Usando IA para luchar contra COVID-19


El síndrome respiratorio agudo severo coronavirus 2 (SARS-CoV-2) pertenece a la Coronavirdiae familia y se puede caracterizar como un virus de ARN monocatenario de sentido positivo, que infecta principalmente a aves, mamíferos y seres humanos. El SARS-CoV-2, que surgió en Wuhan, China, causa la enfermedad por coronavirus 2019 (COVID-19). Hasta la fecha, se han confirmado aproximadamente 173 millones de infecciones en todo el mundo, con una tasa de mortalidad del 2,19%.

Para hacer frente al SARS-CoV-2, los científicos desarrollaron un puñado de vacunas que atacan directamente al virus o bloquean su entrada al cuerpo. Sin embargo, no hay nuevos tratamientos disponibles para la enfermedad COVID-19 y la mayoría de las terapias clínicas tienen como objetivo hacer frente a los síntomas. Se han probado y aprobado varios medicamentos reutilizados, como el remdesivir, para tratar pacientes con COVID-19 grave.

Debido a la falta de tratamientos específicos, aún se está investigando el desarrollo de terapias novedosas.

Se ha descubierto que la inteligencia artificial (IA) es un método eficaz para abordar varios problemas en una variedad de campos, por lo que es fácilmente evidente que es muy adecuado para ayudar a COVID-19.

Un estudio con sede en Taiwán y publicado en el Revista de medicina clínica se centra en el papel de la IA en la gestión de COVID-19 a través de imágenes digitales, análisis clínicos y de laboratorio, como detección y diagnóstico.

Aplicación de IA para combatir COVID-19

Aplicación de IA para combatir COVID-19

Modelos de IA

Con algoritmos de IA que ilustran las habilidades para predecir y diagnosticar tendencias epidemiológicas de enfermedades, es posible que también se pueda aplicar para combatir COVID-19.

El documento taiwanés describe una descripción general de los algoritmos de inteligencia artificial que se ejecutan desde un bosque aleatorio, un algoritmo simple, diverso y de alto funcionamiento fundado por Tin Kam Ho. Este algoritmo funciona generando múltiples árboles de decisión y promediándolos para hacer una predicción precisa.

También existen otros algoritmos de aprendizaje automático, como la máquina de vectores de soporte (SVM), que generalmente se utiliza en problemas de clasificación y regresión, o el algoritmo de red neuronal convolucional (CNN), que consta de varias capas de red, como entrada, convolucional, agrupación máxima, agrupación promedio y capas de salida. El modelo CNN ha demostrado un rendimiento eficaz y esto potencia su uso en un entorno clínico para COVID-19.

Las redes neuronales artificiales (ANN) son una de las principales herramientas de la IA. Las redes neuronales utilizadas en las RNA se modelan a partir de las neuronas de un cerebro biológico.

Potencial de COVID-19

Con las tasas de infección del virus SARS-CoV-2 disparadas en países de todo el mundo, la dependencia de los sistemas de salud ha sido inmensa. Esta dependencia ha provocado la falta de camas para los pacientes gravemente infectados y la escasez de suministros. Las imágenes digitales, como los rayos X y las tomografías computarizadas, se pueden usar para detectar anomalías en pacientes con COVID-19, y recientemente, el aprendizaje profundo ha demostrado que las imágenes digitales se pueden usar para detectar la enfermedad en sí con precisión.

El documento ilustra cómo se puede utilizar el desarrollo de la IA para ayudar a los médicos a evaluar a los pacientes con COVID-19 de manera efectiva y ayudar con las consecuencias de los suministros limitados que pueden ocurrir durante las pandemias.

El estudio menciona un artículo de Kumar et al., Quienes desarrollaron un sistema de clasificación basado en el aprendizaje automático para predecir los resultados de los pacientes infectados. Además, Karim et al. desarrollaron un modelo explicable de predicción de aprendizaje profundo utilizando 15959 imágenes de radiografía de tórax de tres categorías de pacientes (COVID-19, normal y neumonía), y tras la evaluación de su modelo, los resultados positivos parecieron impulsar la precisión y la memoria.

Explorando las limitaciones de la IA

Aunque la IA puede ser ventajosa para COVID-19, el estudio describe cómo el uso de estos modelos de aprendizaje automático como CNN en un entorno clínico puede tener limitaciones.

La investigación de IA que subyace a estas aplicaciones carece de un tamaño de muestra representativo, validación externa, así como una evaluación de modelo apropiada que sugiere que no sería confiable para uso clínico.

Puede haber un alto grado de sesgo en los estudios que examinan el uso de estos algoritmos y, por lo tanto, sus hallazgos en entornos clínicos pueden no ser confiables.

Sin embargo, con muchos pacientes hospitalizados debido a infecciones graves de COVID-19, la IA podría ayudar a identificar predictores de la gravedad de la enfermedad, lo que puede ayudar a los médicos y trabajadores de la salud con el proceso de clasificación y permitirles priorizar a los pacientes según la gravedad y el riesgo de mortalidad.

Esta aplicación ha sido explorada por Cai et al., Quienes utilizaron imágenes de TC de pacientes infectados para desarrollar un modelo de predicción que estratifica la gravedad de la enfermedad en grupos, incluidos los casos moderados, graves y críticos.

La revisión de Taiwán explora cómo la aplicación de la IA podría ayudar con las tasas de infección por COVID-19 mediante su uso para predecir la gravedad y la mortalidad de la enfermedad, así como otras tareas como la detección de COVID-19 y la reutilización de fármacos para encontrar candidatos eficaces a fármacos.

El documento concluye que aunque estas aplicaciones serían importantes para COVID-19, se requiere más investigación en esta área para evaluar la eficacia de utilizando modelos de IA en un entorno clínico de la vida real.

Referencia de la revista:

  • Islam, M., Poly, T., Alsinglawi, B., Lin, M., Hsu, M. y Li, Y., 2021. Una encuesta de vanguardia sobre inteligencia artificial para combatir COVID-19. Revista de medicina clínica, 10 (9), pág.1961. https://www.mdpi.com/2077-0383/10/9/1961/htm

.



Source link