SENSORES DE SUDOR AYUDAN A PREDECIR ARREBATOS EN NIÑOS AUTISTAS

Los niños con autismo pueden volverse rebeldes y agresivos, a menudo sin advertencias para quienes los rodean. Tales arrebatos también pueden ser emocionalmente difíciles para la familia y los cuidadores, no sólo para los niños, y planificar eventos e ir a lugares públicos es un gran desafío. Tener un poco de advertencia sobre el empeoramiento del estado mental de un niño autista puede ayudar a mitigar e incluso prevenir arrebatos.

Usando el monitor de muñeca Q-Sensor de Affectiva, una compañía con sede en Cambridge, Massachusetts, EE. UU. los investigadores de la Universidad de Missouri han podido identificar niveles elevados de actividad electrodérmica como un indicador bastante bueno de conductas de empeoramiento en niños autistas.

En el estudio participaron ocho niños con casos graves de trastorno del espectro autista que usaron los sensores Q en sus muñecas o tobillos, dependiendo de la cooperación. Fueron monitoreados y su comportamiento analizado y clasificado en términos de la gravedad de los arrebatos.

Se descubrió que la mayor actividad electrodérmica de los niños, que es indicativa de un aumento en los niveles de sudor, estaba presente el 60% del tiempo antes de los malos casos de comportamiento. "Un aumento en la actividad electrodérmica nos dice que el cuerpo del individuo está reaccionando fisiológicamente a algo estresante, que podría ser su estado interno, algo en el ambiente o una combinación de ambos", dijo Bradley Ferguson, el investigador principal de El estudio aparece en la revista Frontiers in Psychiatry. "Si se notifica a los padres o cuidadores con anticipación que los niveles de estrés de sus hijos están aumentando, podrían tener la oportunidad de intervenir y reducir la situación antes de que ocurran conductas problemáticas".

Investigaciones similares fueron realizadas recientemente por la Northeastern University, en Boston, Massachusetts, EE. UU. que incluyó algunos parámetros más, incluidos la frecuencia cardíaca y el movimiento corporal. Usando un algoritmo predictivo, el equipo de Northeastern logró una precisión del 84% en la predicción de arrebatos. Ambos estudios involucraron a menos de dos docenas de personas, por lo que será necesaria más investigación. Sin embargo, pronto podremos ver a niños autistas usando relojes inteligentes que realmente funcionan para ayudar a sus padres a controlar sus malos comportamientos. MH

MÁS INFORMACIÓN

APRENDIZAJE AUTOMÁTICO PARA PREDECIR RIESGO DE INSUFICIENCIA CARDÍACA

Investigadores del Brigham and Women’s Hospital y del centro médico UT Southwestern en Dallas, Texas, EE.UU. han desarrollado un nuevo algoritmo de aprendizaje automático que predice el riesgo de hospitalización por insuficiencia cardíaca para las personas que padecen diabetes tipo 2. Su trabajo demuestra que entre 147 diferentes datos demográficos, clínicos y biológicos, hay una lista de los 10 principales predictores, que incluye el IMC, la edad, la hipertensión, la creatinina, el HDL-C y la duración del QRS.

La insuficiencia cardíaca es una complicación frecuente y peligrosa de la diabetes tipo 2. Una nueva investigación clínica ha demostrado que los nuevos medicamentos pueden ser útiles para pacientes con insuficiencia cardíaca y pueden ayudar a reducir el riesgo de insuficiencia cardíaca en pacientes con diabetes. Sin embargo, no ha habido un método confiable para identificar qué pacientes con diabetes tienen mayor riesgo de desarrollar insuficiencia cardíaca. Los investigadores desarrollaron un modelo de aprendizaje automático para abordar esta preocupación.

Aprovechando los datos de casi 9,000 pacientes en el ensayo Acción para controlar el riesgo cardiovascular en la diabetes (ensayo ACCORD), los investigadores utilizaron un modelo que puede funcionar con datos de altas dimensiones, entendiendo patrones en las 147 variables totales, incluidos datos demográficos, clínicos y biológicos para cada paciente

Durante los cinco años de duración del ensayo, 319 pacientes (3.6% del total) desarrollaron insuficiencia cardíaca. Los factores más comunes incluyeron peso, edad, hipertensión, junto con creatinina, HDL-C, niveles de glucosa en sangre, duración del QRS, infarto de miocardio e injerto de revascularización coronaria. La puntuación de riesgo más alta se asoció con una probabilidad de 1 en 5 de desarrollar insuficiencia cardíaca en cinco años.

El puntaje de riesgo WATCH-DM, definido por el modelo de aprendizaje automático, ahora está disponible como una herramienta en línea para que los médicos lo utilicen. El equipo está trabajando para integrar su sistema de puntuación en los sistemas electrónicos de registros de salud tanto en el Hospital Brigham and Women como en el UT Southwestern Medical Center para permitir el uso en tiempo real.

“Esta herramienta de riesgo es un paso importante en la dirección correcta para promover la prevención de la insuficiencia cardíaca en pacientes con diabetes tipo 2. Puede usarse fácilmente como parte de la atención clínica de pacientes con diabetes tipo 2 e integrarse con los registros médicos electrónicos para informar a los médicos sobre el riesgo de insuficiencia cardíaca en sus pacientes y guiar el uso de estrategias preventivas efectivas ", dijo Ambarish Pandey, MD, MSCS, cardiólogo preventivo en UT Southwestern y autor principal de este estudio.

MÁS INFORMACIÓN

IDENTIFICACIÓN DE ENFERMEDADES POR MEDIO DE IA

Los monitores de salud portátiles, los sensores ubicuos y la capacidad de recopilar y almacenar grandes cantidades de datos están creando desafíos para los investigadores que esperan utilizar la inteligencia artificial para identificar enfermedades. Si bien los datos recopilados pueden contener respuestas clínicas importantes, encontrar esas respuestas significa que los datos deben clasificarse y etiquetarse.

Investigadores del MIT han desarrollado un sistema que puede identificar de manera autónoma los signos de una enfermedad a partir de los datos recopilados de un grupo relativamente pequeño de personas y sin ningún tipo de capacitación inicial.

La investigación, presentada recientemente en la conferencia Machine Learning for Healthcare en Ann Arbor, Michigan, se centró en aprender los biomarcadores de audio de los trastornos de las cuerdas vocales. Utilizando datos recopilados durante una semana desde un acelerómetro conectado a los cuellos de 100 personas, el sistema identificó automáticamente qué características de sonido eran importantes para identificar si un paciente tiene nódulos de cuerdas vocales.

"Cada vez es más fácil recopilar conjuntos de datos de series temporales largas. Pero hay médicos que necesitan aplicar sus conocimientos para etiquetar el conjunto de datos”, dijo el autor principal, José Javier González Ortiz, estudiante de doctorado en el MIT. "Queremos eliminar esa parte manual para los expertos y descargar toda la ingeniería de características en un modelo de aprendizaje automático".

Si bien el sistema se utilizó para una tarea específica relacionada con el sonido, puede ser entrenado para analizar datos de otras enfermedades. El estudio actual puede ayudar a crear herramientas que eviten los nódulos vocales y ayudar a estudiar la aparición de esta afección.

MÁS INFORMACIÓN

ENDOSCOPIO SIN LENTE CAPTURA IMÁGENES EN 3D DE OBJETOS MÁS PEQUEÑOS QUE CÉLULAS

Investigadores de TU Dresden en Alemania han desarrollado un nuevo endoscopio ultradelgado sin lente para aplicaciones biomédicas. Su trabajo demuestra que el endoscopio, de sólo 200 micras de diámetro, puede autocalibrarse y ajustar su enfoque para realizar imágenes en 3D. Este emocionante desarrollo se puede utilizar para aplicaciones optogenéticas, así como para controlar células y tejidos.

Los endoscopios típicos usan una combinación de cámaras, lentes, fibras ópticas y fuentes de luz para visualizar las estructuras internas del cuerpo. La nueva tecnología ha permitido a los investigadores desarrollar endoscopios sin lentes ultrafinos. Sin embargo, estos nuevos diseños ópticos son muy propensos a las fluctuaciones de temperatura y a la flexión / torsión de la fibra óptica. Para abordar estas limitaciones, los investigadores de TU Dresden desarrollaron un método novedoso para calibrar dichos endoscopios ultrafinos.

La forma en que funcionan el endoscopio y el método de calibración es la siguiente: el endoscopio consiste en un haz de fibra óptica que tiene aproximadamente 350 micras de ancho y tiene 10,000 núcleos de fibra óptica. Los investigadores estimulan un núcleo central de fibra óptica, que ilumina una placa de vidrio delgada en la punta del endoscopio. Esta luz es recogida por las otras fibras ópticas en el paquete, lo que permite a los investigadores cuantificar cómo la luz está siendo emitida y recogida por el telescopio. Esta característica del osciloscopio, denominada "función de transferencia óptica", puede cambiar debido al posicionamiento y la flexión del osciloscopio, y debe calibrarse y verificarse sobre la marcha durante los experimentos de imágenes.

El equipo combinó su método de autocalibración con una lente adaptativa y un espejo de galvanómetro para ajustar la distancia focal del endoscopio. Esto les permite no solo visualizar un punto delante del telescopio, sino también escanear a su alrededor.

MÁS INFORMACIÓN

SIMULACIONES PARA GUIAR TERAPIA CONTRA EL CÁNCER

Investigadores del Laboratorio Nacional de Argonne y la Universidad de Chicago han desarrollado una nueva herramienta basada en supercomputadora para modelar la progresión y destrucción del tumor por el sistema inmune. Su trabajo demuestra que las simulaciones computacionales de las interacciones inmuno tumorales pueden inferir si un tumor dado puede ser destruido o no con inmunoterapia. Este desarrollo emocionante puede algún día curar terapias personalizadas para el cáncer basadas en la biología individual del paciente.

Las inmunoterapias contra el cáncer pueden mejorar significativamente la supervivencia en varios tipos de cáncer, sin embargo, las inmunoterapias no benefician a todos los pacientes por igual: solo el 10-20% de los pacientes experimentan una respuesta duradera, parcial o completa. A pesar de la investigación continua, los científicos no han podido determinar de manera confiable si un paciente dado se beneficiará o no de la inmunoterapia. Para abordar esta necesidad, los autores del estudio aplicaron un modelo computacional para estudiar cómo interactúan el cáncer y las células inmunes, y cómo cambiar varios aspectos del modelo, imitando los efectos de la inmunoterapia, puede conducir a la regresión del cáncer.

Los investigadores comenzaron con un simulador celular, que incorpora crecimiento realista, muerte y heterogeneidad de las células. Luego, modelaron poblaciones de células inmunes y cancerosas. En el modelo variaron seis indicadores diferentes, que incluyen la tasa de destrucción de células inmunes, la tasa de fijación de células inmunes y la migración de células inmunes. Al final de cada simulación, cuantificarían la cantidad de células tumorales que quedaban y compararían esto a través de los cambios en diferentes variables.

Los investigadores realizaron las simulaciones en el grupo de supercomputadoras del Laboratorio Nacional Argonne, generando más de 500,000 resultados diferentes al probar varias combinaciones de los parámetros. Descubrieron que en el 80% de los casos las células inmunes no podían detener la progresión del cáncer, mientras que en el 2% de los casos las células inmunes podían matar el 99% de las células tumorales. Sin embargo, también encontraron que dentro de muchos escenarios posibles diferentes, el cambio de una o más variables podría mejorar la destrucción de células cancerosas, lo que demuestra un camino potencial para la terapia basada en la biología del paciente individual.

MÁS INFORMACIÓN

INTELIGENCIA ARTIFICIAL DIAGNOSTICA SOPLOS CARDÍACOS MEJOR QUE EXPERTOS CARDIÓLOGOS

En la recién concluida Scientific Sessions 2018 en la American Heart Association en Chicago, Eko, el fabricante de estetoscopios digitales populares, mostró un algoritmo de red neuronal “AI” que puede detectar soplos mejor que un grupo de cardiólogos. El estudio, titulado "La inteligencia artificial detecta los soplos cardíacos pediátricos con una precisión a nivel de cardiólogos", involucró la enseñanza de una computadora para detectar soplos sospechosos, dándole primero miles de grabaciones de sonido previamente diagnosticadas. La computadora analizó estas firmas de audio únicas y encontró suficientes matices para poder identificar soplos en una muestra de auscultación.

Esto es importante, ya que la medicina general y los médicos de familia internos diagnostican rutinariamente los soplos a una velocidad increíble. El acceso a los cardiólogos es limitado, por lo que un sistema automatizado que puede ayudar durante las evaluaciones regulares puede hacer mucho. Además, esta es una señal excelente de que el aprendizaje automático y otras técnicas de IA pueden ayudar realmente con la atención médica diaria al traer expertos virtuales en diferentes campos al consultorio del médico.

El software se puede combinar con los estetoscopios digitales Eko Core y Duo, por lo que sólo se necesita una aprobación reglamentaria para introducir la tecnología en la práctica clínica.

MÁS INFORMACIÓN

EL APRENDIZAJE AUTOMÁTICO PUEDE AYUDAR A LOS ANESTESIÓLOGOS A PREVER LAS COMPLICACIONES

Durante las cirugías, los anestesiólogos deben controlar los signos vitales de los pacientes y administrar las dosis adecuadas de anestesia en el momento adecuado. Al manejar estas responsabilidades en una situación de alta presión, puede ser difícil anticipar complicaciones quirúrgicas. Un problema que puede surgir es la hipoxemia, una condición en la cual los niveles de oxígeno en la sangre del paciente se vuelven demasiado bajos. La hipoxemia se ha asociado con consecuencias graves, como paros cardíacos, isquemia cerebral e infecciones postoperatorias. Aunque los anestesiólogos pueden monitorear la saturación de oxígeno en la sangre en tiempo real, actualmente no hay formas confiables de predecir los episodios de hipoxemia de manera perioperatoria.

Para abordar este problema, los investigadores de la Universidad de Washington han desarrollado un sistema de aprendizaje automático que han llamado "Prescience". Antes de que comience la cirugía, el sistema utiliza los datos del paciente, como la edad y el peso, para proporcionar una estimación del riesgo de que una persona tenga un episodio de hipoxemia durante la operación. Además, el sistema puede predecir la hipoxemia en cualquier momento durante el procedimiento mediante el uso de información en tiempo real de los signos vitales del paciente. En su artículo publicado en Nature Biomedical Engineering, los autores demostraron que los anestesiólogos podían predecir episodios de hipoxemia con una precisión de 16 % más cuando tenían acceso a Prescience en comparación con cuando no.

Además de su capacidad predictiva, Prescience también puede proporcionar explicaciones para sus predicciones, por lo que los anestesiólogos pueden comprender mejor por qué un paciente está en riesgo. "Una de las cosas que dijeron los anestesistas fue:" No estamos realmente satisfechos con solo una predicción. Queremos saber por qué ", informó Su-In Lee, autor principal del artículo. Después de adquirir un conjunto de datos de 50,000 cirugías del Centro Médico de la Universidad de Washington y del Centro Médico Harborview, Prescience descubrió que el índice de masa corporal del paciente era una característica preoperatoria importante que ayudaba a predecir si un paciente experimentaría hipoxemia durante la cirugía. Durante la operación, Prescience descubrió que los niveles de oxígeno en sangre de minuto a minuto eran la característica predictiva más importante.

Los autores planean continuar trabajando con los anestesiólogos para mejorar la interfaz del sistema, así como desarrollar versiones de Prescience que puedan predecir otras condiciones peligrosas.

MÁS INFORMACIÓN

SISTEMA AUTOMATIZADO EVALÚA DENSIDAD DE SENOS EN MAMOGRAFÍAS

Actualmente, los radiólogos que ven imágenes de mamografías identifican tejido denso, pero sus evaluaciones son subjetivas y, por lo tanto, pueden variar de un médico a otro.

Casi la mitad de las mujeres tienen senos densos, un factor de riesgo para el cáncer de seno. Para una detección adecuada, es importante detectar tejido mamario denso, ya que puede ocultar la presencia de tumores. Un equipo de científicos del MIT y del Hospital General de Massachusetts ha creado una pieza de software que puede evaluar automáticamente si el tejido del seno de una mujer es denso o no, con una precisión que coincide con la de un equipo de radiólogos humanos.

“La densidad mamaria es un factor de riesgo independiente que impulsa la forma en que nos comunicamos con las mujeres sobre su riesgo de cáncer. Nuestra motivación fue crear una herramienta precisa y coherente, que se pueda compartir y utilizar en todos los sistemas de atención médica ”, dijo Adam Yala, uno de los líderes de la investigación.

El sistema se basa en una red neuronal convolucional, una técnica informática que ahora se usa ampliamente en varios campos, incluidas las tareas de reconocimiento de imágenes. Fue entrenado, utilizando cerca de 60,000 imágenes de mamografía, para aprender cómo se ven los senos densos gracias a que cada imagen ya se usó en un caso real y se marcó con el diagnóstico de un radiólogo.

El sistema se probó en pacientes examinadas en el Hospital General de Massachusetts, y los radiólogos recibieron la estimación del software de la densidad mamaria con cada imagen de mamografía. A los radiólogos simplemente se les dio la opción de estar de acuerdo o en desacuerdo con la decisión del sistema, y ​​después de ver más de 10,000 imágenes, el sistema demostró un 94% de acuerdo con los radiólogos.

MÁS INFORMACIÓN

NUEVA ESTRATEGIA DE APRENDIZAJE AUTOMÁTICO PARA ACELERAR INTERFAZ CEREBRO-COMPUTADORA

Las interfaces cerebro-computadora suelen ser sistemas que miden la actividad neuronal y la convierten en una salida artificial. Estos sistemas han mostrado un gran potencial para el movimiento asistido en pacientes con discapacidades motoras. Las interfaces suelen funcionar dirigiendo al paciente a pensar en hacer un movimiento y permitiendo que el sistema registre repetidamente la actividad neuronal asociada con ese movimiento. A través de métodos de aprendizaje supervisados, la interfaz aprende a asociar patrones de actividad específicos con los movimientos previstos. Sin embargo, debido a que la activación básica de las neuronas puede cambiar de un día a otro según una variedad de factores, la interfaz debe volver a entrenarse al comienzo de cada sesión, un proceso que puede durar hasta dos horas.

Un equipo de colaboración de Battelle y la Universidad Estatal de Ohio Wexner Medical Center ha publicado nuevos descubrimientos en Nature Medicine que demuestran un método novedoso que utiliza una red neuronal profunda que reduce drásticamente el tiempo de entrenamiento requerido para su interfaz cerebro-computadora. Su método consiste en entrenar inicialmente el sistema utilizando el enfoque supervisado tradicional, y luego permitir que una red neuronal no supervisada supervise el rendimiento del sistema sin etiquetas explícitas para los movimientos previstos del usuario.

David Friedenberg, autor principal del estudio, explica que, después de la configuración inicial de la capacitación, “solo necesitas un par de ejemplos para decir: 'este es el patrón básico que estoy buscando', y luego el resto de los datos es ayudando a contrarrestar las líneas de base que podrían estar cambiando ”. El decodificador híbrido fue capaz de mantener su desempeño de predicción correcta de señales de movimiento con una precisión del 90 por ciento en un sujeto durante más de un año sin una capacitación explícita.

El grupo cree que su nuevo sistema aborda muchos de los deseos de los usuarios finales potenciales para las interfaces cerebro-computadora, que incluyen alta precisión, configuración diaria mínima y tiempos de respuesta rápidos. Actualmente, el equipo está buscando formas de reducir el tamaño del sistema para que pueda tomarse fuera del laboratorio y probarse en un entorno natural.

Aquí hay un video de Bloomberg que informa sobre la investigación en la que puede ver cómo un paciente puede hacer cosas que pensó que nunca volvería a hacer:

MÁS INFORMACIÓN

PRESENTA UNIVERSIDAD DE BREMEN COMPUTACIÓN MÉDICA COMO NUEVA ÁREA DE ESTUDIO

Dado que las computadoras se han vuelto extendidas en la medicina, ciertamente hay algo que decir para que los médicos que las usan sepan cómo funcionan y cómo aprovechar mejor la potencia de las computadoras.

La medicina moderna depende en gran medida de las computadoras para ayudar a los médicos a diagnosticar y tratar enfermedades y administrar la atención. Sin embargo, una educación médica típica no proporciona casi ningún conocimiento sobre cómo se procesan las imágenes mediante los sistemas de resonancia magnética o cómo se utilizan los datos grandes para ampliar nuestra comprensión de una variedad de enfermedades. Los académicos del Instituto Fraunhofer MEVIS para Informática de Imagen Médica y la Universidad de Bremen en Alemania se han unido para ofrecer una nueva área de estudio diseñada para que los futuros médicos se familiaricen con diferentes técnicas computacionales.

El nuevo campo de enseñanza denominado Computación médica, que ahora será administrado por la Facultad de Matemáticas / Ciencias de la Computación en la Universidad de Bremen, pondrá a los estudiantes en los fundamentos del procesamiento de imágenes médicas que ahora se utilizan ampliamente para mejorar la calidad de la imagen y para identificar sitios de enfermedades, técnicas de inteligencia artificial que pueden automatizar procesos complejos y cómo se procesan grandes cantidades de datos para encontrar lo que es importante.

MÁS INFORMACIÓN

Proscia expande plataforma de patología digital impulsada por AI

Esta semana, Proscia, una compañía de patología digital con sede en Filadelfia iniciada por empresarios de la Universidad Johns Hopkins y la Universidad de Pittsburgh, anunció la finalización de un financiamiento Serie A de $ 8.3 millones de dólares liderado por Flybridge Capital Partners. Otros participantes en la ronda incluyeron Emerald Development Managers, Fusion Fund, Razor´s Edge Ventures y RobinHood Ventures.

Ya antes la compañía había agregado nuevas herramientas de análisis de imágenes de cáncer a la nube de patología de Proscia. Los nuevos fondos se utilizarán para continuar expandiendo el software de patología digital actual de Proscia, el desarrollo de combustible y la comercialización de nuevos flujos de trabajo habilitados por inteligencia artificial (AI) dirigidos a cánceres de alto volumen y alto impacto, y aumentar las ventas y los esfuerzos de marketing. El primer módulo habilitado para AI en la plataforma de la compañía, DermAI, se lanzará el próximo diciembre.

En su avance hacia las herramientas basadas en la inteligencia artificial, el director general de Proscia, David West, comentó que “la patología digital y la inteligencia artificial están abriendo nuevas posibilidades para los patólogos en la lucha contra el cáncer. La patología ha sido históricamente desatendida por la tecnología, y creemos que las potentes herramientas de software empujarán los límites de cómo se practica la patología moderna".

Como se señaló en el comunicado de prensa, la tecnología de Proscia es utilizada actualmente por miles de patólogos, científicos, histotécnicos y administradores de laboratorios en más de 300 centros clínicos y de investigación en todo el mundo. La plataforma modular basada en la nube se integra fácilmente con los ecosistemas de tecnología existentes y permite a los clientes:

• Adoptar la patología digital en sus propios términos mediante el despliegue de nuevas características y capacidades sin problemas.
• Crear nuevos flujos de trabajo basados ​​en imágenes para agilizar las operaciones, así como reducir los tiempos de respuesta y costos.
• Abrir nuevas fuentes de ingresos de imágenes y análisis para diferenciarse de sus compañeros.
• Proteger las inversiones actuales en hardware y otras infraestructuras.
• Mejorar la eficiencia y la calidad del diagnóstico para mejorar los resultados del paciente.

MÁS INFORMACIÓN

NVIDIA lanza plataforma informática para IA en medicina

La tecnología de la inteligencia artificial (IA) ya está empezando a tener un impacto en la medicina, pero ciertamente hay mucho más que deberíamos esperar de ella en el futuro. Hay una serie de cuestiones que impiden una adopción más amplia de la IA en la medicina, muchas de ellas de naturaleza tecnológica. Por ejemplo, los sistemas médicos pueden producir grandes cantidades de datos y muchos de los datos pueden provenir de sistemas viejos y lentos que nunca se esperaba que interactuaran con plataformas informáticas modernas. Además, no hay muchas herramientas disponibles para que los desarrolladores de tecnología médica aprovechen el poder de la IA

Para superar estas limitaciones, NVIDIA está lanzando una plataforma especialmente diseñada específicamente para implementar la IA en dispositivos médicos, como los sistemas de imágenes. Consiste en NVIDIA Clara AGX, una arquitectura desarrollada a partir del módulo Xavier IA de la empresa y unidades de procesamiento de gráficos Turing, más un kit de desarrollo de software (SDK) que permite a los programadores escribir programas de inteligencia artificial para usar datos provenientes de sistemas médicos heredados.

En su anuncio, NVIDIA dice que para procesar gigabytes de datos por segundo para aplicaciones de IA, se requería una combinación de procesadores de propósito general, unidades de procesamiento gráfico (GPU) y arreglos de compuertas programables en el campo. La nueva plataforma Clara combina de manera efectiva estos en un sistema basado en GPU. La compañía afirma que esta es la "referencia IA más rápida del mundo en núcleos tensores NVIDIA", y puede adaptarse a las diferentes necesidades de los desarrolladores.

Además, Clara puede procesar datos brutos procedentes de instrumentos médicos existentes, lo que permite que todo tipo de dispositivos médicos se beneficien de las técnicas de IA. NVIDIA dice que los métodos como la reconstrucción iterativa para imágenes de CT y rayos X, formación de haces en ultrasonido y detección comprimida en MR, se pueden ejecutar en dispositivos que ya tienen muchos años y que ya usan el dispositivo Clara.

MÁS INFORMACIÓN