Un equipo de investigadores nacionales, integrado por los académicos PUCV, Felipe Feijoo y Víctor Leiva; los egresados de la carrera de ingeniería civil industrial de la Universidad, Nicolás Bustos y Manuel Tello; y los investigadores de la Clínica MEDS, Guillermo Droppelmann y Nicolás García; realizó un estudio experimental que permitió desarrollar una herramienta basada en machine learning o aprendizaje automatizado (AA) para diagnosticar de manera eficiente casos de COVID-19.

La publicación ‘Machine learning techniques as an efficient alternative diagnostic tool for COVID-19 cases’ se enfoca en el desarrollo de un sistema experimental de alta precisión para la detección del virus y que se vislumbra como una alternativa para zonas rurales o lugares alejados donde no existe disponibilidad permanente o acceso a exámenes PCR pero que cuenten con una tecnología computacional relativamente simple.

El estudio realizado en el “Sport Medicine Data Science Center MEDS-PUCV” – iniciativa nacida en el año 2020 con financiamiento de la Dirección General de Vinculación con el Medio PUCV y de la Clínica MEDS – se basó en radiografías de tórax de personas de 26 países disponibles en un repositorio público de datos. Los resultados se obtuvieron a partir de un experimento estadístico basado en técnicas de AA que están directamente relacionadas al estudio y construcción de algoritmos que, a partir de un modelo matemático, permiten hacer predicciones basadas en datos de imágenes de rayos X en pacientes sanos, con neumonía e infectados por COVID-19.

Estas imágenes corresponden a datos no estructurados que se les da estructura transformando la intensidad de pixeles, y otras características de la imagen, en datos estructurados, que se pueden analizar, tal como se ve en la imagen de abajo. Cuando los datos están estructurados, se le aplica las técnicas de AA llamadas máquinas de vectores de soporte y bosques aleatorios para obtener la predicción como paciente sano, con neumonía o con COVID-19.

A partir de los resultados obtenidos, los investigadores validaron esta herramienta de inteligencia artificial que permite diagnosticar con una alta precisión casos de COVID-19 y que se caracteriza por su bajo costo, rápida aplicación y porque no es invasiva.

El artículo fue publicado en la revista Open Access ‘Signa Vitae’ (WoS), especializada en investigación de vanguardia en anestesia, cuidados intensivos y medicina de emergencia. La investigación demostró que las técnicas de AA pueden identificar con un alto porcentaje de efectividad a pacientes infectados por COVID-19. Esto quedó de manifiesto en los resultados del estudio donde se obtuvieron valores adecuados de sensibilidad y especificidad que alcanzaron el 90%, reduciendo al mínimo las tasas de falsos positivos o falsos negativos.

INVESTIGADORES

Sobre los resultados del estudio, el coautor de la investigación y académico PUCV, Felipe Feijoo, explicó: “Esta herramienta es de bajo costo, de fácil acceso, y se puede aplicar con rapidez si se tiene una capacidad tecnológica y computacional relativamente simple contrario a lo que ocurriría con otro tipo técnicas de aprendizaje supervisado”.

Por su parte, el investigador de la Escuela de Ingeniería Industrial PUCV, Víctor Leiva, destacó: “Proponemos una herramienta alternativa al PCR que es no invasiva. La herramienta usa imágenes de rayos X que se transforman en datos estructurados para entrenar algoritmos de inteligencia artificial y diagnosticar COVID-19. En particular, la herramienta podría ser útil para la variante Delta del COVID-19, cuyos síntomas han demostrado ser más sensibles a los rayos X”.

En relación con el aporte de Clínica MEDS, el investigador Guillermo Droppelmann, comentó: “Nuestra experiencia se ha basado principalmente en el análisis de imágenes médicas, específicamente en la detección de alteraciones de patrones degenerativos de tendones, por lo que decidimos ampliar la temática y liderar una investigación que pudiera diagnosticar el COVID-19 mediante el uso de radiografías y diferentes algoritmos provenientes desde la inteligencia artificial”.

Finalmente, el coautor y exalumno de la misma Escuela, Nicolás Bustos, concluyó: “Es esencial impulsar la investigación aplicada con objetivos integrales e inclusivos durante nuestra transición por la universidad. Así, contribuimos con soluciones que beneficien a sectores con menos recursos socioeconómicos y tecnológicos”.

Gentileza de Dirección de Investigación PUCV