La Dra. Silvia Aparicio, académica de la Universidad Internacional Iberoamericana de México (UNINI México), colabora en un estudio que evalúa y entrena un modelo de aprendizaje profundo para mejorar la eficiencia del diagnóstico de la neumonía.
La neumonía es una infección respiratoria grave que inflama los tejidos de los pulmones, afectando a millones de personas en todo el mundo cada año. Esta afección puede ser tratada con medicamentos como los antibióticos y los antivirales, sin embargo, es crucial diagnosticar y tratarla de manera temprana para prevenir complicaciones e incluso la muerte.
Suele ser causada por hongos, bacterias o virus que inflaman los alvéolos pulmonares, afectando a personas de todas las edades; principalmente, aquellas que tienen un sistema inmunológico débil, a los asmáticos, a los que fuman y beben, a los pacientes intervenidos quirúrgicamente en días recientes y los que padecen infecciones virales.
Durante décadas, las radiografías del tórax han sido una herramienta importante para diagnosticar la neumonía. Normalmente, un radiólogo experto evalúa manualmente estas radiografías para identificar los patrones anormales y los signos de la infección. Sin embargo, este proceso es lento y la precisión puede depender de la experiencia del profesional. Además, puede ser difícil brindar una interpretación precisa y oportuna, especialmente en las regiones donde escasean los profesionales de la salud.
Los modelos de aprendizaje profundo, como las redes neuronales convolucionales (CNN) y las redes neuronales recurrentes (RNN), han demostrado ser prometedores en el diagnóstico automatizado de la neumonía a partir de imágenes médicas como las radiografías del tórax y las tomografías computarizadas (TC). Estos modelos son capaces de aprender patrones complejos y características al basarse en grandes conjuntos de datos para identificar con precisión las afecciones pulmonares anormales relacionadas con la neumonía. Las investigaciones de este campo siguen avanzando y mejorando las herramientas de diagnóstico y detección de la afección.
Este estudio implementa y evalúa seis modelos de aprendizaje profundo, en el cual sobresalió uno llamado EfficientNetV2L, que mostró resultados prometedores en el análisis de las radiografías de tórax. Este modelo supera las limitaciones tradicionales al incorporar algoritmos de aprendizaje profundo e inteligencia artificial. Gracias a sus potentes capacidades computacionales, analiza rápidamente las imágenes, permitiendo una detección precisa del 94,02%.
Esta innovación no solo mejora la eficiencia en la detección de la neumonía, sino que también tiene el potencial de mejorar los sistemas de atención médica a nivel mundial, ya que, otra de sus ventajas es su escalabilidad. Un algoritmo avanzado puede automatizar el análisis de numerosas radiografías, garantizando una cobertura más amplia para los programas de detección de la neumonía. Al poder revisar rápidamente un gran número de casos, los profesionales de la salud pueden priorizar a los pacientes con afecciones agudas para optimizar la asignación de los recursos y mejorar la atención global al paciente.
El desarrollo de este modelo marca un paso significativo en la detección de la neumonía. A medida que continúen las investigaciones y los avances, la integración de esta tecnología en los sistemas de atención médica existentes podría tener un impacto importante en los resultados de los pacientes de todo el mundo. Además, al aprovechar las capacidades avanzadas de las tecnologías de aprendizaje automático se podrá reducir la brecha en el acceso a la atención médica.
Si quieres conocer más sobre este estudio, clic aquí.
Para leer más investigaciones, consulta el repositorio de UNINI México.
La Universidad Internacional Iberoamericana de México (UNINI México) ofrece la Maestría en Dirección Estratégica en Tecnologías de la Información. Un programa que desarrolla las habilidades de los estudiantes para ocupar un puesto directivo de sistemas y TIC o liderar un proyecto de cambio organizacional.
