Video Experimental Relacionado
Updated: Jul 19, 2026
10:30
Multi-exon Skipping Using Cocktail Antisense Oligonucleotides in the Canine X-linked Muscular Dystrophy
Published on: May 24, 2016
19.2K
Detección asistida por aprendizaje automático del síndrome de Cushing canino
Young-Jae Yoo1, Kyungchang Jeong2, Hanbit Seo2
1Laboratory of Veterinary Internal Medicine, College of Veterinary Medicine, Chungbuk National University, Cheongju, Republic of Korea.
The veterinary quarterly
|December 23, 2025
Resumen
El aprendizaje automático ayuda en el diagnóstico del síndrome de Cushing canino (SC) utilizando pruebas rutinarias. Este enfoque logró una precisión del 88,5 %, mejorando la eficiencia diagnóstica de este trastorno endocrino común en perros.
Área de la Ciencia:
- Medicina Veterinaria; Endocrinología; Aprendizaje automático en diagnóstico
Sus antecedentes:
- El síndrome de Cushing (SC) es un trastorno endocrino prevalente en perros, que a menudo se presenta con signos clínicos variables.
- El diagnóstico preciso del SC es un desafío debido a su presentación compleja, lo que dificulta la intervención oportuna.
- Las vías de diagnóstico actuales pueden requerir muchos recursos y no siempre identificar a los candidatos adecuados para pruebas avanzadas.
Objetivo del estudio:
- Desarrollar y validar un modelo de aprendizaje automático para ayudar en el diagnóstico del síndrome de Cushing canino.
- Utilizar diagnósticos de detección disponibles de forma rutinaria para mejorar la precisión diagnóstica.
- Mejorar la eficiencia y la accesibilidad del diagnóstico del síndrome de Cushing en la práctica veterinaria.
Principales métodos:
- Se entrenó un algoritmo de árbol potenciado (gradient boosting) con un conjunto de datos que comprende el hemograma completo, el panel de química sérica y los parámetros del análisis de orina.
- Los datos incluyeron 153 perros de control y 152 perros con síndrome de Cushing confirmado.
- El modelo se entrenó con el 80 % de los datos y se validó con el 20 % restante.
Principales resultados:
- El modelo de aprendizaje automático logró una precisión general del 88,5 % (IC del 95 %: 80,5-96,5 %).
- La sensibilidad fue del 83,3 % (IC del 95 %: 70,7-96,7 %) y la especificidad fue del 93,5 % (IC del 95 %: 84,9-100 %).
- El área bajo la curva característica operativa del receptor fue de 0,912 (IC del 95 %: 0,835-0,988), lo que indica una excelente capacidad discriminatoria diagnóstica.
Conclusiones:
- Los algoritmos de aprendizaje automático pueden ayudar eficazmente en el diagnóstico del síndrome de Cushing canino utilizando diagnósticos de detección estándar.
- El modelo desarrollado demuestra una alta precisión y poder discriminatorio, ofreciendo una herramienta valiosa para los veterinarios.
- La implementación de una interfaz fácil de usar puede mejorar la eficiencia diagnóstica y potencialmente mejorar la satisfacción del propietario.
Videos de Conceptos Relacionados
01:26Cushing Syndrome I: Introduction
Cushing syndrome refers to the collection of clinical manifestations that arise when tissues are exposed to excessive amounts of cortisol or cortisol-like medications over an extended period. Cortisol, a glucocorticoid produced by the adrenal cortex, regulates metabolism, immune responses, and the body’s adaptation to stress. When its concentration remains chronically elevated, these physiological pathways become dysregulated, resulting in the characteristic features of the syndrome.Exogenous...
01:19Cushing Syndrome II: Pathophysiology
Cortisol production is normally governed by the hypothalamic–pituitary–adrenal (HPA) axis, which maintains hormonal balance through tightly regulated feedback mechanisms. Disruption of this regulatory system is central to the development of Cushing syndrome, whether the excess cortisol originates from external medications or internal pathology. Persistent cortisol elevation alters metabolism, immune function, and endocrine signaling, producing the characteristic clinical features of the...