La detección precoz y el manejo adecuado del asma y de la enfermedad pulmonar obstructiva crónica (EPOC) son cruciales. Un indicador común para estas dos afecciones es la sibilancia, un sonido silbante dentro de tono alto causado por la inflamación y el estrechamiento de las vías respiratorias.
En la actualidad, los médicos suelen utilizar estetoscopios digitales para escuchar y registrar sonidos pulmonares anormales. Sin embargo, este método estándar implica un análisis tiempo-frecuencia computarizado y, en ocasiones, se pasan por alto algunos casos.
Ante este panorama, un grupo de investigadores del Instituto de Tecnología de Georgia han desarrollado un modelo de aprendizaje profundo emparejado a un parche portátil equipado con un sensor de alta sensibilidad capaz de detectar automáticamente estos sonidos. Esta herramienta tiene el potencial de clasificar las enfermedades respiratorias, lo que podría acelerar claramente el diagnóstico y el tratamiento.
Para poder obtener las grabaciones, los pacientes usaron el parche en miniatura hasta en nueve sitios diferentes del pecho
A diferencia del método ‘tradicional’, el sensor del parche portátil puede detectar pequeñas vibraciones con alta sensibilidad y mínima distorsión. Para el desarrollo del modelo de aprendizaje automático se recopilaron grabaciones de sonidos pulmonares de 52 pacientes en una clínica ambulatoria de asma o en un entorno hospitalario.
Para poder obtener las grabaciones, los pacientes usaron el parche en miniatura hasta en nueve sitios diferentes del pecho. Además, con el objetivo de comparar, los médicos también tomaron grabaciones pulmonares utilizando estetoscopios digitales en estos mismos puntos. Las silibancias etiquetadas tanto por el estetoscopio digital como por el parche portátil fueron altamente consistentes, incluso en pacientes obesos. Todos estos datos, se incorporaron al modelo del aprendizaje automático, lo que permitió distinguir entre sonidos de sibilancia y sonidos respiratorios normales.
Los resultados del estudio piloto publicado en BioSensors, mostraron que el modelo de aprendizaje automático superó consistentemente a los otros métodos, logrando las tasas más altas de precisión y sensibilidad, con un 95%.
"Al incorporar datos de estas variaciones de sibilancias en un modelo de aprendizaje profundo y aprovechar la capacidad del sensor para eliminar los sonidos ambientales, nuestro método de detección produjo una mayor precisión, sensibilidad y especificidad”
Esta combinación superó al método de tiempo-frecuencia emparejado con el parche estetoscopio digital, así como al modelo DL combinado. Los investigadores ven dos posibles aplicaciones para el marco del parche portátil, cribado a corto plazo en entornos clínicos, y la monitorización a largo plazo en el hogar. Actualmente están desarrollando una versión inalámbrica del parche para monitorización remota, que podría transmitir datos al médico de un paciente para facilitar el tratamiento oportuno.
“Nuestro parche sensible tiene muchas ventajas sobre los métodos tradicionales de detección de silibancias, que tienen dificultades para detectar todas las variaciones lo que puede llevar a un diagnóstico incorrecto. Al incorporar datos de estas variaciones de sibilancias en un modelo de aprendizaje profundo y aprovechar la capacidad del sensor para eliminar los sonidos ambientales, nuestro método de detección produjo una mayor precisión, sensibilidad y especificidad”, señaló Farrokh Ayazi, autor principal del estudio y profesor de ingeniería eléctrica e informática en el Instituto de Tecnología de Georgia.