Video Experimental Relacionado
Updated: Jun 19, 2026
Segmentation and Linear Measurement for Body Composition Analysis using Slice-O-Matic and Horos
Published on: March 21, 2021
Hacia la precisión en la evaluación de la sarcopenia: los desafíos del análisis de datos multimodales en la era de la
Valerio Caputo1, Ivan Letteri1, Silvano Junior Santini1
1Department of Life, Health and Environmental Sciences, University of L'Aquila, P.le Salvatore Tommasi, 67100 L'Aquila, Italy.
La sarcopenia, una afección caracterizada por la disminución progresiva de la masa y la función del músculo esquelético, plantea desafíos significativos en la atención geriátrica. A pesar de los avances en su manejo, la compleja etiopatogenia y la heterogeneidad de los criterios diagnósticos subyacen a la limitada precisión de los métodos de evaluación existentes. Por lo tanto, es necesario realizar esfuerzos para mejorar el conocimiento y allanar el camino hacia un manejo más eficaz y un diagnóstico más preciso. Con este propósito, las tecnologías emergentes, como la inteligencia artificial (IA), pueden facilitar la identificación de biomarcadores novedosos y precisos mediante el modelado de datos complejos resultantes de tecnologías de alto rendimiento, fomentando el establecimiento de un enfoque más exacto. Basándose en tales consideraciones, esta revisión explora el potencial transformador de la IA, ilustrando estudios que integran la IA, especialmente el aprendizaje automático (machine learning) y el aprendizaje profundo (deep learning), con datos heterogéneos, como datos clínicos, antropométricos y moleculares. En general, la presente revisión destacará la relevancia de los estudios estandarizados a gran escala para validar firmas de biomarcadores mediante enfoques impulsados por la IA.
La sarcopenia, una afección caracterizada por la disminución progresiva de la masa y la función del músculo esquelético, plantea desafíos significativos en la atención geriátrica. A pesar de los avances en su manejo, la compleja etiopatogenia y la heterogeneidad de los criterios diagnósticos subyacen a la limitada precisión de los métodos de evaluación existentes. Por lo tanto, es necesario realizar esfuerzos para mejorar el conocimiento y allanar el camino hacia un manejo más eficaz y un diagnóstico más preciso. Con este propósito, las tecnologías emergentes, como la inteligencia artificial (IA), pueden facilitar la identificación de biomarcadores novedosos y precisos mediante el modelado de datos complejos resultantes de tecnologías de alto rendimiento, fomentando el establecimiento de un enfoque más exacto. Basándose en tales consideraciones, esta revisión explora el potencial transformador de la IA, ilustrando estudios que integran la IA, especialmente el aprendizaje automático (machine learning) y el aprendizaje profundo (deep learning), con datos heterogéneos, como datos clínicos, antropométricos y moleculares. En general, la presente revisión destacará la relevancia de los estudios estandarizados a gran escala para validar firmas de biomarcadores mediante enfoques impulsados por la IA.
