Documentos de Académico
Documentos de Profesional
Documentos de Cultura
Introducción
Hoy en día los dispositivos médicos basados en teléfonos inteligentes son cada
vez más comunes para monitorear el estado físico, la frecuencia cardíaca,
neumología, diagnósticos y varias otras aplicaciones de salud. Esto demuestra
que las capacidades y la presencia de los teléfonos inteligentes modernos los
hacen excelentes candidatos para plataformas clínicas y de salud, a pesar de sus
limitaciones de sensado.
En el siguiente trabajo, se pretende dar una descripción general del diseño y los
criterios de evaluación del diagnóstico de ictericia del recién nacido usando un
teléfono inteligente con el prototipo BiliCam, una aplicación médica que utiliza la
cámara integrada y una calibración de color en papel para controlar la ictericia del
recién nacido.
La ictericia en recién nacidos provoca que la piel y la esclerótica de los ojos del
bebé luzcan amarillas y sucede cuando un bebé tiene un alto nivel de bilirrubina
en la sangre. La bilirrubina es una sustancia amarilla que el cuerpo produce
cuando reemplaza los glóbulos rojos viejos. Esta es una de las condiciones
fisiológicas más comunes entre los recién nacidos: una estimación 84% de los
recién nacidos desarrollan ictericia.
Las pruebas utilizadas en el ámbito médico para detectar los niveles de bilirrubina
son TSB (Bilirrubina Total Serica) de forma invasiva y TcB (Bilirrubina
Transcutánea) de forma no invasiva, siendo la primera la prueba con mayor
precisión y la segunda considerada no confiable por los médicos arriba de los 14
mg/dL, por lo que solo se utiliza como herramienta de cribado.
Recopilación de datos
Las imágenes se tomaron tanto en el esternón como en la frente del recién nacido,
en dos momentos diferentes, el primero dentro de los 24 horas de vida como línea
base (nivel de bilirrubina bajo) y el segundo entre los dos y medio y cinco y medio
días de vida para realizar el seguimiento.
k-Nearest Neighbor
LARS
SVR
Todas las regresiones hasta esta etapa fueron regresiones lineales. Con el fin
de capturar la posible relación no lineal, se emplearon dos regresiones de
vectores de soporte. La idea detrás del Support Vector Regression (RVS) es
que una función de regresión lineal pueda encontrarse en un gran espacio
dimensional de características. Entonces, los datos de entrada pueden ser
mapeados en el espacio utilizando una función potencialmente no lineal. Se
formaron dos SVRs: el primero utiliza un núcleo lineal y el segundo utiliza una
función sigmoidea de base no lineal.
Random Forest
Gráfico de dispersión de las estimaciones BiliCam Gráfico de Bland-Altman modificado, donde los residuos
(círculos), calculado a través de la validación cruzada (BiliCam - TSB) se representan frente a la TSB. Para la
leave-one-out, en comparación con la TSB. comparación, cada trama también contiene las
predicciones de la TcB (cuadrados).
Para evaluar qué tan bien esta aplicación evalúa el riesgo de un recién nacido de
la ictericia, aplicamos las clasificaciones del nomograma de Bhutani a los niveles
de bilirrubina predichos. El nomograma divide muestras de bilirrubina en cuatro
zonas de riesgo: bajo, intermedio bajo, intermedio-alto, y alto
Figura. Clasificación de la zona de riesgo de BiliCam usando nomograma de Bhutani. Las líneas de
color mapean puntos clasificados incorrectamente con respecto al valor real (falsos positivos y
falsos negativos) y el nivel de bilirrubina.
Como conclusión personal considero que para construir una aplicación o software
de sistema de ayuda a la decisión implica un arduo trabajo de investigación, como
se pudo observar en el trabajo anterior, comprende etapas de recolección de
datos, datamining, pre procesado de información, y clasificación por diversos
algoritmos para poder realizar un sistema de ayuda a la decisión confiable. Si bien
este sistema no pretende reemplazar a los dispositivos de diagnóstico médico
devuelve un resultado lo suficientemente confiable para la determinación de los
niveles de bilirrubina en recién nacidos.
Lo que considero más interesante del trabajo es que este utiliza varios algoritmos
de clasificación para dar un mejor diagnóstico y si entre estos no existe coherencia
arroja un falso positivo.
Bibliografía
Lilia de Greef, et allis. (2014). BiliCam: Using Mobile Phones to Monitor Newborn
Jaundice . 20 de octubre de 2018, de University of washington Sitio web:
https://www3.nd.edu/~dwang5/courses/spring15/papers/medical/p6.pdf
https://www.youtube.com/watch?v=L4YfDktsWVA