Una nueva tecnología para detectar bajos niveles de glucosa vía ECG usando un sensor portátil no invasivo, el cuál con la última inteligencia artificial puede detectar crisis de hipoglucemia desde las señales de ECG sin procesar ha sido hecha por investigadores de la Universidad de Warwick. Dr Leandro Pecchia con la nueva tecnología de la Universidad de Warwick.
Actualmente el monitor continuo de glucosa (CGM) está disponible por el NHS para la detección de hipoglucemia (niveles de azúcar dentro de la sangre o piel). La medición de la glucosa en fluido intersticial usando un sensor invasivo con una pequeña aguja, la cual envía alarmas y datos para un dispositivo de visualización. En muchos casos, ellos requieren calibración dos veces al día con un pinchazo en el dedo para medir el nivel de glucosa en sangre.
Sin embargo, el equipo del Dr. Leandro Pecchia de la Universidad de Warwick tiene hoy , el 13 de enero de 2020 publicados los resultados en un periódico titulado ‘Medicina de Precisión e Inteligencia Artificial: Un estudio piloto en aprendizaje profundo para la detección de eventos de Hipoglucemia basados en ECG’ en la revista Nature Springer de reportajes científicos prueba que usar los últimos hallazgos de inteligencia artificial, ellos pueden detectar eventos de hipoglucemia desde una señal natural del ECG adquirida con sensores no invasivos de uso corriente.
En dos estudios experimentales con voluntarios sanso se encontró la media entre sensibilidad y especificidad aproximadamente del 82% para la detección de hipoglucemia, la cual es comparable con el rendimiento actual de CGM, sin ser invasivo.
El Dr. Leandro Pecchia de la escuela de ingeniería de la universidad de Warwick,comenta :
“Los pinchazos en los dedos no son particularmente agradables y en algunas circunstancias son particularmente incómodos. Pincharse en el dedo durante la noche ciertamente es desagradable, especialmente para pacientes en edad pediátrica.
“ Nuestra innovación consiste en usar la inteligencia artificial para detectar automáticamente la hipoglucemia a través de unos pocos latidos de ECG. Esto es relevante porque el ECG puede detectarlo en cualquier circunstancia, incluso durmiendo”.
La figura muestra el producto de algoritmos a lo largo del tiempo: la línea verde representa los niveles de glucosa normal, mientras que la línea roja representa los niveles bajos de glucosa. La línea horizontal representa los 4mmol/L valor de glucosa, el cual es considerado el umbral significativo para las crisis hipoglucémicas. El área gris que rodea la línea continua refleja la barra de error de medición.
Los aspectos destacados del modelo warwick como los cambios ECG en cualquier sujeto durante una crisis hipoglucémica. La siguiente figura es un ejemplo. Las líneas sólidas representan el promedio de los latidos del corazón de dos sujetos diferentes cuando el nivel de glucosa es normal (línea verde) o bajo (línea roja). Las sombras de la roja y verde representan la barrera de desviación de los latidos del corazón alrededor de la media.
Un aspecto destacado a comparar que tienen 2 sujetos diferentes forma de onda en el ECG cambios durante la crisis hipo. En particular, el sujeto 1 presenta visiblemente un largo intervalo QT durante hipo, mientras que el sujeto 2 no.
La barra vertical representa la relativa importancia de cada onda de ECG para determinar si un latido cardíaco es hipo o normal.
Desde estas barras, un clínico capacitado ve que para el sujeto 1, la clasificación de las influencias de la onda de desplazamiento, reflectando que cuando el sujeto está en hipo, la repolarización de los ventrículos es más lenta.
En el sujeto 2, los componentes más importantes del ECG eran la onda P y el aumento de la onda t, sugería que cuando el sujeto está en hipo, la depolarización de aurícula y el umbral de la activación ventricular están particularmente afectados. Esto podría influir de forma subsiguiente en intervenciones clínicas.
Este resultado es posible porque el modelo Warwick Al está entrenado con ciertos sujetos con datos propios. Las diferencias intersubjectivas son tan significantes, que entrenando el sistema usando datos de cohorte podría no dar los mismos resultados. Así mismo, una terapia personalizada basada en nuestro sistema podría ser más efectiva que planteamientos actuales.
Dr. Leandro Pecchia comenta:
“Las diferencias destacadas por encima podría explicar porque estudios previos del uso de ECG para detectar eventos de caídas hipoglucémicas. El rendimiento de los algoritmos de Inteligencia Artificial entrenados sobre los datos de cohorte de ECG se vería obstaculizado por las diferencias entre subjetos.
“Nuestro enfoque permite el ajuste personalizado de los algoritmos de detección y enfatiza cómo los eventos hipoglucémicos afectan al ECG en los individuos. Basándose en esta información, clínicos pueden adaptar la terapia para cada uno individualmente. Evidentemente son requeridas más investigaciones clínicas para confirmar esos resultados en poblaciones más amplias. Esta forma nosotros estamos mirando colaboradores.
