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


IBM presentó esta semana una investigación que examina cómo la inteligencia artificial y el aprendizaje automático se pueden utilizar 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 crearon modelos para analizar registros demográficos de países africanos y encontraron asociaciones «basadas en datos» entre el número de años entre embarazos y el tamaño de la red social de una mujer con resultados de nacimiento. En un artículo separado, otro equipo de IBM analizó datos de tres décadas y cuatro países para intentar anticipar la aparición de diabetes tipo 1 entre 3 y 12 meses antes del diagnóstico típico, y luego predecir su progresión. Afirman que uno de los modelos predijo con precisión el progreso el 84% de las veces.

Mejora del resultado del recién nacido

A pesar de la disminución mundial de las tasas de mortalidad infantil, muchos países no están en camino de cumplir los objetivos propuestos para poner fin a las muertes evitables en recién nacidos y niños menores de 5 años. Como era de esperar, el progreso hacia estos objetivos ha sido inconsistente, lo que se refleja en el acceso desigual a los servicios de salud y la asignación desigual de recursos.

Con miras a posibles soluciones, los investigadores de IBM intentaron identificar características relacionadas con la mortalidad neonatal «que se registraron en datos transversales representativos a nivel nacional». Analizaron corpora de dos encuestas demográficas y de salud recientes (de 2014 y 2018) en 10 países subsaharianos diferentes y crearon un modelo para cada encuesta para clasificar (1) las madres que tuvieron una en los cinco años anteriores a la encuesta. Nacimiento informado. (2) los que dijeron haber perdido uno o más hijos menores de 28 días y (3) los que no informaron haber perdido a un hijo. Luego, los investigadores examinaron cada modelo visualizando las características en los datos que influyeron en las conclusiones del modelo, así como también cómo los cambios en los valores de las características podrían haber afectado 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 de recién nacidos representan la mayor parte de las pérdidas. de recién nacidos representa a los niños menores de 5 años y que el porcentaje de muertes de recién nacidos se ha mantenido históricamente alto a pesar de una disminución en las muertes de menores de 5 años. Descubrieron que el número de nacimientos en los últimos 5 años se correlacionó positivamente con la mortalidad de recién nacidos, mientras que el tamaño del hogar se correlacionó negativamente con la mortalidad de recién nacidos. También indicaron que las madres de hogares más pequeños tenían un mayor riesgo de mortalidad neonatal que las madres de hogares más grandes, y que factores como la edad y el sexo del jefe de hogar parecían influir en la relación entre el tamaño del hogar y la mortalidad de recién nacidos.

Los coautores del estudio señalan las limitaciones de su trabajo, como el hecho de que las encuestas autoinformadas pueden omitir información importante como la accesibilidad a la atención médica y el comportamiento de búsqueda de atención médica. También reconocen que los modelos pueden identificar y explotar patrones indeseables para hacer sus predicciones. Aún así, afirman haber hecho una contribución importante a la comunidad de investigación para demostrar que el aprendizaje automático del conjunto puede potencialmente inferir los resultados del recién nacido 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 los datos de salud a nivel de población. «, escribieron los investigadores en un artículo que describe sus esfuerzos. «La correlación positiva entre el número de nacimientos informados y la mortalidad neonatal, que se refleja en nuestros resultados, confirma la observación previamente conocida de la distancia de nacimiento como un factor clave en la mortalidad neonatal».

Predicción de la diabetes tipo 1

Otro equipo de IBM estudió hasta qué punto la IA podría ser útil para diagnosticar y tratar la diabetes tipo 1, que afecta a alrededor de 1 de cada 100 adultos durante su vida. Basado en investigaciones que muestran que la diabetes tipo 1 clínica generalmente está precedida por una condición conocida como autoinmunidad de los islotes, en la que el cuerpo produce anticuerpos de manera constante llamados autoanticuerpos de los islotes, el equipo desarrolló un algoritmo que agrega pacientes y cuenta el clúster que se va a descubrir y sus perfiles determina los puntos en común entre los diferentes grupos geográficos.

El algoritmo tuvo en cuenta los 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 autoanticuerpos positivos, los investigadores aplicaron el modelo a los datos de 1.507 pacientes en estudios en Estados Unidos, Suecia y Finlandia. Se informó que la precisión de la transferencia de grupos fue alta, con una media del 84% anterior, lo que sugiere que el perfil de AAb se puede usar para predecir la progresión de la diabetes tipo 1 independientemente de la población.

En un estudio relacionado, el 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 identificar características. Los coautores afirman que cuando se aplicó a los mismos conjuntos de datos que el algoritmo de agrupamiento, la ontología mejoró el rendimiento predictivo hasta con 12 meses de anticipación y permitió que se hicieran predicciones sobre qué pacientes podrían desarrollar diabetes tipo 1 un año antes de ser detectados.

Por supuesto, es importante señalar que los desequilibrios en los conjuntos de datos podrían haber sesgado las predicciones. Un equipo de científicos británicos descubrió que casi todos los registros de enfermedades oculares provienen de pacientes en América del Norte, Europa y China, lo que significa que los algoritmos para diagnosticar enfermedades oculares entre grupos raciales de países subrepresentados son menos seguros. En otro estudio, los investigadores de la Universidad de Stanford afirmaron que la mayoría de los datos estadounidenses para los estudios sobre el uso médico de la IA procedían de California, Nueva York y Massachusetts.

Los coautores de una auditoría el mes pasado recomiendan que los profesionales lleven a cabo análisis de equidad «rigurosos» antes de la implementación para encontrar una solución al sesgo. Esperamos que si los investigadores de IBM deciden utilizar sus modelos en algún momento, sigan su consejo.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *