El Dr. Eduardo Silva Alvarado, director de la Fundación Universitaria Iberoamericana (FUNIBER), en su sede en Guatemala, colabora en un estudio que propone una técnica innovadora para mejorar la calidad de la detección de la malaria, utilizando la tecnología del aprendizaje profundo.
La malaria es una enfermedad peligrosa que es causada por las picaduras de mosquitos hembra infectados. No solo es infecciosa entre los humanos, sino también entre los animales. Causa síntomas leves como fiebre, dolor de cabeza, sudoración, vómitos y malestar muscular. Entre sus síntomas graves está la coma, convulsiones e insuficiencia renal.
La gran carga de casos de malaria, especialmente en África, el sudeste asiático y el Mediterráneo Oriental, ha puesto a prueba la eficacia de la detección manual de los glóbulos rojos infectados. El método convencional para diagnosticar la enfermedad implica examinar determinadamente las muestras de sangre bajo un microscopio. Este enfoque puede ser desafiante, debido a la superposición de las células en las muestras gruesas, que puede dificultar la distinción entre las células sanas e infectadas.
Con el fin de agilizar el diagnóstico de las infecciones de malaria, se ha propuesto el uso de cámaras digitales o teléfonos móviles de alta resolución para capturar imágenes de las muestras de sangre. Sin embargo, la calidad de las fotografías tomadas con teléfonos móviles puede ser inferior, lo que dificulta la interpretación manual y la detección de enfermedades mediante algoritmos de aprendizaje automático.
Para superar estos desafíos, se ha implementado el uso de algoritmos de aprendizaje profundo que pueden procesar rápidamente las imágenes y estimar características importantes para el diagnóstico y la clasificación de la malaria. Los métodos de aprendizaje automático, como las máquinas vectores de soporte, los clasificadores de Naive Bayes y las redes neuronales, han demostrado precisión en la detección de infecciones entre el 83,5% y el 85%. No obstante, el éxito de estos algoritmos depende en gran medida del acceso a los vectores de características bien construidos y discriminantes, extraídos por profesionales capacitados.
Por ello, se ha desarrollado un modelo automatizado y eficiente basado en el aprendizaje profundo utilizando muestras de glóbulos rojos. Este enfoque logró una puntuación de precisión alta de 97,57% en la detección de la malaria. Al utilizar algoritmos de preprocesamiento rápidos y automatizar la extracción de características, se puede lograr un diagnóstico preciso y confiable de la enfermedad. El algoritmo elimina la necesidad de extracción manual de características, reduciendo significativamente la carga de trabajo a los patólogos y acelerando el proceso del diagnóstico.
Este innovador enfoque combina dos elementos esenciales: el análisis de imágenes y los algoritmos entrenados. Al entrenar el algoritmo con un gran conjunto de datos de imágenes de muestras de sangre, no solo detecta y diagnostica la malaria de manera precisa, sino que también evalúa la gravedad del parásito. Este análisis integral beneficia tanto a los patólogos como a los pacientes, proporcionando resultados eficientes, rentables y confiables.
Esta metodología innovadora ofrece una solución prometedora para las regiones con escasez de patólogos calificados. La implementación de este enfoque tiene el potencial de revolucionar la detección de la malaria, conduciendo, en última instancia, a una gestión más eficiente de este problema de salud global.
Si quieres conocer más sobre este estudio, clic aquí.
Para leer más investigaciones, consulta el repositorio de UNEATLANTICO.
La Fundación Universitaria Iberoamericana (FUNIBER) ofrece diversos programas de estudio en el área de salud, como la Maestría en Gestión de la Calidad de Servicios de Salud y la Especialidad en Investigación en Salud.