En la Union World Conference on Lung Health, celebrada en Copenhague del 18 al 21 de noviembre, se presentaron cuatro innovaciones basadas en inteligencia artificial para mejorar la detección y el seguimiento de la tuberculosis, la enfermedad infecciosa más mortal del mundo según la OMS, con alrededor de 1.25 million muertes en 2024. Los ponentes subrayaron que herramientas más rápidas, económicas y portátiles podrían reducir las brechas en comunidades vulnerables sin acceso a diagnósticos convencionales.
El primer avance combina "breathomics" y aprendizaje automático; investigadores de Southern University of Science and Technology y Shenzhen Third People’s Hospital recogieron muestras de aliento con un AveloMask de unos 60 pacientes en Sudáfrica para estudiar cambios químicos que reflejan la respuesta al tratamiento. Liang Fu señaló que la prueba no invasiva puede indicar pronto la mejoría, lo que podría permitir acortar tratamientos, mejorar la adherencia y reducir costos.
La segunda iniciativa, Swaasa, es una plataforma de análisis de la tos desarrollada por equipos de AIIMS, Jawaharlal Institute of Postgraduate Medical Education and Research y Salcit Technologies. Con un smartphone se registraron episodios de tos de más de 350 participantes con síntomas; el algoritmo distinguió tos por TB de otras afecciones y alcanzó 94% de identificación correcta y 87% de predicción del riesgo. El tercer proyecto, del Wadhwani Institute for AI, creó un mapa de vulnerabilidad integrando más de 20 conjuntos de datos públicos y datos de vigilancia anonimizados de Ni-kshay; en pruebas nacionales logró 71% de precisión para identificar el 20% de aldeas con mayor probabilidad de TB no detectada.
Finalmente, Qure.ai anunció qXR, una herramienta de radiografía de tórax con IA para niños desde el nacimiento hasta los 15 años, la primera de su tipo con autorización regulatoria europea para ese rango de edad. Expertos como Guy Marks destacaron el "potencial extraordinario" de la IA, pero advirtieron que el reto es hacer que estas innovaciones lleguen a las personas y a los sistemas de salud que más las necesitan. Ketho Angami pidió pruebas rigurosas, conjuntos de datos sólidos y formación para el personal, subrayando que depender solo de la IA puede ser arriesgado en casos complejos. Varios estudios están en revisión por pares y se requerirá validación e implementación más amplia antes de un despliegue a gran escala.
Palabras difíciles
- aprendizaje automático — algoritmos que mejoran su rendimiento con datos
- prueba no invasiva — método diagnóstico que no requiere cirugía ni heridas
- adherencia — cumplimiento del paciente con un tratamiento médico
- anonimizar — quitar datos que permiten identificar a las personasanonimizados
- vulnerabilidad — situación de mayor riesgo o fragilidad ante problemas
- validación — comprobación de que algo funciona correctamente
- despliegue — introducción o puesta en funcionamiento amplia
Consejo: pasa el cursor, enfoca o toca las palabras resaltadas en el artículo para ver definiciones rápidas mientras lees o escuchas.
Preguntas de discusión
- ¿Qué retos prácticos menciona el texto para que estas innovaciones lleguen a las personas y sistemas de salud que más las necesitan?
- ¿Qué riesgos tiene depender solo de la inteligencia artificial en el diagnóstico o seguimiento de casos complejos? Da ejemplos basados en el artículo.
- ¿Cómo podrían herramientas más rápidas, económicas y portátiles reducir las brechas en comunidades vulnerables sin acceso a diagnósticos convencionales?
Artículos relacionados
La restricción calórica mejora la respuesta a la insulina en ratas mayores
Un estudio con ratas de 24 meses mostró que reducir las calorías cambia las proteínas del músculo y mejora la captación de glucosa por la insulina. Muchas respuestas moleculares difieren entre machos y hembras.
