Dispositivo portátil de conteo de sibilancias monitorea la respiración del paciente en tiempo real

Las enfermedades pulmonares como el asma, la enfermedad pulmonar obstructiva crónica (EPOC), el cáncer de pulmón, la bronquitis y las infecciones como la neumonía se encuentran entre las principales causas de muerte en todo el mundo. Tradicionalmente, los profesionales médicos diagnostican estas afecciones escuchando la respiración del paciente con un estetoscopio para detectar sonidos anormales como sibilancias o crujidos, que son indicadores comunes de muchas enfermedades pulmonares y respiratorias. Este método de diagnóstico exige una gran experiencia y una mala interpretación de estos sonidos puede dar como resultado diagnósticos incorrectos. Los investigadores ahora han desarrollado un algoritmo de inteligencia artificial (IA) que monitorea continuamente la respiración de un paciente y emite alertas médicas tempranas sobre posibles ataques de asma u otros problemas respiratorios.

Desarrollado por un equipo de la Universidad de Texas en Dallas (Richardson, TX, EUA), este algoritmo monitorea la respiración de un paciente en tiempo real y analiza la frecuencia de las sibilancias. Esto mejora la monitorización de los sonidos pulmonares para la prevención de síntomas, la detección temprana de enfermedades respiratorias y el alivio de los síntomas. El equipo de investigación entrenó su modelo de aprendizaje profundo utilizando un conjunto de datos que comprende 535 ciclos de respiración de varias fuentes de datos de pacientes para identificar patrones de respiración indicativos de síntomas asmáticos. Este innovador contador de sibilancias está preparado para transformar el enfoque para predecir enfermedades pulmonares basándose en patrones respiratorios a largo plazo.

El desafío en un entorno clínico es monitorear continuamente el patrón y la frecuencia de los sonidos pulmonares anormales durante períodos prolongados, lo cual actualmente no es práctico. El algoritmo desarrollado aborda esto no solo identificando sonidos anormales en cada respiración sino también capturando un conjunto completo de datos que incluye patrones de respiración atípicos. El siguiente paso para los investigadores es integrar esta tecnología en un dispositivo portátil, permitiendo su uso tanto en entornos clínicos como no clínicos para facilitar la detección sobre la marcha y las intervenciones médicas remotas. En el futuro, el equipo pretende combinar lecturas de contaminación del aire en tiempo real con análisis del sonido respiratorio en tiempo real en un único dispositivo portátil para ofrecer un seguimiento continuo de la salud respiratoria.

“Desarrollamos el algoritmo de aprendizaje profundo para detectar automáticamente si la respiración de alguien es problemática. Cuando alguien tiene sibilancias, el algoritmo contará el número de incidencias y analizará su momento”, dijo el Dr. Dohyeong Kim, investigador de la Universidad de Texas en Dallas. “Nuestro método de recuento de sibilancias es sencillo pero eficaz, y tiene potencial de expansión hacia la monitorización automática de síntomas. Esto podría ser crucial para predecir la aparición o la gravedad de anomalías futuras, así como para detectar los síntomas actuales”.

Enlaces relacionados:
Universidad de Texas en Dallas

Visitar la expo >

Miembro Oro

SARS‑CoV‑2/Flu A/Flu B/RSV Sample-To-Answer Test

SARS‑CoV‑2/Flu A/Flu B/RSV Cartridge (CE-IVD)

Miembro Oro

STI Test

Vivalytic Sexually Transmitted Infection (STI) Array

New

Video Uretero-Renoscope

Olympus URF-V3/V3R

New

Ultrasonic Cleaners

Large-Capacity Ultrasonic Cleaners