Machine learning in predicting severe acute respiratory infection outbreaks / Aprendizado de máquina na previsão de surtos de síndrome respiratória aguda grave / Aprendizaje automático en la predicción de brotes de síndrome respiratorio agudo grave

Abstract: Severe acute respiratory infection (SARI) outbreaks occur annually, with seasonal peaks varying among geographic regions. Case notification is important to prepare healthcare networks for patient attendance and hospitalization. Thus, health managers need adequate resource planning tools for SARI seasons. This study aims to predict SARI outbreaks based on models generated with machine learning using SARI hospitalization notification data. In this study, data from the reporting of SARI hospitalization cases in Brazil from 2013 to 2020 were used, excluding SARI cases caused by COVID-19. These data were prepared to feed a neural network configured to generate predictive models for time series. The neural network was implemented with a pipeline tool. Models were generated for the five Brazilian regions and validated for different years of SARI outbreaks. By using neural networks, it was possible to generate predictive models for SARI peaks, volume of cases per season, and for the beginning of the pre-epidemic period, with good weekly incidence correlation (R2 = 0.97; 95%CI: 0.95-0.98, for the 2019 season in the Southeastern Brazil). The predictive models achieved a good prediction of the volume of reported cases of SARI; accordingly, 9,936 cases were observed in 2019 in Southern Brazil, and the prediction made by the models showed a median of 9,405 (95%CI: 9,105-9,738). The identification of the period of occurrence of a SARI outbreak is possible using predictive models generated with neural networks and algorithms that employ time series.

Resumo: Surtos de síndrome respiratória aguda grave (SRAG) ocorrem anualmente, com picos sazonais variando entre regiões geográficas. A notificação dos casos é importante para preparar as redes de atenção à saúde para o atendimento e internação dos pacientes. Portanto, os gestores de saúde precisam ter ferramentas adequadas de planejamento de recursos para as temporadas de SRAG. Este estudo tem como objetivo prever surtos de SRAG com base em modelos gerados com aprendizado de máquina usando dados de internação por SRAG. Foram incluídos dados sobre casos de hospitalização por SRAG no Brasil de 2013 a 2020, excluindo os casos causados pela COVID-19. Estes dados foram preparados para alimentar uma rede neural configurada para gerar modelos preditivos para séries temporais. A rede neural foi implementada com uma ferramenta de pipeline. Os modelos foram gerados para as cinco regiões brasileiras e validados para diferentes anos de surtos de SRAG. Com o uso de redes neurais, foi possível gerar modelos preditivos para picos de SRAG, volume de casos por temporada e para o início do período pré-epidêmico, com boa correlação de incidência semanal (R2 = 0,97; IC95%: 0,95-0,98, para a temporada de 2019 na Região Sudeste). Os modelos preditivos obtiveram uma boa previsão do volume de casos notificados de SRAG; dessa forma, foram observados 9.936 casos em 2019 na Região Sul, e a previsão feita pelos modelos mostrou uma mediana de 9.405 (IC95%: 9.105-9.738). A identificação do período de ocorrência de um surto de SRAG é possível por meio de modelos preditivos gerados com o uso de redes neurais e algoritmos que aplicam séries temporais.

Resumen: Brotes de síndrome respiratorio agudo grave (SRAG) ocurren todos los años, con picos estacionales que varían entre regiones geográficas. La notificación de los casos es importante para preparar las redes de atención a la salud para el cuidado y hospitalización de los pacientes. Por lo tanto, los gestores de salud deben tener herramientas adecuadas de planificación de recursos para las temporadas de SRAG. Este estudio tiene el objetivo de predecir brotes de SRAG con base en modelos generados con aprendizaje automático utilizando datos de hospitalización por SRAG. Se incluyeron datos sobre casos de hospitalización por SRAG en Brasil desde 2013 hasta 2020, salvo los casos causados por la COVID-19. Se prepararon estos datos para alimentar una red neural configurada para generar modelos predictivos para series temporales. Se implementó la red neural con una herramienta de canalización. Se generaron los modelos para las cinco regiones brasileñas y se validaron para diferentes años de brotes de SRAG. Con el uso de redes neurales, se pudo generar modelos predictivos para los picos de SRAG, el volumen de casos por temporada y para el inicio del periodo pre-epidémico, con una buena correlación de incidencia semanal (R2 = 0,97; IC95%: 0,95-0,98, para la temporada de 2019 en la Región Sudeste). Los modelos predictivos tuvieron una buena predicción del volumen de casos notificados de SRAG; así, se observaron 9.936 casos en 2019 en la Región Sur, y la predicción de los modelos mostró una mediana de 9.405 (IC95%: 9.105-9.738). La identificación del periodo de ocurrencia de un brote de SRAG es posible a través de modelos predictivos generados con el uso de redes neurales y algoritmos que aplican series temporales.

Herramientas de corte para optimizar parámetros de clasificación de especies maderables con redes neuronales convolucionales / Cutting tools to optimize classification parameters of timber species with convolutional neural networks

Introducción: La gran diversidad de especies maderables tropicales demanda el desarrollo de nuevas tecnologías de identificación con base en sus patrones o características anatómicas. La aplicación de redes neuronales convolucionales (CNN) para el reconocimiento de especies maderables tropicales se ha incrementado en los últimos años por sus resultados prometedores. Objetivo: Evaluamos la calidad de las imágenes macroscópicas con tres herramientas de corte para mejorar la visualización y distinción de las características anatómicas en el entrenamiento del modelo CNN. Métodos: Recolectamos las muestras entre el 2020 y 2021 en áreas de explotación forestal y aserraderos de Selva Central, Perú. Luego, las dimensionamos y, previo a la identificación botánica y anatómica, las cortamos en secciones transversales. Generamos una base de datos de imágenes macroscópicas de la sección transversal de la madera, a través del corte, con tres herramientas para ver su rendimiento en el laboratorio, campo y puesto de control. Resultados: Usamos tres herramientas de corte para obtener una alta calidad de imágenes transversales de la madera; obtuvimos 3 750 imágenes macroscópicas con un microscopio portátil que corresponden a 25 especies maderables. El cuchillo ''Tramontina'' es duradero, pero pierde el filo con facilidad y se necesita una herramienta para afilar, el cúter retráctil ''Pretul'' es adecuado para madera suave y dura en muestras pequeñas de laboratorio; el cuchillo ''Ubermann'' es apropiado para el campo, laboratorio y puesto de control, porque tiene una envoltura duradera y láminas intercambiables en caso de pérdida de filo. Conclusiones: La calidad de las imágenes es decisiva en la clasificación de especies maderables, porque permite una mejor visualización y distinción de las características anatómicas en el entrenamiento con los modelos de red neuronal convolucional EfficientNet B0 y Custom Vision, lo cual se evidenció en las métricas de precisión.

Introduction: The great diversity of tropical timber species demands the development of new technologies capable of identifying them based on their patterns or anatomical characteristics. The application of convolutional neural networks (CNN) for the recognition of tropical timber species has increased in recent years due to the promising results of CNNs. Objective: To evaluate the quality of macroscopic images with three cutting tools to improve the visualization and distinction of anatomical features in the CNN model training. Methods: Samples were collected from 2020 to 2021 in areas of logging and sawmills in the Central Jungle, Peru. They were later sized and, after botanical and anatomical identification, cut in cross sections. A database of macroscopic images of the cross-section of wood was generated through cutting with three different tools and observing its performance in the laboratory, field, and checkpoint. Results: Using three cutting tools, we obtained high quality images of the cross section of wood; 3 750 macroscopic images were obtained with a portable microscope and correspond to 25 timber species. We found the ''Tramontina'' knife to be durable, however, it loses its edge easily and requires a sharpening tool, the ''Pretul'' retractable cutter is suitable for cutting soft and hard wood in small laboratory samples and finally the ''Ubermann'' knife is suitable for use in the field, laboratory, and checkpoint, because it has a durable sheath and interchangeable blades in case of dullness. Conclusion: The quality of the images is decisive in the classification of timber species, because it allows a better visualization and distinction of the anatomical characteristics in training with the EfficientNet B0 and Custom Vision convolutional neural network models, which was evidenced in the precision metrics.

Desarrollo de un modelo por inteligencia artificial con hemodinamia no invasiva para predecir preeclampsia en embarazos de alto riesgo / Artificial Intelligence Modeling with Non-Invasive Hemodynamics to Predict Preeclampsia in High-Risk Pregnancy

RESUMEN Introducción: la preeclampsia (PE) es la principal causa de morbimortalidad materno-fetal en nuestro país. Alteraciones hemodinámicas precoces durante el embarazo podrían predecir la evolución a PE. El machine learning (ML) permite el hallazgo de patrones ocultos que podrían detectar precozmente el desarrollo de PE. Objetivos: desarrollar un árbol de clasificación con variables de hemodinamia no invasiva para predecir precozmente desarrollo de PE. Material y métodos: estudio observacional prospectivo con embarazadas de alto riesgo (n=1155) derivadas del servicio de Obstetricia desde enero 2016 a octubre 2022 para el muestreo de entrenamiento por ML con árbol de clasificación j48. Se seleccionaron 112 embarazadas entre semanas 10 a 16, sin tratamiento farmacológico y que completaron el seguimiento con el término de su embarazo con evento final combinado (PE): preeclampsia, eclampsia y síndrome HELLP. Se evaluaron simultáneamente con cardiografía de impedancia y velocidad de onda del pulso y con monitoreo ambulatorio de presión arterial de 24 hs (MAPA). Resultados: presentaron PE 17 pacientes (15,18%). Se generó un árbol de clasificación predictivo con las siguientes variables: índice de complacencia arterial (ICA), índice cardíaco (IC), índice de trabajo sistólico (ITS), cociente de tiempos eyectivos (CTE), índice de Heather (IH). Se clasificaron correctamente el 93,75%; coeficiente Kappa 0,70, valor predictivo positivo (VPP) 0,94 y negativo (VPN) 0,35. Precisión 0,94, área bajo la curva ROC 0,93. Conclusión: las variables ICA, IC, ITS, CTE e IH predijeron en nuestra muestra el desarrollo de PE con excelente discriminación y precisión, de forma precoz, no invasiva, segura y con bajo costo.

ABSTRACT Background: Preeclampsia (PE) is the main cause of maternal-fetal morbidity and mortality in our country. Early hemodynamic changes during pregnancy could predict progression to PE. Machine learning (ML) enables the discovery of hidden patterns that could early detect PE development. Objectives: The aim of this study was to build a classification tree with non-invasive hemodynamic variables for the early prediction of PE occurrence. Results: Seventeen patients (15.18%) presented PE. A predictive classification tree was generated with arterial compliance index (ACI), cardiac index (CI), cardiac work index (CWI), ejective time ratio (ETR), and Heather index (HI). A total of 93.75% patients were correctly classified (Kappa 0.70, positive predictive value 0.94 and negative predictive value 0.35; accuracy 0.94, and area under the ROC curve 0.93). Conclusion: ACI, CI, CWI, ETR and HI variables predicted the early development of PE in our sample with excellent discrimination and accuracy, non-invasively, safely and at low cost.

Tomografía fotoacústica y Deep Learning en aplicacionesmédicas

En las últimas décadas, las imágenes fotoacústicas han demostrado su eficacia en el apoyo al diagnóstico de algunas enfermedades, así como en la investigación médica, ya que a través de ellas es posible obtener información del cuerpo humano con características específicas y profundidad de penetración, desde 1 cm hasta 6 cm dependiendo en gran medida del tejido estudiado, además de una buena resolución. Las imágenes fotoacústicas son comparativamente jóvenes y emergentes y prometen mediciones en tiempo real, con procedimientos no invasivos y libres de radiación. Por otro lado, aplicar Deep Learning a imágenes fotoacústicas permite gestionar datos y transformarlos en información útil que genere conocimiento. Estas aplicaciones poseen ventajas únicas que facilitan la aplicación clínica. Se considera que con estas técnicas se pueden proporcionar diagnósticos médicos confiables. Es por eso que el objetivo de este artículo es proporcionar un panorama general de los casos donde se combina el Deep Learning con técnicas fotoacústicas.

In recent decades, photoacoustic imaging has proven its effectiveness in supporting the diagnosis of some diseases as well as in medical research, since through them it is possible to obtain information of the human body with specific characteristics and depth of penetration, from 1 cm to 6 cm depending largely on the tissue studied, in addition to a good resolution. Photoacoustic imaging is comparatively young and emerging and promises real-time measurements, with non-invasive and radiation-free procedures. On the other hand, applying Deep Learning to photoacoustic images allows managing data and transforming them into useful information that generates knowledge. These applications have unique advantages that facilitate clinical application. It may be possible with these techniques to provide reliable medical diagnoses. That is why the aim of this article is to provide an overview of cases combining Deep Learning with photoacoustic techniques.

Métodos de aprendizaje automático para predecir el comportamiento epidemiológico de enfermedades arbovirales: revisión estructurada de literatura

Introducción: Los métodos de aprendizaje automático permiten manejar datos estructurados y no estructurados para construir modelos predictivos y apoyar la toma de decisiones. Objetivo: Identificar los métodos de aprendizaje automático aplicados para predecir el comportamiento epidemiológico de enfermedades arbovirales utilizando datos de vigilancia epidemiológica. Metodología: Se realizó búsqueda en EMBASE y PubMed, análisis bibliométrico y síntesis de la información. Resultados: Se seleccionaron 41 documentos, todos publicados en la última década. La palabra clave más frecuente fue dengue. La mayoría de los autores (88,3 %) participó en un artículo de investigación. Se encontraron 16 métodos de aprendizaje automático, el más frecuente fue Red Neuronal Artificial, seguido de Máquinas de Vectores de Soporte. Conclusiones: En la última década se incrementó la publicación de trabajos que pretenden predecir el comportamiento epidemiológico de arbovirosis por medio de diversos métodos de aprendizaje automático que incorporan series de tiempo de los casos, variables climatológicas, y otras fuentes de información de datos abiertos.

Introduction: Machine learning methods allow to manipulate structured and unstructured data to build predictive models and support decision-making. Objective: To identify machine learning methods applied to predict the epidemiological behavior of vector-borne diseases using epidemiological surveillance data. Methodology: A literature search in EMBASE and PubMed, bibliometric analysis, and information synthesis were performed. Results: A total of 41 papers were selected, all of them were published in the last decade. The most frequent keyword was dengue. Most authors (88.3 %) participated in a research article. Sixteen machine learning methods were found, the most frequent being Artificial Neural Network, followed by Support Vector Machines. Conclusions: In the last decade there has been an increase in the number of articles that aim to predict the epidemiological behavior of vector-borne diseases using by means of various machine learning methods that incorporate time series of cases, climatological variables, and other sources of open data information.

Modelo predictivo de enfermedad cardiovascular basado en inteligencia artificial en la atención primaria de salud / A Predictive Model for Cardiovascular Disease based on Artificial Intelligence in Primary Health Care

Introducción: En Cuba y en el resto del mundo, las enfermedades cardiovasculares son reconocidas como un problema de salud pública mayúsculo y creciente, que provoca una alta mortalidad. Objetivo: Diseñar un modelo predictivo para estimar el riesgo de enfermedad cardiovascular basado en técnicas de inteligencia artificial. Métodos: La fuente de datos fue una cohorte prospectiva que incluyó 1633 pacientes, seguidos durante 10 años, fue utilizada la herramienta de minería de datos Weka, se emplearon técnicas de selección de atributos para obtener un subconjunto más reducido de variables significativas, para generar los modelos fueron aplicados: el algoritmo de reglas JRip y el meta algoritmo Attribute Selected Classifier, usando como clasificadores el J48 y el Multilayer Perceptron. Se compararon los modelos obtenidos y se aplicaron las métricas más usadas para clases desbalanceadas. Resultados: El atributo más significativo fue el antecedente de hipertensión arterial, seguido por el colesterol de lipoproteínas de alta densidad y de baja densidad, la proteína c reactiva de alta sensibilidad y la tensión arterial sistólica, de estos atributos se derivaron todas las reglas de predicción, los algoritmos fueron efectivos para generar el modelo, el mejor desempeño fue con el Multilayer Perceptron, con una tasa de verdaderos positivos del 95,2 por ciento un área bajo la curva ROC de 0,987 en la validación cruzada. Conclusiones: Fue diseñado un modelo predictivo mediante técnicas de inteligencia artificial, lo que constituye un valioso recurso orientado a la prevención de las enfermedades cardiovasculares en la atención primaria de salud(AU)

Introduction: In Cuba and in the rest of the world, cardiovascular diseases are recognized as a major and growing public health problem, which causes high mortality. Objective: To design a predictive model to estimate the risk of cardiovascular disease based on artificial intelligence techniques. Methods: The data source was a prospective cohort including 1633 patients, followed for 10 years. The data mining tool Weka was used and attribute selection techniques were employed to obtain a smaller subset of significant variables. To generate the models, the rule algorithm JRip and the meta-algorithm Attribute Selected Classifier were applied, using J48 and Multilayer Perceptron as classifiers. The obtained models were compared and the most used metrics for unbalanced classes were applied. Results: The most significant attribute was history of arterial hypertension, followed by high and low density lipoprotein cholesterol, high sensitivity c-reactive protein and systolic blood pressure; all the prediction rules were derived from these attributes. The algorithms were effective to generate the model. The best performance was obtained using the Multilayer Perceptron, with a true positive rate of 95.2percent and an area under the ROC curve of 0.987 in the cross validation. Conclusions: A predictive model was designed using artificial intelligence techniques; it is a valuable resource oriented to the prevention of cardiovascular diseases in primary health care(AU)

Sex Determination by the Machine Learning Algorithms Through Using Morphometric Measurements of the Carpal, Metacarpal, and Phalangeal Bones / Determinación del Sexo Mediante Algoritmos de Aprendizaje Automático Mediante el Uso de Mediciones Morfométricas de los Huesos del Carpo, el Metacarpo y las Falanges

SUMMARY: In the study, it was aimed to predict sex from hand measurements using machine learning algorithms (MLA). Measurements were made on MR images of 60 men and 60 women. Determined parameters; hand length (HL), palm length (PL), hand width (HW), wrist width (EBG), metacarpal I length (MIL), metacarpal I width (MIW), metacarpal II length (MIIL), metacarpal II width (MIIW), metacarpal III length (MIIL), metacarpal III width (MIIIW), metacarpal IV length (MIVL), metacarpal IV width (MIVW), metacarpal V length (MVL), metacarpal V width (MVW), phalanx I length (PILL), measured as phalanx II length (PIIL), phalanx III length (PIIL), phalanx IV length (PIVL), phalanx V length (PVL). In addition, the hand index (HI) was calculated. Logistic Regression (LR), Random Forest (RF), Linear Discriminant Analysis (LDA), K-nearest neighbour (KNN) and Naive Bayes (NB) were used as MLAs. In the study, the KNN algorithm's Accuracy, SEN, F1 and Specificity ratios were determined as 88 %. In this study using MLA, it is understood that the highest accuracy belongs to the KNN algorithm. Except for the hand's MIIW, MIIIW, MIVW, MVW, HI variables, other variables were statistically significant in terms of sex difference.

En el estudio, el objetivo era predecir el sexo a partir de mediciones manuales utilizando algoritmos de aprendizaje automático (MLA). Las mediciones se realizaron en imágenes de RM de 60 hombres y 60 mujeres. Parámetros determinados; longitud de la mano (HL), longitud de la palma (PL), ancho de la mano (HW), ancho de la muñeca (EBG), longitud del metacarpiano I (MIL), ancho del metacarpiano I (MIW), longitud del metacarpiano II (MIIL), ancho del metacarpiano II (MIIW), longitud del metacarpiano III (MIIL), ancho del metacarpiano III (MIIIW), longitud del metacarpiano IV (MIVL), ancho del metacarpiano IV (MIVW), longitud del metacarpiano V (MVL), ancho del metacarpiano V (MVW), longitud de la falange I (PILL), medido como longitud de la falange II (PIIL), longitud de la falange III (PIIL), longitud de la falange IV (PIVL), longitud de la falange V (PVL). Además, se calculó el índice de la mano (HI). Regresión logística (LR), Random Forest (RF), Análisis discriminante lineal (LDA), K-vecino más cercano (KNN) y Naive Bayes (NB) se utilizaron como MLA. En el estudio, las proporciones de precisión, SEN, F1 y especificidad del algoritmo KNN se determinaron en un 88 %. En este estudio que utiliza MLA, se entiende que la mayor precisión pertenece al algoritmo KNN. Excepto por las variables MIIW, MIIIW, MIVW, MVW, HI de la mano, otras variables fueron estadísticamente significativas en términos de diferencia de sexo.

Inteligencia artificial en enfermedades infecciosas / Artificial intelligence in infectious diseases

Estamos asistiendo a una verdadera revolución tecnológi-ca en el campo de la salud. Los procesos basados en la aplicación de la inteligencia artificial (IA) y el aprendizaje automático (AA) están llegando progresivamente a todas las áreas disciplinares, y su aplicación en el campo de las enfermedades infecciosas es ya vertiginoso, acelerado por la pandemia de COVID-19.Hoy disponemos de herramientas que no solamente pue-den asistir o llevar adelante el proceso de toma de deci-siones basadas en guías o algoritmos, sino que también pueden modificar su desempeño a partir de los procesos previamente realizados. Desde la optimización en la identificación de microorganis-mos resistentes, la selección de candidatos a participar en ensayos clínicos, la búsqueda de nuevos agentes terapéu-ticos antimicrobianos, el desarrollo de nuevas vacunas, la predicción de futuras epidemias y pandemias, y el segui-miento clínico de pacientes con enfermedades infecciosas hasta la asignación de recursos en el curso de manejo de un brote son actividades que hoy ya pueden valerse de la inteligencia artificial para obtener un mejor resultado. El desarrollo de la IA tiene un potencial de aplicación expo-nencial y sin dudas será uno de los determinantes principa-les que moldearán la actividad médica del futuro cercano.Sin embargo, la maduración de esta tecnología, necesaria para su inserción definitiva en las actividades cotidianas del cuidado de la salud, requiere la definición de paráme-tros de referencia, sistemas de validación y lineamientos regulatorios que todavía no existen o son aún solo inci-pientes

We are in the midst of a true technological revolution in healthcare. Processes based upon artificial intelligence and machine learning are progressively touching all disciplinary areas, and its implementation in the field of infectious diseases is astonishing, accelerated by the COVID-19 pandemic. Today we have tools that can not only assist or carry on decision-making processes based upon guidelines or algorithms, but also modify its performance from the previously completed tasks. From optimization of the identification of resistant pathogens, selection of candidates for participating in clinical trials, the search of new antimicrobial therapeutic agents, the development of new vaccines, the prediction of future epidemics and pandemics, the clinical follow up of patients suffering infectious diseases up to the resource allocation in the management of an outbreak, are all current activities that can apply artificial intelligence in order to improve their final outcomes.This development has an exponential possibility of application, and is undoubtedly one of the main determinants that will shape medical activity in the future.Notwithstanding the maturation of this technology that is required for its definitive insertion in day-to-day healthcare activities, should be accompanied by definition of reference parameters, validation systems and regulatory guidelines that do not exist yet or are still in its initial stages

Aprendizaje automático aplicado a la predicción de diabetes mellitus, utilizando información socioeconómica y ambiental de usuarios del sistema de salud

Objetivo: Se propuso aplicar modelos basados en técnicas de aprendizaje automático como apoyo para el diagnóstico temprano de la diabetes mellitus, utilizando variables de datos ambientales, sociales, económicos y sanitarios, sin la dependencia de la toma de muestras clínicas. Metodología: Se utilizaron datos de 10 889 usuarios afiliados al régimen subsidiado de salud de la zona suroccidental en Colombia, diagnosticados con hipertensión y agrupados en usuarios sin (74,3 %) y con (25,7 %) diabetes mellitus. Se entrenaron modelos supervisados utilizando k vecinos más cercanos, árboles de decisión y bosques aleatorios, así como modelos basados en ensambles, aplicados a la base de datos antes y después de balancear el número de casos en cada grupo de diagnóstico. Se evalúo el rendimiento de los algoritmos mediante la división de la base de datos en datos de entreno y de prueba (70/30, respectivamente), y se utilizaron métricas de exactitud, sensibilidad, especificidad y área bajo la curva. Resultados: Los valores de sensibilidad aumentaron considerablemente al utilizar datos balanceados, pasando de valores máximos del 17,1 % (datos sin balancear) a valores de hasta 57,4 % (datos balanceados). El valor más alto de área bajo la curva (0,61) fue obtenido con los modelos de ensambles, al aplicar un balance en el número de datos por cada grupo y al codificar las variables categóricas. Las variables de mayor peso estuvieron asociadas con aspectos hereditarios (24,65 %) y con el grupo étnico (5.59 %), además de la dificultad visual, el bajo consumo de agua, una dieta baja en frutas y verduras, y el consumo de sal y azúcar. Conclusiones: Aunque los modelos predictivos, utilizando información socioeconómica y ambiental de las personas, surgen como una herramienta para el diagnóstico temprano de la diabetes mellitus, estos aún deben ser mejorados en su capacidad predictiva.

Objective: The objective was to apply models based on machine learning techniques to support the early diagnosis of diabetes mellitus, using environmental, social, economic and health data variables, without dependence on clinical sample collection. Methodology: Data from 10,889 users affiliated with the subsidized health system in the southwestern area of Colombia, diagnosed with hypertension and grouped into users without (74.3%) and with (25.7%) diabetes mellitus, were used. Supervised models were trained using k-nearest neighbors, decision trees, and random forests, as well as ensemble-based models, applied to the database before and after balancing the number of cases in each diagnostic group. The performance of the algorithms was evaluated by dividing the database into training and test data (70/30, respectively), and metrics of accuracy, sensitivity, specificity, and area under the curve were used. Results: Sensitivity values increased significantly when using balanced data, going from maximum values of 17.1% (unbalanced data) to values as high as 57.4% (balanced data). The highest value of area under the curve (0.61) was obtained with the ensemble models, by applying a balance in the amount of data for each group and by coding the categorical variables. The variables with the greatest weight were associated with hereditary aspects (24.65%) and with the ethnic group (5.59%), in addition to visual difficulty, low water consumption, a diet low in fruits and vegetables, and the consumption of salt and sugar. Conclusions: Although predictive models, using people's socioeconomic and environmental information, emerge as a tool for the early diagnosis of diabetes mellitus, their predictive capacity still needs to be improved.

Objetivo: Propôs-se aplicar modelos baseados em técnicas de aprendizagem automática como apoio para o diagnóstico precoce da diabetes mellitus, utilizando variáveis de dados ambientais, sociais, econômicos e sanitários, sem a dependência da coleta de amostras clínicas. Metodologia: Usaram-se dados de 10.889 usuários filiados ao regime subsidiado de saúde da zona sudoeste da Colômbia, diagnosticados com hipertensão e agrupados em usuários sem (74,3%) e com (25,7%) diabetes mellitus. Foram treinados modelos supervisionados utilizando k vizinhos mais próximos, árvores de decisão e florestas aleatórias, assim como modelos baseados em montagens, aplicados à base de dados antes de depois de equilibrar o número de casos em cada grupo de diagnóstico. Avaliou-se o desempenho dos algoritmos por meio da divisão da base de dados de treino e teste (70/30, respectivamente), e utilizaram-se métricas de exatidão, sensibilidade, especificidade e área sob a curva. Resultados: Os valores de sensibilidade aumentaram de maneira significativa ao utilizar dados equilibrados, passando de valores máximos de 17,1% (dados sem equilibrar) a valores de até 57,4% (dados equilibrados). O valor mais elevado de área sob a curva (0,61) foi obtido com os modelos de montagens, ao aplicar um balanço no número de dados por cada grupo e codificar as variáveis categóricas. As variáveis de maior peso estiveram associadas com fatores hereditários (24,65%) e com o grupo étnico (5,59%), além da dificuldade visual, o baixo consumo de água, um regime baixo em frutas e vegetais e o consumo de sal e açúcar. Conclusões: Embora os modelos preditivos, utilizando informação socioeconômica e ambiental das pessoas, surgem como uma ferramenta para o diagnóstico precoce da diabetes mellitus, ainda devem ser melhorados em sua capacidade preditiva.

Impacto de la Inteligencia Artificial en la Radiología

Introducción: El creciente desarrollo computacional ocurrido en los últimos años, así como el acceso a gran número de datos (Big Data) ha posibilitado la explotación de los recursos informáticos para el desarrollo de algoritmos que aumentan la calidad y alcance de la inteligencia artificial (IA), la cual está tomando un rol central en la radiología. Objetivo: Analizar el impacto de la Inteligencia Artificial en la Radiología y la necesidad de implementación en los servicios de imagenología. Método: Se emplearon 23 referencias bibliográficas en inglés y español, la mayoría extraídas de PubMed, SciELO y ScienceDirect usando los descriptores "Inteligencia Artificial", "Radiología" y "Aprendizaje automático" en idioma español y "Artificial Intelligence", "Radiology" y "Machine Learning" para el inglés. Desarrollo: No existe área de la Radiología en la cual no se haya implementado la inteligencia artificial, con el fin de mejorar y desarrollar programas que le faciliten al radiólogo y al técnico, la obtención y diagnóstico de imágenes. Cuba también está inmersa en este proceso; se están dando los primeros pasos por el desarrollo de estas tecnologías. Conclusiones: La investigación, optimización de flujo de trabajo, radiómica, predicción y clasificación de imágenes son beneficios que nos aporta la IA; lograr un aumento en la calidad de estos procesos solo es posible a través de la alianza entre las ciencias médicas e informáticas.

Introduction: The growing computational development that has occurred in recent years, as well as the access to a large number of data (Big Data), has made the exploitation of computing resources possible to develop algorithms that increase the quality and scope of artificial intelligence (AI), which is taking a central role in radiology. Objective: To analyze the impact of artificial intelligence in radiology and the need for its implementation in imaging services. Method: A total of 23 bibliographical references in English and Spanish, most of them obtained from PubMed, SciELO and ScienceDirect databases, were analyzed using descriptors such as "inteligencia artificial", "radiología" and "aprendizaje automático" for the Spanish language and "artificial intelligence", "radiology" and "machine learning" for the English language. Results: There is no area of ​​Radiology in which artificial intelligence has not been implemented in order to improve and develop programs that make it easier for the radiologist and the technician to obtain and diagnose images. Cuba is also immersed in this process; the first steps are being taken towards the development of these technologies. Conclusions: Research, workflow optimization, radiomics, prediction and classification of images are benefits that AI brings us; achieving an increase in the quality of these processes is only possible through the alliance between medical and computer sciences.

Comparación de dos tipos de clasificación en dispepsia funcional; distrés postprandial o dolor epigástrico vs. un análisis multidimensional por conglomerados utilizando aprendizaje no supervisado

Los métodos de inteligencia artificial utilizando herramientas de aprendizaje no supervisado pueden apoyar la resolución de problemas al establecer patrones de agrupación o clasificación no identificados, que permiten tipificar subgrupos para manejos más individualizados. Existen pocos estudios que permiten conocer la influencia de síntomas digestivos y extradigestivos en la tipificación dispepsia funcional; esta investigación realizó un análisis de aprendizaje no supervisado por conglomerados basándose en dichos síntomas, para discriminar subtipos de dispepsia y comparar con una de las clasificaciones actualmente más aceptadas. Se realizó un análisis exploratorio de conglomerados en adultos con dispepsia funcional según síntomas digestivos, extradigestivos y emocionales. Se conformaron patrones de agrupación de tal manera que dentro de cada grupo existiera homogeneidad en cuanto a los valores adoptados por cada variable. El método de análisis de conglomerados fue bietápico y los resultados del patrón de clasificación se compararon con una de las clasificaciones más aceptadas de dispepsia funcional. De 184 casos, 157 cumplieron con criterios de inclusión. El análisis de conglomerados excluyó 34 casos no clasificables. Los pacientes con dispepsia de tipo 1 (conglomerado uno), presentaron mejoría al tratamiento en el 100% de los casos, solo una minoría presentaron síntomas depresivos. Los pacientes con dispepsia de tipo 2 (conglomerado dos) presentaron una mayor probabilidad de falla al tratamiento con inhibidor de bomba de protones, padecieron con mayor frecuencia trastornos de sueño, ansiedad, depresión, fibromialgia, limitaciones físicas o dolor crónico de naturaleza no digestiva. Esta clasificación de dispepsia por análisis de clúster establece una visión más holística de la dispepsia en la cual características extradigestivas, síntomas afectivos, presencia o no de trastornos de sueño y de dolor crónico permiten discriminar el comportamiento y respuesta al manejo de primera línea.

Artificial intelligence methods using unsupervised learning tools can support problem solving by establishing unidentified grouping or classification patterns that allow typing subgroups for more individualized management. There are few studies that allow us to know the influence of digestive and extra-digestive symptoms in the classification of functional dyspepsia. This research carried out a cluster unsupervised learning analysis based on these symptoms to discriminate subtypes of dyspepsia and compare with one of the currently most accepted classifications. An exploratory cluster analysis was carried out in adults with functional dyspepsia according to digestive, extra-digestive and emotional symptoms. Grouping patterns were formed in such a way that within each group there was homogeneity in terms of the values adopted by each variable. The cluster analysis method was two-stage and the results of the classification pattern were compared with one of the most accepted classifications of functional dyspepsia. Of 184 cases, 157 met the inclusion criteria. The cluster analysis excluded 34 unclassifiable cases. Patients with type 1 dyspepsia (cluster one) presented improvement after treatment in 100% of cases, only a minority presented depressive symptoms. Patients with type 2 dyspepsia (cluster two) presented a higher probability of failure to treatment with proton pump inhibitor, suffered more frequently from sleep disorders, anxiety, depression, fibromyalgia, physical limitations or chronic pain of a non-digestive nature. This classification of dyspepsia by cluster analysis establishes a more holistic vision of dyspepsia in which extradigestive characteristics, affective symptoms, presence or absence of sleep disorders and chronic pain allow discriminating behavior and response to first-line management.

Risco de queda relacionado a medicamentos em hospitais: abordagem de aprendizado de máquina / Riesgo de caída relacionado con medicamentos en hospitales: enfoque de aprendizaje de máquina / Drug-related fall risk in hospitals: a machine learning approach

Resumo Objetivo Comparar o desempenho de modelos de aprendizado de máquina com o Medication Fall Risk Score (MFRS) na previsão de risco de queda relacionado a medicamentos prescritos. Métodos Trata-se de um estudo caso-controle retrospectivo de pacientes adultos e idosos de um hospital terciário de Porto Alegre, RS, Brasil. Medicamentos prescritos e classes de medicamentos foram investigados. Os dados foram exportados para o software RStudio para análise estatística. As variáveis foram analisadas por meio dos algoritmos de Regressão Logística, Naive Bayes, Random Forest e Gradient Boosting. A validação do algoritmo foi realizada usando validação cruzada de 10 vezes. O índice de Youden foi a métrica selecionada para avaliar os modelos. O projeto foi aprovado pelo Comitê de Ética em Pesquisa. Resultados O modelo de aprendizado de máquina que apresentou melhor desempenho foi o desenvolvido pelo algoritmo Naive Bayes. O modelo construído a partir de um conjunto de dados de um hospital específico apresentou melhores resultados para a população estudada do que o MFRS, uma ferramenta generalizável. Conclusão Ferramentas de previsão de risco que dependem de aplicação e registro adequados por parte dos profissionais demandam tempo e atenção que poderiam ser alocados ao cuidado do paciente. Modelos de previsão construídos por meio de algoritmos de aprendizado de máquina podem ajudar a identificar riscos para melhorar o atendimento ao paciente.

Resumen Objetivo Comparar el desempeño de modelos de aprendizaje de máquina con Medication Fall Risk Score (MFRS) para la previsión del riesgo de caída relacionado con medicamentos prescriptos. Métodos Se trata de un estudio caso-control retrospectivo de pacientes adultos y adultos mayores de un hospital terciario de Porto Alegre, estado de Rio Grande do Sul, Brasil. Se investigaron los medicamentos prescriptos y las clases de medicamentos. Los datos fueron exportados al software RStudio para el análisis estadístico. Las variables se analizaron a través de los algoritmos de regresión logística Naive Bayes, Random Forest y Gradient Boosting. La validación del algoritmo se realizó usando validación cruzada de 10 veces. El índice de Youden fue la métrica seleccionada para evaluar los modelos. El proyecto fue aprobado por el Comité de Ética en Investigación. Resultados El modelo de aprendizaje de máquina que presentó el mejor desempeño fue el desarrollado por el algoritmo Naive Bayes. El modelo construido a partir de un conjunto de datos de un hospital específico presentó mejores resultados en la población estudiada que el MFRS, una herramienta generalizada. Conclusión Herramientas de previsión de riesgo que dependen de la aplicación y el registro adecuados por parte de los profesionales demandan tiempo y atención que podría ser destinado al cuidado del paciente. Modelos de previsión construidos mediante algoritmos de aprendizaje de máquina pueden ayudar a identificar riesgos para mejorar la atención al paciente.

Abstract Objective To compare the performance of machine-learning models with the Medication Fall Risk Score (MFRS) in predicting fall risk related to prescription medications. Methods This is a retrospective case-control study of adult and older adult patients in a tertiary hospital in Porto Alegre, RS, Brazil. Prescription drugs and drug classes were investigated. Data were exported to the RStudio software for statistical analysis. The variables were analyzed using Logistic Regression, Naive Bayes, Random Forest, and Gradient Boosting algorithms. Algorithm validation was performed using 10-fold cross validation. The Youden index was the metric selected to evaluate the models. The project was approved by the Research Ethics Committee. Results The machine-learning model showing the best performance was the one developed by the Naive Bayes algorithm. The model built from a data set of a specific hospital showed better results for the studied population than did MFRS, a generalizable tool. Conclusion Risk-prediction tools that depend on proper application and registration by professionals require time and attention that could be allocated to patient care. Prediction models built through machine-learning algorithms can help identify risks to improve patient care.

Redefiniendo la era de la cirugía digital: el rol de la inteligencia artificial, la realidad aumentada y el aprendizaje automático en el campo quirúrgico / Redefining the Era of Digital Surgery: The Role of Artificial Intelligence, Augmented Reality, and Machine Learning in the Surgical Field / Redefinindo a era da cirurgia digital: o papel da inteligência artificial, realidade aumentada e aprendizado de máquina no campo cirúrgico

La era de la cirugía digital se caracteriza por la implementación de nuevas tecnologías que tienen el potencial de mejorar la planeación prequirúrgica, incrementar la disponibilidad de alternativas terapéuticas, mejorar el entrenamiento quirúrgico en aprendices, optimizar los resultados postoperatorios de los pacientes y, a su vez, reducir posibles eventos adversos (1). A pesar de que la incorporación de estas tecnologías tiene como premisa principal mejorar los resultados clínicos de los pacientes, el uso de estos avances se ha visto acelerado por intereses comerciales y por las oportunidades que tienen las grandes compañías de generar ganancias a nivel mundial (2). Entre las tecnologías que en la actualidad están teniendo un impacto directo en el campo quirúrgico se resaltan la inteligencia artificial (IA), la realidad aumentada (RA) y el aprendizaje automatizado (AA), sin dejar de lado la disponibilidad de dispositivos robóticos de uso cotidiano (3). A pesar de que la cirugía digital cada vez gana más popularidad en la práctica clínica, en la actualidad aún existe una falta de conocimiento de esta, de sus beneficios y de las potenciales barreras para su adopción.

The era of digital surgery is characterized by the implementation of new technologies that have the potential to improve preoperative planning, increase the availability of therapeutic alternatives, improve surgical training in apprentices, optimize postoperative results for patients, and reduce possible adverse events (1). Although the incorporation of these technologies has the main premise of improving patients' clinical outcomes, the use of these advances has been accelerated by commercial interests and the opportunities that large companies have to generate profits worldwide (2). The technologies that are currently having a direct impact on the surgical field are artificial intelligence (AI), augmented reality (AR), and machine learning (ML), without forgetting the availability of other robotic devices (3). Although digital surgery is gaining more popularity in the clinical practice, there is still a lack of knowledge about it, its benefits, and potential barriers to its adoption.

A era da cirurgia digital é caracterizada pela implementação de novas tecnologias que têm o potencial de melhorar o planejamento pré-cirúrgico, aumentar a disponibilidade de alternativas terapêuticas, melhorar o treinamento cirúrgico dos aprendizes, otimizar os resultados pós-operatórios dos pacientes e, por sua vez, reduzir possíveis eventos adversos (1). Embora a incorporação dessas tecnologias tenha como principal objetivo melhorar os resultados clínicos dos pacientes, a utilização desses avanços tem sido acelerada por interesses comerciais e pelas oportunidades que grandes empresas têm de gerar lucros em todo o mundo (2). Entre as tecnologias que atualmente têm impacto direto no campo cirúrgico se destacam a inteligência artificial (IA), a realidade aumentada (RA) e o aprendizagem de máquinas (AM), sem deixar de lado a disponibilidade de dispositivos robóticos para uso cotidiano (3). Embora a cirurgia digital esteja ganhando cada vez mais popularidade na prática clínica, atualmente ainda há falta de conhecimento sobre ela, seus benefícios e possíveis barreiras para sua adoção.

Prediction of heart failure decompensations using artificial intelligence and machine learning techniques / Predicción de las descompensaciones de la insuficiencia cardíaca mediante técnicas de inteligencia artificial y aprendizaje automático

Abstract Introduction: Heart failure (HF) is a major concern in public health. We have used artificial intelligence to analyze information and improve patient outcomes. Method: An Observational, retrospective, and non-randomized study with patients enrolled in our telemonitoring program (May 2014-February 2018). We collected patients’ clinical data, telemonitoring transmissions, and HF decompensations. Results: A total of 240 patients were enrolled with a follow-up of 13.44 ± 8.65 months. During this interval, 527 HF decompensations in 148 different patients were detected. Significant weight increases, desaturation below 90% and perception of clinical worsening are good predictors of HF decompensation. We have built a predictive model applying machine learning (ML) techniques, obtaining the best results with the combination of "Weight + Ankle + well-being plus alerts of systolic and diastolic blood pressure, oxygen saturation, and heart rate." Conclusions: ML techniques are useful tools for the analysis of HF datasets and the creation of predictive models that improve the accuracy of the actual remote patient telemonitoring programs.

Resumen Introducción: La insuficiencia cardíaca (IC) es un motivo de gran preocupación en la salud pública. Hemos utilizado técnicas de aprendizaje automático para analizar información y mejorar los resultados. Métodos: Estudio observacional, retrospectivo y no aleatorizado, con los pacientes incluidos en el programa de telemonitorización de IC de nuestro centro desde mayo 2014 hasta febrero 2018. Se han analizado datos clínicos, transmisiones de telemonitorización y descompensaciones de IC. Resultados: 240 pacientes incluidos con un seguimiento de 13.44 ± 8.65 meses. En este intervalo se han detectado 527 descompensaciones de IC en 148 pacientes diferentes. Los aumentos significativos de peso, la desaturación inferior al 90% y la percepción de empeoramiento clínico, han resultado buenos predictores de la descompensación de IC. Hemos construido un modelo predictivo aplicando técnicas de aprendizaje automático obteniendo los mejores resultados con la combinación de "Peso + Edemas en EEII + empeoramiento clínico + alertas de tensión arterial sistólica y diastólica, saturación de oxígeno y frecuencia cardiaca". Conclusiones: Las técnicas de inteligencia artificial son herramientas útiles para el análisis de las bases de datos de IC y para la creación de modelos predictivos que mejoran la precisión de los programas de telemonitorización actuales.

Inteligencia artificial en otorrinolaringología: estado actual y perspectivas a futuro / Artificial intelligence in otolaryngology: current status and future perspectives

La inteligencia artificial posee una larga historia, llena de innovaciones que han dado como resultado diferentes recursos diagnósticos de alto rendimiento, que se encuentran disponibles actualmente. En este artículo se presenta una revisión sobre la inteligencia artificial y sus aplicaciones en medicina. El trabajo se centra en la especialidad de otorrinolaringología con el objetivo de informar a la comunidad médica la importancia y las aplicaciones más destacadas en los diferentes procesos diagnósticos dentro de la especialidad. Incluimos una sección para el análisis del estado actual de la inteligencia artificial en otorrinolaringología en Chile, así como los desafíos a enfrentar a futuro para utilizar la inteligencia artificial en la práctica médica diaria.

Artificial intelligence has a long history full of innovations that have resulted in different high-performance diagnostic resources currently available. This work has reviewed the artificial intelligence definition and its applications to medicine. We focused our review on otolaryngology's specialty to inform the medical community of the importance and the most relevant applications in the different diagnostic processes. We include an analysis of the current state of artificial intelligence in otolaryngology in Chile, and the challenges to be faced in the future to use artificial intelligence into daily medical practice.

Radiografías periapicales y panorámicas como herramientas para la predicción temprana de osteoporosis / Periapical and panoramic radiographs as tools for early prediction of osteoporosis

Introducción: La osteoporosis es una enfermedad del sistema esquelético provocada por una disminución progresiva de la densidad mineral ósea y el deterioro de la microarquitectura, que aumenta el riesgo de fracturas. Por tanto, se hace necesario adoptar medidas de diagnóstico que permitan la detección temprana de alteraciones de la densidad mineral. Dado que las radiografías dentales son rutinarias y permiten examinar las estructuras óseas de los maxilares, se han propuesto como herramientas primarias de diagnóstico de osteoporosis. Objetivo: Examinar la viabilidad y el avance del uso de radiografías periapicales y panorámicas como predictoras tempranas de osteoporosis. Comentarios principales: Fue realizada una revisión bibliográfica sobre cómo las radiografías periapicales y panorámicas, junto con técnicas de aprendizaje automático e índices morfométricos, pueden ser predictores tempranos de osteoporosis. Consideraciones globales: Radiografías panorámicas y periapicales pueden ayudar en la predicción precoz de osteoporosis. Para ello el odontólogo debe contar con amplia experiencia en la interpretación de imágenes radiográficas o ser especialista en radiología oral o cirugía maxilofacial. Por otro lado, existen herramientas computacionales fundamentadas en aprendizaje automático que han mostrado resultados de identificación de osteoporosis comparables a los arrojados por radiólogos. Estas herramientas pueden servir de apoyo a profesionales menos experimentados. Los odontólogos están llamados a ser los primeros inspectores de cambios anómalos en la densidad ósea. Deben remitir oportunamente los pacientes con sospecha de osteoporosis al médico especialista(AU)

Introduction: Osteoporosis is a disease of the skeletal system caused by a gradual reduction in bone mineral density and deterioration of the microarchitecture, raising the risk of fracture. It is therefore necessary to implement diagnostic actions allowing early detection of mineral density alterations. Given the fact that dental radiographs are routine practice and make it possible to examine the bone structure of maxillae and mandibles, they have been proposed as primary tools for osteoporosis diagnosis. Objective: Examine the viability of and progress in the use of periapical and panoramic radiographs as early predictors of osteoporosis. Main remarks: A review was conducted about the combined use of panoramic and periapical radiographs. Both are machine learning techniques and morphometric indices. General considerations: Panoramic and periapical radiographs may be useful for early prediction of osteoporosis. To achieve this end, dentists should have broad experience interpreting radiographic images or be specialists in oral radiology or maxillofacial surgery. On the other hand, computer tools based on machine learning are available which have obtained results in osteoporosis identification comparable to those obtained by radiologists. Those tools may support the work of less experienced professionals. Dentists should be the first to detect anomalous bone density changes, timely referring patients suspected of osteoporosis to the corresponding specialist(AU)

HistoBCAD: herramienta de código abierto para detección de cáncer de mama en imágenes histopatológicas

RESUMEN Fundamento: la detección y clasificación precisa del cáncer de mama mediante el diagnóstico histopatológico es de vital importancia para el tratamiento efectivo de la enfermedad. Entre los tipos de cáncer de mama, el carcinoma ductal invasivo es el más frecuente. El análisis visual de las muestras de tejido en el microscopio es un proceso manual que consume tiempo y depende del observador. Sin embargo, en muchos países, incluido Cuba, es escaso el uso de herramientas software para asistir el diagnóstico. Objetivo: desarrollar una herramienta software para detectar tejido de cáncer de mama, del subtipo carcinoma ductal invasivo, en imágenes histopatológicas. Métodos: la herramienta se implementó en Python e incluye métodos de detección de carcinoma ductal invasivo en imágenes histopatológicas, basados en algoritmos de extracción de características de color y textura en combinación con un clasificador de bosques aleatorios. Resultados: la herramienta de código abierto brinda una serie de facilidades para la lectura, escritura y visualización de imágenes histopatológicas, delineación automática y manual de zonas cancerígenas, gestión de los datos diagnósticos del paciente y evaluación colaborativa a distancia. Fue evaluada en una base de datos con 162 imágenes de pacientes diagnosticados con carcinoma ductal invasivo y se obtuvo una exactitud balanceada de 84 % y factor F1 de 75 %. Conclusiones: la herramienta permitió un análisis interactivo, rápido, reproducible y colaborativo mediante una interfaz gráfica sencilla e intuitiva. En versiones futuras se prevé incluir nuevos métodos de aprendizaje automático incremental para el análisis de imágenes histopatológicas digitales.

ABSTRACT Background: the accurate detection and classification of breast cancer through histopathological diagnosis is of vital importance for the effective treatment of the disease. Among the types of breast cancer, invasive ductal carcinoma (IDC) is the most common. Visual analysis of tissue samples under the microscope is a manual, time-consuming and observer-dependent process. However, in many countries, including Cuba, the use of software tools to assist diagnosis is scarce. Objective: to develop a software tool to detect IDC subtype breast cancer tissue in histopathological images. Methods: the tool is implemented in Python and includes IDC detection methods in histopathological images, based on algorithms for extraction of color and texture features in combination with a random forest classifier. Results: the open source tool provides a series of facilities for the reading, writing and visualization of histopathological images, automatic and manual delineation of cancer areas, management of patient diagnostic data and collaborative remote evaluation. It was evaluated in a database with 162 images of patients diagnosed with IDC, obtaining a balanced accuracy of 84 % and a F1 factor of 75 %. Conclusions: the tool allowed an interactive, fast, reproducible, precise and collaborative analysis through a simple and intuitive graphical interface. Future versions are expected to include new incremental machine learning methods for the analysis of digital histopathology images.

Clasificación de cáncer de mama con técnicas de análisis de la componente principal-Kernel PCA, algoritmos de máquina de vectores de soporte y regresión logística

RESUMEN Fundamento: existen muchas herramientas computacionales para administrar imágenes y conjuntos de datos; reducir la dimensión de estos favorece el manejo de la información. Objetivo: reducir la dimensión de un conjunto de datos para un mejor manejo de la información. Métodos: se utilizó el conjunto de datos de Breast Cancer Wisconsin (información de biopsias - células nucleares) y la plataforma Python Jupyter. Se implementaron técnicas de análisis de la componente principal (PCA) y Kernel PCA (kPCA) para reducir la dimensión a 2, 4, 6. Se hizo una validación cruzada para seleccionar los mejores hiperparámetros de los algoritmos de máquina de vectores de soporte y regresión logística. La clasificación se realizó con el training test original, training test (PCA y kPCA) y training test (datos transformados de PCA y kPCA). Se analizó la exactitud, precisión, exhaustividad, recuperación y el área bajo la curva. Resultados: la PCA con seis componentes explicó la tasa de variación casi en 90 %. Los mejores hiperparámetros hallados para máquina de soporte de vectores: kernel lineal y C = 100, para regresión logística fueron C = 100, Newton-cg solución (solver) e I2. Los mejores resultados de las métricas fueron para PCA 2 y 4(0,99; 0,99; 1; 0,99; 0,99). Para el training set con datos originales fueron 0,96; 0,95; 0,99; 0,97; 0,95. Para regresión logística los mejores resultados fueron para kPCA con seis componentes. Los resultados estadísticos fueron iguales a 1. Para el training set con datos originales, esos valores fueron 0,96; 0,95; 0,99; 0,97; 0.95. Conclusiones: los resultados de las métricas mejoraron utilizando PCA y kPCA.

ABSTRACT Background: there are many computational tools for managing images and data sets; reducing the size of these favors the management of information. Objective: reduce the data set size for better information management. Methods: the Breast Cancer Wisconsin data set (biopsy information - nuclear cells) and the Python Jupyter platform were used. Principal Component Analysis (PCA) and Kernel PCA (kPCA) techniques were implemented to reduce the dimension to 2, 4, 6. Cross-validation was made to select the best hyperparameters of the regression and support vector machine algorithms Logistics. The classification was carried out with the original training test, training test (PCA and kPCA) and training test (data transformed from PCA and kPCA). Accuracy, precision, completeness, recovery, and area under the curve were analyzed. Results: the PCA with six components explained the variation rate by almost 90%. The best hyperparameters found for the vector support machine: linear kernel and C = 100, for logistic regression were C = 100, Newton-cg solution (solver) and I2. The best results of the metrics were for PCA 2 and 4 (0.99, 0.99, 1, 0.99, 0.99). For the training set with original data they were 0.96; 0.95; 0.99; 0.97; 0.95. For logistic regression the best results were for kPCA with 6 components. The statistical results were equal to 1. For the training set with original data, these values were 0.96; 0.95; 0.99; 0.97; 0.95. Conclusions: the results of the metrics improved using PCA and kPCA.

Inteligencia artificial en la evaluación y manejo de pacientes con epilepsia / Artificial intelligence in the evaluation and management of patients with epilepsy

RESUMEN La epilepsia es una enfermedad que frecuentemente conlleva significativos niveles de morbi-mortalidad, afecta seriamente la calidad de vida y, en cerca de un tercio de los pacientes, es refractaria a diversos tratamientos. La inteligencia artificial (IA) ha beneficiado el estudio, tratamiento y pronóstico de los pacientes con epilepsia a través de los años. Estos logros abarcan diagnóstico, predicción de crisis automatizada, monitoreo avanzado de crisis epilépticas y electroencefalograma, uso de recursos genéticos en manejo y diagnóstico, algoritmos en imagen y tratamiento, neuromodulación y cirugía robótica. La presente revisión explica de forma práctica los avances actuales y futuros de la inteligencia artificial, rama de la ciencia que ha mostrado resultados prometedores en el diagnóstico y tratamiento de pacientes con epilepsia.

SUMMARY Epilepsy is a condition that frequently coexists with significant morbi-mortality levels, seriously affects the quality of life and, in up to one third of patients, is refractory to a variety of treatment approaches. Artificial intelligence (AI) has largely benefitted the study, treatment, and prognosis of patients with epilepsy through the course of recent years. These achievements applied the fields of diagnosis, automated seizure prediction, advanced seizure monitoring and electroencephalogram, use of genetics in diagnosis and management, imaging algorithms in the treatment, neuromodulation, and robotic surgery. This review conveys the actual and future directions of AI. a branch of science that has shown promising results in the treatment and diagnosis of patients with epilepsy.

Aprendizaje automático aplicado en área de la salud: parte 2 / Machine Learning In Healthcare: part 2

En el artículo anterior se introdujo el tema y se desarrolló cómo es la recolección y análisis de datos, la selección y entrenamiento de modelos de aprendizaje automático supervisados y los métodos de validación interna que permiten corroborar si el modelo arroja resultados similares a los de otros conjuntos de entrenamiento y de prueba. En este artículo continuaremos con la descripción de la evaluación del rendimiento, la selección del modelo más adecuado para identificar la característica que se va a evaluar y la validación externa del modelo. Además, el artículo resume los desafíos existentes en la implementación del Machine Learning desde la investigación al uso clínico. (AU)

In the previous article, we introduced topics such as data collection and analysis, selection and training of supervised machine learning models and methods of internal validation that allow to corroborate whether the model yields similar results to other training and test sets.In this article, we will continue with the description of the performance evaluation, selecting the most appropriate model to identify the characteristic to evaluate and the external validation of the model. In addition, the article summarizes the actual challenges in the implementation of machine learning from research to clinical use. (AU)