Actualizado 12 de mayo, 2024
Las enfermedades pulmonares como el asma, la enfermedad pulmonar obstructiva crónica, el cáncer de pulmón y la bronquitis, y las infecciones como la neumonía, son una causa importante de muerte en todo el mundo. En este aspecto un grupo multicéntrico de investigadores han desarrollado un algoritmo que podría algún día proporcionar alertas médicas tempranas sobre el inicio de ataques de asma u otros problemas respiratorios.
El algoritmo, descrito en un estudio publicado en la revista PLOS ONE (1), monitorea la respiración de un paciente en tiempo real y analiza la frecuencia de las sibilancias.
Debido a que los sonidos de respiración anormales, como las sibilancias y los crepitaciones, pueden ser indicativos de la mayoría de las diversas enfermedades pulmonares y respiratorias, los investigadores afirmaron que era esencial encontrar una manera de monitorear los sonidos pulmonares para la prevención y alivio de síntomas, así como para la detección temprana de diversas enfermedades respiratorias.
Utilizando un conjunto de datos de 535 ciclos de respiración de varias fuentes de datos de pacientes, el equipo entrenó un modelo de aprendizaje para predecir la respiración que indicaría síntomas asmáticos. Para obtener la información más útil sobre la funcionalidad de la respiración de los pulmones, el patrón y la frecuencia de los sonidos pulmonares anormales deben monitorearse durante largos períodos de tiempo, lo cual no es práctico en un entorno clínico. El algoritmo no solo identifica sonidos anormales dentro de cada respiración, sino que también captura datos, incluidos patrones atípicos (2).
Los autores enfatizan que hay que seguir estudiando y validando esta nueva tecnología con gran potencial de aplicación. Asimismo desean combinar datos de contaminación del aire en tiempo real y sonidos de respiración en tiempo real en un dispositivo portátil para monitorear la respiración. Una vez incorporada en un dispositivo portátil, la tecnología podría usarse tanto en entornos clínicos como no clínicos para la detección en movimiento y la intervención remota.
1. Im S, Kim T, Min Ch et al. Real-time counting of wheezing events from lung sounds using deep learning algorithms: Implications for disease prediction and early intervention PLoS One 2023 Nov 20;18(11):e0294447. doi: 10.1371/journal.pone.0294447. eCollection 2023..
2. De Vito EL, Suárez A. Jean Baptiste Joseph Fourier: la inesperada armonía del azar. Medicina (Buenos Aires) 1999; 59: 403-6.