Video Experimental Relacionado
Updated: Sep 10, 2025
In Vivo Quantification of Hip Arthrokinematics during Dynamic Weight-bearing Activities using Dual Fluoroscopy
Published on: July 2, 2021
PredictMed-CDSS: Sistema de apoyo a la decisión basado en inteligencia artificial que predice la probabilidad de
Carlo M Bertoncelli1,2, Federico Solla2, Michal Latalski3
1Department of Computer Science, Hal Marcus College of Science & Engineering, University of West Florida, Pensacola, FL 32514, USA.
Un nuevo sistema de apoyo a la decisión clínica (CDSS) predice eficazmente la displasia neuromuscular de la cadera (NHD) en niños con parálisis cerebral (PC). El aprendizaje automático, particularmente las redes neuronales, muestra una alta precisión en la identificación de individuos en riesgo para la intervención temprana.
Área de la Ciencia:
- Ingeniería biomédica
- Inteligencia artificial en el cuidado de la salud
- Ortopedia pediátrica
Sus antecedentes:
- La displasia neuromuscular de la cadera (NHD) es una complicación frecuente en niños con parálisis cerebral (PC).
- Los modelos predictivos para la NHD son actualmente limitados, lo que requiere herramientas de diagnóstico avanzadas.
- La identificación temprana del riesgo de NHD es crucial para la intervención oportuna en pacientes con parálisis cerebral.
Objetivo del estudio:
- Desarrollar y evaluar un Sistema de Apoyo a la Decisión Clínica (CDSS) para predecir la probabilidad de NHD en niños con parálisis cerebral.
- Aprovechar los algoritmos de aprendizaje automático para mejorar la evaluación del riesgo de NHD utilizando datos clínicos.
- Introducir el prototipo PredictMed-CDSS para mejorar la toma de decisiones clínicas en el manejo de la PC.
Principales métodos:
- Se empleó un conjunto de algoritmos de aprendizaje automático (red neuronal, máquina vectorial de soporte, regresión logística).
- El CDSS fue desarrollado y validado siguiendo las directrices de DECIDE- AI, utilizando datos de 182 pacientes con PC (de 12 a 18 años).
- Los datos clínicos y funcionales fueron recolectados y analizados prospectivamente para identificar predictores de NHD.
Principales resultados:
- La regresión logística identificó los predictores clave: cirugía ortopédica previa, mala función motora, trastorno del tono troncal, escoliosis, afectación de las extremidades y epilepsia.
- El modelo de Red Neural (NN) logró el mayor rendimiento predictivo con un 83,7% de precisión y 0,92 AUROC.
- El PredictMed-CDSS demostró sólidas capacidades predictivas para el desarrollo de NHD en la cohorte estudiada.
Conclusiones:
- El CDSS desarrollado, PredictMed-CDSS, muestra un potencial significativo en la predicción de NHD en niños con parálisis cerebral.
- Las redes neuronales ofrecen una precisión superior para la predicción del riesgo de NHD en comparación con otros modelos de ML probados.
- Esta herramienta impulsada por la IA puede ayudar a los médicos en el manejo proactivo y las estrategias de intervención temprana para el NHD en PC.
