Mostrando entradas con la etiqueta aprendizaje automático. Mostrar todas las entradas
Mostrando entradas con la etiqueta aprendizaje automático. Mostrar todas las entradas

viernes, 10 de enero de 2025

Sistema de clasificación predictiva para el dolor lumbar basado en agrupamiento no supervisado

 https://www.columnaalcocermanrique.mx/academia/sistema-de-clasificacion-predictiva-para-el-dolor-lumbar-basado-en-agrupamiento-no-supervisado/


Sistema de clasificación predictiva para el dolor lumbar basado en agrupamiento no supervisado

Resumen
Diseño del estudio: estudio retrospectivo.

Objetivo: se cree que los hallazgos de la resonancia magnética lumbar (RM) se asocian con el dolor lumbar. Este estudio buscó desarrollar un nuevo sistema de clasificación predictiva para el dolor lumbar.

Global Spine Journal
@GlobalSpineJ
Del número de abril: «Sistema de clasificación predictiva para el dolor lumbar basado en agrupamiento no supervisado»
#dolorlumbar #accesoabierto #columna #saluddelacolumna #trastornosdelacolumna #cuidadodelacolumna

Predictive Classification System for Low Back Pain Based on Unsupervised Clustering – Lixia Jin, Chang Jiang, Lishu Gu, Mengying Jiang, Yuanlu Shi, Qixun Qu, Na Shen, Weibin Shi, Yuanwu Cao, Zixian Chen, Chun Jiang, Zhenzhou Feng, Linghao Shen, Xiaoxing Jiang, 2023

Conclusión
Utilizando el agrupamiento no supervisado de datos de una población relativamente normal, hemos desarrollado un nuevo sistema de clasificación de 3 grupos que se basó en características radiológicas. Este nuevo sistema de clasificación se correlacionó significativamente con el LBP (P = .017). El sistema fue independiente de la edad y mejor que el logrado con parámetros sagitales individuales en la RM. Una proporción de sujetos (27%) se movió entre los grupos durante el seguimiento, predominantemente del grupo 1 a los grupos 2 o 3. Este movimiento entre los grupos puede ayudar a explicar cómo el sistema de clasificación puede predecir la degeneración lumbar. Este estudio es un intento exitoso de proporcionar una nueva forma de predecir el LBP que se puede implementar en la práctica médica y debería ser útil en el diagnóstico y tratamiento del LBP.

Antecedentes
Con una población que envejece, el dolor lumbar (LBP) se ha convertido en una de las enfermedades con efectos significativos en la calidad de vida y también causa discapacidad.1,2 La degeneración lumbar es bien aceptada como una de las principales causas del LBP. 3 La resonancia magnética (MRI) se utiliza ampliamente para evaluar las enfermedades degenerativas lumbares debido a sus ventajas, incluida la ausencia de radiación, la capacidad de realizar imágenes multiplanares, proporciona un excelente contraste de los tejidos blandos de la columna vertebral y permite al radiólogo determinar la ubicación precisa de los cambios en el disco intervertebral.4-7 La degeneración lumbar se detecta con frecuencia en las exploraciones de MRI. Aunque no hay evidencia firme de la presencia o ausencia de una relación causal entre los hallazgos radiológicos y el LBP, muchos estudios han sugerido que debería existir dicha relación.8-12

El aprendizaje automático con inteligencia artificial (IA) se puede utilizar para analizar datos sin supervisión, de modo que se pueda obtener información que no ha estado disponible con el método tradicional de análisis de imágenes en el pasado. Por lo tanto, desarrollamos una estrategia de IA para evaluar rápidamente las características de la degeneración lumbar en la RMN. Esta estrategia analizó los datos mediante aprendizaje automático no supervisado y desarrolló un nuevo sistema de clasificación basado en las características radiológicas en la RMN de manera no supervisada, en un proceso llamado «agrupamiento no supervisado». Este estudio buscó desarrollar un nuevo sistema de clasificación predictiva para el LBP utilizando una muestra de la población general con exploraciones repetidas de RMN lumbar con un método de agrupamiento no supervisado.

Predictive Classification System for Low Back Pain Based on Unsupervised Clustering – PubMed

Predictive Classification System for Low Back Pain Based on Unsupervised Clustering – PMC

Predictive Classification System for Low Back Pain Based on Unsupervised Clustering – Lixia Jin, Chang Jiang, Lishu Gu, Mengying Jiang, Yuanlu Shi, Qixun Qu, Na Shen, Weibin Shi, Yuanwu Cao, Zixian Chen, Chun Jiang, Zhenzhou Feng, Linghao Shen, Xiaoxing Jiang, 2023

© The Author(s) 2021

This article is distributed under the terms of the Creative Commons Attribution-NonCommercial-NoDerivs 4.0 License (https://creativecommons.org/licenses/by-nc-nd/4.0/) which permits non-commercial use, reproduction and distribution of the work as published without adaptation or alteration, without further permission provided the original work is attributed as specified on the SAGE and Open Access pages (https://us.sagepub.com/en-us/nam/open-access-at-sage).

PMCID: PMC10240599  PMID: 33896208








viernes, 26 de abril de 2024

Predicción 3D de la progresión de la curva en la escoliosis idiopática del adolescente basada en reconstrucción radiológica biplanar

 https://www.ortopediaycolumna.com.mx/academia/prediccion-3d-de-la-progresion-de-la-curva-en-la-escoliosis-idiopatica-del-adolescente-basada-en-reconstruccion-radiologica-biplanar/


Predicción 3D de la progresión de la curva en la escoliosis idiopática del adolescente basada en reconstrucción radiológica biplanar

Esta revisión sistemática tiene como objetivo identificar predictores 3D derivados de la reconstrucción biplanar y describir los métodos actuales para mejorar la predicción de curvas en pacientes con escoliosis idiopática leve en adolescentes.
Escoliosis #BJO #Columna vertebral
@jasonpycheung

3D prediction of curve progression in adolescent idiopathic scoliosis based on biplanar radiological reconstruction | Bone & Joint (boneandjoint.org.uk)


La escoliosis idiopática del adolescente (EIA) es una afección compleja que requiere un seguimiento regular y ejerce una presión psicosocial significativa sobre sus pacientes.1-6 La predicción de la progresión de la curva puede reducir las consultas y los aparatos ortopédicos innecesarios en pacientes no progresivos, al tiempo que permite una intervención más temprana y pronóstico adecuado para pacientes progresivos.7,8

Como deformidad tridimensional, el AIS se caracteriza por la curvatura lateral de la columna en el plano frontal, una alteración de las curvaturas fisiológicas de la columna en el plano sagital y una rotación axial de las vértebras en el plano transversal.9-14 A pesar de que la hipocifosis y la rotación axial son Reconocidos como factores importantes en el desarrollo de la curva, los pacientes sometidos a un tratamiento conservador generalmente solo se evalúan utilizando el ángulo de Cobb 2D y la edad ósea para predecir la progresión de la curva. En la literatura reciente, centros más especializados han estado caracterizando la deformidad de la columna en los planos axial y sagital para mejorar la precisión en la predicción de la progresión de la curva.15-21

Para evaluar la rotación en curvas más grandes, se ha utilizado ampliamente el método de Nash-Moe22, pero está limitado por su baja precisión y replicabilidad.23,24 Mientras tanto, la reconstrucción 3D a partir de tomografías computarizadas no se realiza de manera rutinaria debido a la exposición a radiación ionizante.25, 26 En los últimos años, la reconstrucción 3D de radiografías biplanares ha sido cada vez más validada por su precisión y reproducibilidad.27,28 Cabe señalar que 3D en el contexto de la reconstrucción biplanar también se refiere a la capacidad de desrotar segmentos vertebrales para obtener cifosis segmentaria, acuñamiento y rotación intervertebral en el plano del paciente.29-31 Si bien proporcionan datos cuantitativos extensos, los programas disponibles comercialmente para la reconstrucción biplanar aún requieren un esfuerzo manual considerable para mapear los puntos de referencia de la columna antes de la secuencia de medición automatizada.32 En los últimos años, también hemos visto una aumento de los estudios transdisciplinarios que utilizan el aprendizaje automático sobre datos clínicos para desarrollar programas internos para predecir la progresión de la curva,7,16,33-36, lo que implica terminología especializada que puede ser difícil de digerir.

Para extraer puntos clínicos útiles de la diversa gama de estudios existentes, esta revisión sistemática tiene como objetivo identificar e investigar parámetros 3D derivados de la reconstrucción biplanar como predictores de la progresión de la curva. La atención se centra en los pacientes con AIS no operatorios, especialmente para estratificar el riesgo de progresión en las primeras visitas. Además, la revisión tiene como objetivo resumir las técnicas actuales para mejorar la precisión predictiva mediante el aprendizaje automático.


Esta revisión sistemática tiene como objetivo identificar predictores 3D derivados de la reconstrucción biplanar y describir los métodos actuales para mejorar la predicción de curvas en pacientes con escoliosis idiopática leve en adolescentes.

Conclusión
Para los pacientes con curvas leves, TI y AVR se identificaron como predictores de progresión de la curva, siendo TI > 3,7° y AVR > 5,8° umbrales importantes. El ángulo de Cobb actúa como un mal predictor en curvas leves y se requieren más investigaciones para evaluar la cifosis torácica y el acuñamiento como predictores. La reconstrucción acumulativa de radiografías mejora la precisión de la predicción. Se recomienda un análisis exhaustivo entre curvas progresivas y no progresivas para extraer umbrales significativos para el pronóstico clínico.

3D prediction of curve progression in adolescent idiopathic scoliosis based on biplanar radiological reconstruction – PubMed (nih.gov)

3D prediction of curve progression in adolescent idiopathic scoliosis based on biplanar radiological reconstruction – PMC (nih.gov)

3D prediction of curve progression in adolescent idiopathic scoliosis based on biplanar radiological reconstruction | Bone & Joint (boneandjoint.org.uk)

Wan HS, Wong DLL, To CS, Meng N, Zhang T, Cheung JPY. 3D prediction of curve progression in adolescent idiopathic scoliosis based on biplanar radiological reconstruction. Bone Jt Open. 2024 Mar 25;5(3):243-251. doi: 10.1302/2633-1462.53.BJO-2023-0176.R1. PMID: 38522456; PMCID: PMC10961174.

This is an open-access article distributed under the terms of the Creative Commons Attribution Non-Commercial No Derivatives (CC BY-NC-ND 4.0) licence, which permits the copying and redistribution of the work only, and provided the original author and source are credited. See https://creativecommons.org/licenses/by-nc-nd/4.0/

martes, 2 de agosto de 2022

Un algoritmo de aprendizaje automático para estimar la probabilidad de una verdadera fractura de escafoides después de un traumatismo en la muñeca

 https://www.clinicademano.com.mx/academia/un-algoritmo-de-aprendizaje-automatico-para-estimar-la-probabilidad-de-una-verdadera-fractura-de-escafoides-despues-de-un-traumatismo-en-la-muneca/


Un algoritmo de aprendizaje automático para estimar la probabilidad de una verdadera fractura de escafoides después de un traumatismo en la muñeca

¡Nuevo #VisualAbstract!

Un #algoritmo de #aprendizaje automático para estimar la probabilidad de una verdadera fractura de #escafoides después de un traumatismo en la #muñeca

#DecisionRule #fractura #escafoides #CirugíaDeLaMano #fracture #scaphoid #HandSurgery

A Machine Learning Algorithm to Estimate the Probability of a True Scaphoid Fracture After Wrist Trauma – Journal of Hand Surgery (jhandsurg.org)
  • Para identificar predictores de una verdadera fractura de escafoides entre pacientes con dolor de muñeca radial después de un trauma agudo, entrene 5 algoritmos de aprendizaje automático (ML) para predecir la probabilidad de fractura de escafoides y diseñe una regla de decisión para iniciar imágenes avanzadas en pacientes de alto riesgo.
  • El algoritmo ML calculó con precisión la probabilidad de fractura del escafoides en función del dolor del escafoides en la desviación cubital, el sexo, la edad y el mecanismo de la lesión. La regla de decisión ML puede reducir el número de pacientes que se someten a imágenes avanzadas en un tercio con un pequeño riesgo de pasar por alto una fractura. Se requiere validación externa antes de la implementación.

https://pubmed.ncbi.nlm.nih.gov/35667955/

https://www.jhandsurg.org/article/S0363-5023(22)00190-3/fulltext

Bulstra AEJ; Machine Learning Consortium. A Machine Learning Algorithm to Estimate the Probability of a True Scaphoid Fracture After Wrist Trauma. J Hand Surg Am. 2022 Jun 3:S0363-5023(22)00190-3. doi: 10.1016/j.jhsa.2022.02.023. Epub ahead of print. PMID: 35667955.

Copyright © 2022 American Society for Surgery of the Hand. Published by Elsevier Inc. All rights reserved.




martes, 15 de marzo de 2022

Inteligencia artificial en ortopedia: tres estrategias para el aprendizaje profundo con imágenes ortopédicas específicas

 https://www.lesionesdeportivas.com.mx/academia/inteligencia-artificial-en-ortopedia-tres-estrategias-para-el-aprendizaje-profundo-con-imagenes-ortopedicas-especificas/


Inteligencia artificial en ortopedia: tres estrategias para el aprendizaje profundo con imágenes ortopédicas específicas

La inteligencia artificial ha logrado resultados notables en el campo de la medicina. Lea el editorial de este mes sobre inteligencia artificial en ortopedia.

#inteligenciaartificial #aprendizajeprofundo

Artificial intelligence in orthopedics: three strategies for deep learning with orthopedic specific imaging | SpringerLink
  • La inteligencia artificial (IA) ha logrado resultados notables en toda la sociedad, incluso en el campo de la medicina. A medida que avanzan las técnicas, no es raro que la IA supere a los médicos en determinadas condiciones [2].
  • Una rama de la IA, conocida como aprendizaje automático, denota la capacidad de una máquina para identificar relaciones entre datos sin criterios explícitos. Esta identificación de relaciones suele mejorar con el aumento de la experiencia y los datos, y permite que los algoritmos modelen relaciones que, de lo contrario, podrían ser demasiado complejas para los métodos estadísticos estándar. El aprendizaje profundo es un campo del aprendizaje automático que se refiere a un modelo con una estructura de red neuronal artificial e imita las conexiones neuronales del cerebro humano (Fig. 1).
  • El determinante más importante del rendimiento del algoritmo de aprendizaje automático convencional (aparte de la calidad y cantidad de datos) es la selección adecuada de funciones. Si el proceso de selección de características se ejecuta adecuadamente, es posible lograr un rendimiento suficientemente efectivo independientemente del tipo de modelo utilizado. Por otro lado, si la selección de características no tiene éxito, es difícil lograr un rendimiento adecuado, independientemente de la popularidad o la supuesta capacidad del algoritmo candidato.
  • Actualmente, no existe un estándar de oro para el proceso de selección de funciones. Por lo tanto, todavía existe la necesidad de una metodología cuidadosa que describa el conocimiento técnico y médico cuando se utilizan algoritmos tradicionales de aprendizaje automático. Por el contrario, el aprendizaje profundo tiene la ventaja del análisis de extremo a extremo utilizando datos de entrada sin el proceso de selección de características. Ofrece la ventaja de no tener que depender estrictamente de la selección de funciones, ya que utiliza todos los parámetros disponibles.
  • Sin embargo, el aprendizaje profundo también tiene una barrera de entrada que requiere la preparación de datos para la capacitación. Además, es importante asegurar una unidad de procesamiento de gráficos (GPU) de alto rendimiento para un experimento eficiente, ya que los tiempos y costos de entrenamiento del modelo a menudo pueden volverse cada vez más onerosos [3].

https://pubmed.ncbi.nlm.nih.gov/35022826/

https://link.springer.com/article/10.1007/s00167-021-06838-8

Ko S, Pareek A, Ro DH, Lu Y, Camp CL, Martin RK, Krych AJ. Artificial intelligence in orthopedics: three strategies for deep learning with orthopedic specific imaging. Knee Surg Sports Traumatol Arthrosc. 2022 Mar;30(3):758-761. doi: 10.1007/s00167-021-06838-8. Epub 2022 Jan 13. PMID: 35022826.

Copyright © 2022, The Author(s) under exclusive licence to European Society of Sports Traumatology, Knee Surgery, Arthroscopy (ESSKA)




lunes, 8 de febrero de 2021

El aprendizaje automático predice el riesgo de caídas de los pacientes con artroplastia total de cadera según las pruebas de rendimiento instrumentadas con sensores portátiles

 https://www.traumaysiniestros.com.mx/academia/el-aprendizaje-automatico-predice-el-riesgo-de-caidas-de-los-pacientes-con-artroplastia-total-de-cadera-segun-las-pruebas-de-rendimiento-instrumentadas-con-sensores-portatiles/


El aprendizaje automático predice el riesgo de caídas de los pacientes con artroplastia total de cadera según las pruebas de rendimiento instrumentadas con sensores portátiles

La prevalencia de caídas afecta el bienestar de los adultos mayores y supone una carga económica para el sistema sanitario. La integración de sensores portátiles en las herramientas de evaluación del riesgo de caídas existentes permite la recopilación de datos objetivos que describen la capacidad funcional de los pacientes. En este estudio, se aplicó el aprendizaje automático supervisado a métricas derivadas de sensores para predecir el riesgo de caídas de los pacientes después de una artroplastia total de cadera.



La alta precisión de los modelos de predicción del riesgo de caídas es valiosa para los pacientes, los médicos y el sistema sanitario. Los pacientes de alto riesgo pueden implementar medidas preventivas y los pacientes de bajo riesgo pueden dirigirse a programas mejorados de atención de recuperación.

https://pubmed.ncbi.nlm.nih.gov/32928593/

https://www.arthroplastyjournal.org/article/S0883-5403(20)30920-7/fulltext

Polus JS, Bloomfield RA, Vasarhelyi EM, Lanting BA, Teeter MG. Machine Learning Predicts the Fall Risk of Total Hip Arthroplasty Patients Based on Wearable Sensor Instrumented Performance Tests. J Arthroplasty. 2021 Feb;36(2):573-578. doi: 10.1016/j.arth.2020.08.034. Epub 2020 Aug 19. PMID: 32928593.

Copyright © 2020 Elsevier Inc. All rights reserved.