Entrenan una IA para detectar enfermedades pulmonares en bebés prematuros

El estudio fue presentado por Edgar Delgado-Eckert, profesor adjunto del Departamento de Ingeniería Biomédica de la Universidad de Basilea y líder del grupo de investigación del Hospital Infantil Universitario de Suiza.

La displasia broncopulmonar (DBP) es un problema respiratorio que puede afectar a los bebés prematuros. Cuando los pulmones de un recién nacido no están desarrollados al nacer, a menudo necesitan el apoyo de un respirador o terapia de oxígeno, un tratamiento que puede estirar e inflamar sus pulmones, lo que provoca DBP.

Pero identificar la displasia broncopulmonar es difícil. Las pruebas de función pulmonar suelen requerir que un adulto sople cuando se lo piden (algo que los bebés no pueden hacer), por lo que las técnicas actuales requieren un equipo sofisticado para medir las características de ventilación pulmonar de un bebé. Como resultado, la displasia broncopulmonar es una de las pocas enfermedades que se diagnostica típicamente por la presencia de una de sus principales causas, la prematuridad y la asistencia respiratoria.

El profesor Delgado-Eckert explica al respecto: "Hasta hace poco, esta necesidad de grandes cantidades de datos ha obstaculizado los esfuerzos para crear modelos precisos de enfermedades pulmonares en bebés, porque es muy difícil evaluar su función pulmonar. Pero existe una alternativa: podemos medir la respiración del bebé mientras duerme. Para ello, solo se necesita una mascarilla suave con un sensor que pueda medir el flujo y el volumen de aire que entra y sale de la nariz del bebé. Este equipo es barato y está disponible en cualquier centro clínico. Estas mediciones de varias respiraciones consecutivas (lo que llamamos respiración de marea) pueden generar grandes cantidades de datos de flujo secuencial de buena calidad. Queríamos intentar usar estos datos para entrenar una red neuronal artificial para detectar la DBP.

El equipo del profesor Delgado-Eckert estudió a un grupo de 139 bebés nacidos a término y 190 prematuros a los que se les había evaluado si padecían displasia broncopulmonar, y registró su respiración durante diez minutos mientras dormían. Para cada bebé, se utilizaron 100 respiraciones regulares consecutivas, cuidadosamente inspeccionadas para excluir suspiros u otros artefactos, para entrenar, validar y probar un tipo de ANN llamado modelo de memoria a corto y largo plazo (LSTM), que es particularmente eficaz para clasificar datos secuenciales como la respiración corriente.

El equipo utilizó el 60% de los datos para enseñar a la red a reconocer el TLP, el 20% para validar el modelo (para garantizar que no estuviera demasiado fijado en los datos de entrenamiento) y luego alimentó el 20% restante de los datos al modelo, sin verlo, para ver si podía identificar correctamente a los bebés con TLP. El modelo LSTM pudo clasificar una serie de valores de flujo en el conjunto de datos de prueba no vistos como uno que pertenecía a un paciente al que se le había diagnosticado TLP o no con un 96 % de precisión.

El equipo ahora espera investigar si el modelo también podría usarse para evaluar a bebés apenas unas semanas después del nacimiento, para analizar la función pulmonar y predecir síntomas en niños mayores, en edad escolar, y para evaluar otras afecciones, como el asma.

 NULL

    

FUENTE: Redacción/Con información de Europa Press