El Decano de la Escuela Politécnica Superior y Director del grado en Ingeniería Informática, de la Universidad Europea del Atlántico (UNEATLANTICO) Manuel Masías, participa en un estudio que propone un nuevo sistema que garantiza el tratamiento temprano de la diabetes tipo 2, se denomina DiabSense.
La diabetes tipo 2, también conocida como diabetes mellitus no dependiente de insulina (NIDDM), representa una de las mayores crisis de salud del siglo XXI. Con más de 500 millones de personas afectadas en 2021, se proyecta que para 2045 esta cifra alcance al 12.2% de la población mundial. La NIDDM constituye más del 90% de los casos de diabetes a nivel global. Esta enfermedad crónica, caracterizada por niveles elevados de azúcar en la sangre, puede derivar en complicaciones severas como la ceguera si no se trata adecuadamente. Lo alarmante es que aproximadamente el 45% de los pacientes diabéticos viven sin un diagnóstico, lo que retrasa el tratamiento y agrava las complicaciones.
En respuesta a esta creciente amenaza, este estudio ha desarrollado un sistema innovador llamado DiabSense, un sistema que utiliza la tecnología de reconocimiento de actividad humana basada en smartphones y el análisis de retinopatía diabética con redes neuronales gráficas. DiabSense combina ambas redes neuronales gráficas: la Red de Atención de Grafos (GAT, por sus siglas en inglés) para el reconocimiento de actividad humana y la Red Convolucional de Grafos (CGN, por sus siglas en inglés) para el análisis de la retinopatía diabética. El sistema utiliza una amplia gama de 23 actividades humanas que se asemejan a los síntomas de la diabetes para el reconocimiento de la actividad humana. Además, analiza imágenes de retina de los pacientes para detectar la presencia de retinopatía diabética, una complicación común de la misma.
El sistema fue probado en cuatro sujetos experimentales, generando informes de retinopatía diabética y evaluando actividades diarias durante un período de 30 días. La GAT logró una precisión del 98.32% en la detección de actividades humanas a partir de datos de sensores, superando a otros modelos de vanguardia. Por su parte, la CGN alcanzó una precisión del 84,48% en el análisis de imágenes de retina para la generación de informes de retinopatía diabética.
Una vez obtenidos los resultados de las dos redes neuronales gráficas, se compararon las actividades diarias de los pacientes diabéticos con las de los sujetos experimentales. Esto permitió identificar factores de riesgo y recomendar un diagnóstico temprano, incluso en ausencia de síntomas aparentes. Los resultados obtenidos con DiabSense se compararon con los informes de diagnóstico clínico utilizando la prueba A1C, confirmando la precisión del sistema en el diagnóstico temprano de la diabetes.
El desarrollo de este sistema marca un hito en el uso de la tecnología para abordar problemas de salud globales como la diabetes. La combinación de ambas redes neuronales gráficas permite identificar la enfermedad en sus etapas iniciales. Con su precisión y eficacia, tiene el potencial de mejorar la vida de millones de personas en todo el mundo al garantizar un tratamiento temprano de la misma.
Si quieres conocer más sobre este estudio, haz clic aquí.
Para leer más investigaciones, consulta el repositorio de UNEATLANTICO.