Los modelos de aprendizaje automático han aprendido a diagnosticar de forma rápida y precisa el accidente cerebrovascular
Investigadores de las Universidades Carnegie Mellon, la Universidad Internacional de Florida y la Universidad de Santa Clara han desarrollado un nuevo modelo para diagnosticar accidentes cerebrovasculares que utiliza principios de aprendizaje automático en su trabajo. Su principal diferencia con los análogos existentes es que funciona sin necesidad de imágenes de diagnóstico del estado de los órganos internos humanos. Por lo tanto, se puede usar incluso donde solo hay un conjunto mínimo de equipos.
El diagnóstico de un accidente cerebrovascular es extremadamente difícil debido a las características específicas de la enfermedad; por ejemplo, en el 25% de los casos simplemente no hay síntomas externos característicos. La tasa de mortalidad por un accidente cerebrovascular mal diagnosticado es 30 veces mayor que la tasa de mortalidad por un ataque al corazón no diagnosticado. Es fácil confundir los síntomas de un accidente cerebrovascular con docenas de otras enfermedades y anomalías, por lo que la necesidad de un diagnóstico automático es muy alta.
El nuevo modelo se entrenó en 143,000 registros médicos de pacientes en hospitales de Florida, la muestra incluyó personas de todas las razas y edades. Las pruebas han demostrado que puede detectar un accidente cerebrovascular o determinar que ha ocurrido en el pasado con una precisión del 84 %. Para otros modelos, esta cifra no supera el 30%. Sin embargo, los autores del desarrollo insisten en que su modelo aún no es apto para uso autónomo, debería usarse junto con otros métodos