Una revisión de los conjuntos de sensores de gases asistidos por aprendizaje automático en el diagnóstico médico

Área de la Ciencia:

• Biomarcadores y diagnóstico
• Tecnología de sensores
• La inteligencia artificial en la medicina

Sus antecedentes:

• Los compuestos orgánicos volátiles (COV) en el aliento exhalado son posibles biomarcadores de enfermedades no invasivas.
• Los métodos tradicionales de detección de COV son costosos y complejos.
• Las matrices de sensores de gas con aprendizaje automático presentan una alternativa viable para el diagnóstico de enfermedades.

Objetivo del estudio:

• Revisar sistemáticamente las aplicaciones avanzadas de las matrices de sensores de gases asistidas por aprendizaje automático en el diagnóstico médico.
• Para resumir los tipos de sensores y algoritmos de aprendizaje automático utilizados en el análisis de la respiración.
• Discutir el progreso en el diagnóstico de diversas enfermedades utilizando esta tecnología.

Principales métodos:

• Revisión de los tipos de sensores: electroquímicos, ópticos y de semiconductores.
• Lista de algoritmos de aprendizaje automático: máquinas vectoriales de soporte (SVM), bosques aleatorios (RF), redes neuronales artificiales (ANN), análisis de componentes principales (PCA).
• Discusión de los avances de la investigación en el diagnóstico de enfermedades respiratorias, metabólicas, hepatobiliares, gastrointestinales y del sistema nervioso.

Principales resultados:

• El aprendizaje automático mejora la identificación de mezclas de COV complejas a partir de los datos de la matriz de sensores.
• Demostró éxito en el diagnóstico de una serie de enfermedades a través del análisis del aliento.
• Identificación de los principales tipos de sensores y algoritmos aplicables al diagnóstico médico.

Conclusiones:

• Las matrices de sensores de gases asistidas por aprendizaje automático muestran una promesa significativa para el diagnóstico de enfermedades no invasivas.
• Se necesita más investigación para abordar los desafíos actuales y optimizar las aplicaciones futuras.
• Esta tecnología ofrece un enfoque rentable y menos engorroso en comparación con los métodos tradicionales.