Parche pulmonar portátil detecta con precisión el asma y la EPOC

A nivel mundial, el asma y la enfermedad pulmonar obstructiva crónica (EPOC) están significativamente subdiagnosticadas, con tasas que varían entre el 20 y el 70% para el asma y hasta el 81% para la EPOC. La detección temprana y el manejo adecuado son cruciales para estas enfermedades respiratorias crónicas. Un indicador común de estas afecciones es la sibilancia, un sonido silbante de tono alto causado por la inflamación y el estrechamiento de las vías respiratorias. Los médicos suelen utilizar estetoscopios digitales, considerados el estándar de oro, para escuchar y registrar sonidos pulmonares anormales como sibilancias y crepitaciones (sonidos de chasquido o traqueteo que a menudo acompañan a las sibilancias). Analizan estas grabaciones para determinar si capturan sibilancias, crepitaciones o sonidos respiratorios normales. Actualmente, el método estándar para identificar las sibilancias implica un análisis de tiempo-frecuencia computarizado, que se basa en un algoritmo de lista de verificación. Sin embargo, este método no es integral, lo que hace que se pasen por alto algunos casos. Existe la necesidad de una solución tecnológica avanzada que pueda servir como herramienta de detección en entornos clínicos y para el monitoreo remoto de pacientes, permitiendo a los médicos intervenir tempranamente.

Investigadores del Instituto de Tecnología de Georgia (Atlanta, GA, EUA) han desarrollado un modelo de aprendizaje profundo (DL) emparejado con un parche portátil equipado con un sensor de alta sensibilidad capaz de detectar automáticamente los sonidos sibilantes. Este modelo de DL tiene el potencial de clasificar las enfermedades respiratorias, lo que podría acelerar el diagnóstico y el tratamiento. A diferencia de los micrófonos tradicionales de los estetoscopios digitales, el sensor de microchip del parche portátil puede detectar pequeñas vibraciones con alta sensibilidad y mínima distorsión. Para el desarrollo del modelo de DL, se recopilaron grabaciones de sonidos pulmonares de 52 pacientes en una clínica ambulatoria de asma o en un entorno hospitalario. Veinticinco de estos pacientes eran obesos, una condición que puede reducir la calidad de las grabaciones pulmonares tradicionales.

Para obtener las grabaciones, los pacientes usaron el parche en miniatura en hasta nueve sitios diferentes en el pecho. Se registraron datos de cada sitio mientras el paciente respiraba profundamente durante 30 segundos. Como comparación, los médicos también tomaron grabaciones pulmonares utilizando estetoscopios digitales en los mismos puntos del pecho.  Las sibilancias etiquetadas tanto por el estetoscopio digital como por el parche portátil fueron altamente consistentes, incluso en pacientes obesos. Estos datos, etiquetados por los clínicos, se incorporaron al modelo de DL, lo que le permitió distinguir entre sonidos de sibilancia y sonidos respiratorios normales.

Los investigadores compararon el rendimiento del modelo de DL con el método estándar de tiempo-frecuencia para detectar sibilancias, tanto cuando se usó con el parche como con el estetoscopio digital. Los resultados del estudio piloto, publicado en BioSensors, mostraron que el modelo DL combinado con el parche superó consistentemente a los otros métodos, logrando las tasas más altas de precisión, sensibilidad y especificidad promedio para la detección de sibilancias, con un 95%, 96% y 93%, respectivamente. Esta combinación superó al método de tiempo-frecuencia emparejado con el parche o el estetoscopio digital, así como al modelo DL combinado con el estetoscopio digital .Los investigadores ven dos posibles aplicaciones para el marco del parche portátil: cribado a corto plazo en entornos clínicos y monitoreo a largo plazo en el hogar. Actualmente están desarrollando una versión inalámbrica del parche para monitoreo remoto, que podría transmitir datos al médico de un paciente para facilitar el tratamiento oportuno.

“Nuestro parche sensible tiene muchas ventajas sobre los métodos tradicionales de detección de sibilancias, que tienen dificultades para detectar todas las variaciones de sibilancias y crepitaciones, lo que puede llevar a un diagnóstico incorrecto”, dijo Farrokh Ayazi, Ph.D., autor principal del estudio y profesor de ingeniería eléctrica e informática en el Instituto de Tecnología de Georgia. “Al incorporar datos de estas variaciones de sibilancias en un modelo de aprendizaje profundo y aprovechar la capacidad del sensor para eliminar los sonidos ambientales, nuestro método de detección produjo una mayor precisión, sensibilidad [identificó correctamente la presencia de una sibilancia] y especificidad [identificó correctamente la ausencia de una sibilancia] en comparación con el enfoque estándar de tiempo-frecuencia”.

Enlaces relacionados:
Instituto Tecnológico de Georgia