Aplicación del estudios forzoso para la detección temprana y el tratamiento de una enfermedad – ScienceDaily

0


Mielopatía cervical (CM)(1) resulta de la compresión de la médula espinal en el cuello y causa dificultad para mover los dedos y una marcha inestable. Debido a que los pacientes con MC en estadio temprano tienen síntomas subjetivos mínimos y son difíciles de diagnosticar correctamente para los no especialistas, los síntomas pueden agravarse antes de que un especialista diagnostique MC a los pacientes. Por lo tanto, es necesario el desarrollo de herramientas de detección para lograr el diagnóstico y el tratamiento precoces de la MC.

Un grupo de investigación dirigido por el Dr. Koji Fujita, profesor de la Universidad Médica y Dental de Tokio, y Yuta Sugiura, profesor asociado de la Universidad de Keio, combinaron una técnica de análisis del movimiento de los dedos utilizando un sensor sin contacto y aprendizaje automático. (2) Desarrollar una herramienta de detección sencilla para CM.

En este estudio, el equipo se centró en los cambios en el movimiento de los dedos provocados por la MC. En la prueba de agarrar y soltar de 10 segundos, que es una prueba de diagnóstico convencional para CM, un sujeto repite las acciones de agarrar y soltar tantas veces como sea posible en 10 segundos. La prueba simplemente mide el número de acciones de agarre y liberación y no se centra en los cambios en los movimientos de los dedos característicos de los pacientes con MC, como los movimientos de la muñeca para compensar la dificultad del movimiento de los dedos. Leap Motion (Ultraleap Ltd.), un sensor que puede medir los movimientos de los dedos en tiempo real, se puede utilizar para extraer esos movimientos con mayor precisión. Los investigadores esperaban que CM pudiera predecirse utilizando el aprendizaje automático combinado con el sensor Leap Motion. A un sujeto sentado frente a Leap Motion conectado a una computadora portátil con los brazos extendidos se le pidió que agarrara y soltara los dedos 20 veces lo más rápido posible. Los movimientos de los dedos durante esta prueba fueron capturados por el sensor Leap Motion, mostrados en su pantalla en tiempo real y registrados como datos. Reclutaron a 50 pacientes con MC y 28 sujetos que no tenían MC. Los datos de la serie de tiempo de movimiento de los dedos adquiridos por Leap Motion se convirtieron en dominios de frecuencia, que se enseñaron mediante una máquina de soporte vectorial. Finalmente, la precisión de los resultados fue alta como lo indica una sensibilidad (3) 84,0%, una especificidad (4) en un 60,7% y un área bajo la curva (5) de 0,85. Este nivel de precisión es equivalente o mayor que el del diagnóstico especializado de MC basado en hallazgos físicos.

La herramienta desarrollada por el equipo permite a los no especialistas seleccionar personas para la posibilidad de tener MC. Los resultados de las pruebas de detección se pueden utilizar para alentar a las personas con sospecha de MC a buscar atención especializada para un diagnóstico temprano y el inicio temprano del tratamiento. Un objetivo de esta investigación es prevenir el empeoramiento de la enfermedad que puede causar un deterioro del funcionamiento físico y pérdida social.

Esta investigación se llevó a cabo como parte de los programas de Investigación Básica Estratégica de JST, Investigación de PRISM Acelerado de AIP e Investigación Precursora de Ciencia y Tecnología Embrionarias (PRSTO).

(1) Mielopatía cervical (MC): la MC es una enfermedad causada por la compresión de la médula espinal en el cuello. A los pacientes con MC se les diagnostica formalmente mielopatía cervical espondilótica u osificación cervical del ligamento longitudinal posterior, según la causa.

(2) Aprendizaje automático: mecanismo mediante el cual las computadoras aprenden una determinada actividad y calculan automáticamente los resultados.

(3) Sensibilidad: La proporción de personas con una enfermedad que dan positivo en la prueba.

(4) Especificidad: la proporción de sujetos sin enfermedad que dan negativo en la prueba de la enfermedad.

(5) Área bajo curva (AUC): una medida para la evaluación de métodos de prueba, que va de 0 a 1. Un AUC más cercano a 1 significa que el método de prueba tiene una alta precisión.

Fuente de la historia:

Materiales proporcionados por Agencia Japonesa de Ciencia y Tecnología. Nota: El contenido se puede cambiar por estilo y longitud.

También podría gustarte
Deja una respuesta

Su dirección de correo electrónico no será publicada.

This website uses cookies to improve your experience. We'll assume you're ok with this, but you can opt-out if you wish. Accept Read More