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