IBM afirma que su inteligencia artificial puede mejorar los resultados neonatales y predecir la aparición de diabetes tipo 1


IBM presentó esta semana una investigación que investiga cómo la inteligencia artificial y el aprendizaje automático podrían usarse para mejorar la salud materna en los países en desarrollo y predecir la aparición y progresión de la diabetes tipo 1. En un estudio financiado por la Fundación Bill y Melinda Gates, los investigadores de IBM construyeron modelos para analizar conjuntos de datos demográficos de países africanos, encontrando vínculos “respaldados por datos” entre el número de años entre embarazos y el tamaño de la red social de una mujer con resultados de nacimiento. En un trabajo separado, otro equipo de IBM analizó datos a lo largo de tres décadas y cuatro países para intentar anticipar la aparición de la diabetes tipo 1 entre 3 y 12 meses antes de que se diagnostique normalmente y luego predecir su progresión. Afirman que uno de los modelos predijo con precisión la progresión el 84% del tiempo.

Mejorando el resultado neonatal

A pesar de una disminución mundial en las tasas de mortalidad infantil, muchos países no están en camino de lograr los objetivos propuestos para poner fin a las muertes evitables entre los recién nacidos y los niños menores de 5 años. No es de extrañar que el progreso hacia estos objetivos siga siendo desigual, lo que se refleja en las disparidades en el acceso a servicios de salud y asignación desigual de recursos.

Hacia posibles soluciones, los investigadores de IBM intentaron identificar las características asociadas con la mortalidad neonatal “como se capturan en datos transversales representativos a nivel nacional”. Analizaron corpora de dos encuestas demográficas y de salud recientes (de 2014 y 2018) tomadas en 10 países subsaharianos diferentes, construyendo para cada encuesta un modelo para clasificar (1) las madres que informaron un nacimiento en los 5 años anteriores a la encuesta, (2) los que informaron haber perdido a uno o más hijos menores de 28 días, y (3) los que no informaron haber perdido a un hijo. Luego, los investigadores inspeccionaron cada modelo visualizando las características en los datos que informaron las conclusiones del modelo, así como también cómo los cambios en los valores de las características podrían haber impactado la mortalidad neonatal.

Los investigadores concluyeron que en la mayoría de los países (por ejemplo, Nigeria, Senegal, Tanzania, Zambia, Sudáfrica, Kenia, Ghana, Etiopía, la República Democrática del Congo y Burkina Faso), las muertes neonatales representan la mayor parte de la pérdida de niños menores de 5 años y que los porcentajes de muertes neonatales históricamente se han mantenido altos a pesar de una disminución en las muertes de menores de 5 años. Encontraron que el número de nacimientos en los últimos 5 años se correlacionó positivamente con la mortalidad neonatal, mientras que el tamaño del hogar se correlacionó negativamente con la mortalidad neonatal. Además, afirmaron haber establecido que las madres que viven en hogares más pequeños tienen un mayor riesgo de mortalidad neonatal en comparación con las madres que viven en hogares más grandes, con factores como la edad y el sexo del jefe de hogar que parecen influir en la asociación entre el tamaño del hogar y mortalidad neonatal.

Los coautores del estudio señalan las limitaciones de su trabajo, como el hecho de que las encuestas, que son autoinformadas, pueden omitir información clave como el acceso a la atención médica y las conductas de búsqueda de atención médica. También admiten que los modelos podrían estar identificando y explotando patrones indeseables para hacer sus predicciones. Aún así, afirman haber hecho una contribución importante a la comunidad investigadora al demostrar que el aprendizaje automático conjunto puede derivar potencialmente información sobre los resultados neonatales solo a partir de encuestas de salud.

“Nuestro trabajo demuestra la aplicación práctica del aprendizaje automático para generar conocimientos mediante la inspección de modelos de caja negra y la aplicabilidad del uso de técnicas de aprendizaje automático para generar conocimientos novedosos e hipótesis alternativas sobre los fenómenos capturados en datos de salud a nivel de población”, escribieron los investigadores. en un papel describiendo sus esfuerzos. “La correlación positiva entre el número informado de nacimientos y la mortalidad neonatal reflejada en nuestros resultados confirma la observación previamente conocida sobre el espaciamiento de los nacimientos como un determinante clave de la mortalidad neonatal”.

Predicción de la diabetes tipo 1

Otro equipo de IBM buscó investigar hasta qué punto la IA podría ser útil para diagnosticar y tratar la diabetes tipo 1, que afecta a aproximadamente 1 de cada 100 adultos durante su vida. Sobre la base de investigaciones que muestran que la diabetes tipo 1 clínica generalmente está precedida por una afección llamada autoinmunidad de los islotes, en la que el cuerpo produce de manera constante anticuerpos llamados autoanticuerpos de los islotes, el equipo desarrolló un algoritmo que agrupa a los pacientes y determina el número de agrupaciones y sus perfiles para descubrir puntos en común entre diferentes grupos geográficos.

El algoritmo consideró perfiles basados ​​en los tipos de autoanticuerpos, la edad a la que se desarrollaron los autoanticuerpos y los desequilibrios en la positividad de los autoanticuerpos. Después de agrupar a los sujetos con autoanticuerpos positivos, los investigadores aplicaron el modelo a los datos de 1,507 pacientes en estudios realizados en los EE. UU., Suecia y Finlandia. Se informó que la precisión de la transferencia de grupos fue alta, con una media del 84% mencionado anteriormente, lo que sugiere que el perfil de AAb se puede utilizar para predecir la progresión de la diabetes tipo 1 independientemente de la población.

En un relacionado estudiar, este mismo equipo de investigadores creó una ontología de diabetes tipo 1 que captura los patrones de ciertos biomarcadores y los usa junto con un modelo para discernir características. Los coautores afirman que cuando se aplica a los mismos conjuntos de datos que el algoritmo de agrupamiento, la ontología mejora el rendimiento de la predicción hasta con 12 meses de anticipación, lo que permite predecir qué pacientes podrían desarrollar diabetes tipo 1 un año antes de que se detecte habitualmente.

Es importante señalar, por supuesto, que los desequilibrios en los conjuntos de datos podrían haber sesgado las predicciones. Un equipo de científicos del Reino Unido encontró que casi todos los conjuntos de datos de enfermedades oculares provienen de pacientes en América del Norte, Europa y China, lo que significa que es menos seguro que los algoritmos de diagnóstico de enfermedades oculares funcionen bien para grupos raciales de países subrepresentados. En otro estudio, los investigadores de la Universidad de Stanford afirmaron que la mayoría de los datos de EE. UU. Para estudios que involucran usos médicos de la IA provienen de California, Nueva York y Massachusetts.

Los coautores de un auditoría el mes pasado recomendó que los profesionales apliquen análisis de equidad “rigurosos” antes de la implementación como una solución al sesgo. Esperamos que los investigadores de IBM, en caso de que elijan implementar eventualmente sus modelos, presten atención a sus consejos.

Latest articles

Twitter dice que encontró fotos del padre biológico ‘narcotraficante’ de Lori Harvey !!

A Lori Harvey se la conoce con frecuencia como la hija del comediante Steve Harvey. Steve adoptó a Lori, pero...

Tecnología dentro y entre empresas

Los economistas y sociólogos llevan mucho tiempo interesados ​​en estudiar las tecnologías involucradas...

Disney Plus actualiza la introducción con el tributo a Chadwick Boseman

Disney Plus ha revelado un nuevo tributo a Chadwick Boseman. Disney Plus ha actualizado la introducción de la película Black Panther para incluir un...

El gobierno sueco reconsidera la estrategia de contención del COVID-19

Si bien gran parte de Europa se bloqueó para detener la propagación del coronavirus, Suecia se basó en gran medida en medidas voluntarias...

Related articles

Leave a reply

Please enter your comment!
Please enter your name here

Translate »