales en muchas circunstancias, lo que puede deberse a dificultades como el acceso a establecimientos clínicos capacitados o investigaciones. Los médicos deben estar físicamente presentes para realizar una evaluación clínica, lo que limita el uso de la telemedicina para consultas relacionadas con la respiración. Durante un tiempo en el que la telemedicina se está expandiendo globalmente, este logro es importante para buscar nuevas formas de abordar las evaluaciones respiratorias.

En los últimos seis años, la unidad de investigación liderada por Porter, se ha centrado en examinar la rápida evolución de la medicina clínica, en particular la influencia de la inteligencia artificial (AI) en el diagnóstico. En 2016 el doctor conoció a Prof Udantha Abeyratne, de la Universidad de Queensland, quien había realizado un trabajo emocionante para diagnosticar la neumonía infantil a través del análisis de los sonidos de la tos en Indonesia. Con el apoyo de la subvención Grand Challenges in Global Health Exploration de la Fundación Bill y Melinda Gates, demostró que el sonido de la tos contiene información acústica sobre la patología de las vías respiratorias bajas.

Al encontrar un propósito común para mejorar la salud infantil, Abeyratne y Porter se comprometieron a investigar si un algoritmo matemático podría ser entrenado para reconocer las características integradas en los sonidos de la tos de diferentes afecciones respiratorias. Luego reunieron a un equipo de investigación colaborativo compuesto por médicos pediátricos de Australia Occidental para recopilar datos clínicos e ingenieros acústicos y de inteligencia artificial de Queensland para desarrollar y probar un algoritmo que pudiera reconocer trastornos respiratorios comunes en la infancia. La prueba se ubicaría en un dispositivo inteligente ubicuo, como un iPhone, para facilitar la grabación y el análisis.

Después de recopilar una base de datos clínica y de tos de 1.437 niños entre los 29 días a los 12 años en dos hospitales en Australia Occidental. A partir de esto, utilizaron un conjunto de entrenamiento de 852 pacientes para desarrollar un algoritmo para reconocer características acústicas específicas características de diversos trastornos respiratorios. En su enfoque, utilizaron una tecnología similar a la utilizada con éxito en el reconocimiento del habla: el análisis de los sonidos de la tos y la respiración y el flujo de sonido respiratorio asociado como un “lenguaje” con sus funciones que funcionan como fonemas, palabras y oraciones.

Al analizar cinco condiciones diferentes: neumonía consolidativa, crup, asma, bronquiolitis y la presencia de una enfermedad general del tracto respiratorio inferior (LRTD) y lego utilizar esta información en otros pacientes de su base de datos (n = 585) pudieron probar la precisión de la herramienta, en comparación con los diagnósticos del panel clínico.

El algoritmo mostró un excelente rendimiento en la detección de trastornos respiratorios comunes en la infancia. Los niveles de acuerdo con el consenso clínico fueron: para el asma (PPA 97%, NPA 91%); neumonía (PPA 87%, NPA 85%); LRTD (PPA 83%, NPA 82%); grupa (PPA 85%, NPA 82%); bronquiolitis (PPA 84%, NPA 81%).

Para el diagnóstico de neumonía, los resultados superaron el rendimiento de otros sistemas de puntuación, incluidos los criterios de la Organización Mundial de la Salud para el diagnóstico de neumonía, donde la sensibilidad de la herramienta es una prioridad.

La ventaja que ofrece esta tecnología es la capacidad de identificar trastornos respiratorios comunes sin la necesidad de un examen clínico, o incluso investigaciones estándar (como rayos X) o pruebas de broncodilatadores. La capacidad de proporcionar una salida de diagnóstico de punto de atención reduce el tiempo entre la obtención y la espera de radiografías y otros resultados. Por estas razones, la tecnología sería útil para consultas de telesalud y en servicios de salud de áreas remotas donde hay un acceso limitado a la atención médica.

La capacidad de la herramienta para diferenciar el asma de la neumonía sería particularmente útil en países de bajos ingresos donde las guías de diagnóstico favorecen el diagnóstico de neumonía, hasta el punto de que hasta el 50% de los niños menores de cinco años diagnosticados con neumonía podrían haber reclasificado su enfermedad como asma.

Este estudio muestra cómo las nuevas tecnologías, como el aprendizaje automático, el modelado matemático y la medicina clínica, pueden unirse para desarrollar con éxito una forma novedosa de evaluar y diagnosticar enfermedades. Ahora el equipo de investigadores está ampliando sus investigaciones para analizar las enfermedades respiratorias de los adultos y examinar el uso de la tecnología para estratificar la gravedad de la enfermedad.

Más información: Biomed Central

Deja un comentario

Top