Diagnóstico AIoMT: Revolucionando la Medicina Moderna
En la encrucijada entre la innovación tecnológica y la medicina moderna, emerge un campo que está transformando radicalmente el cuidado de la salud: el diagnóstico habilitado por la Inteligencia Artificial en el Internet de las Cosas Médicas (AIoMT, Artificial Intelligence of Medical Things). Esta tecnología, que combina el poder de la inteligencia artificial con dispositivos interconectados, ofrece soluciones avanzadas para la detección temprana, el monitoreo continuo y la personalización de tratamientos médicos. Desde relojes inteligentes capaces de detectar anomalías cardíacas hasta exoesqueletos que revolucionan la rehabilitación, el AIoMT está redefiniendo cómo se abordan tanto las enfermedades agudas como crónicas.
En este artículo, exploraremos cómo el diagnóstico basado en AIoMT se posiciona como una herramienta clave en la medicina del futuro, ofreciendo avances notables en áreas como el análisis de datos biomédicos, la detección de enfermedades infecciosas y la gestión de cuidados intensivos. Con ejemplos prácticos que van desde la identificación temprana de arritmias y melanoma hasta la personalización del tratamiento de enfermedades crónicas, este recorrido destaca el impacto transformador de estas tecnologías. Acompáñanos a descubrir cómo la convergencia entre sensores biométricos, redes neuronales convolucionales y algoritmos predictivos está marcando el inicio de una nueva era en la medicina personalizada.
Monitoreo Continuo y Diagnóstico Avanzado con AIoMT
El monitoreo del estado de salud resulta fundamental para proporcionar una visión instantánea de la condición de una persona y observar cómo esta evoluciona a lo largo del tiempo. No obstante, este tipo de monitoreo por sí solo no es suficiente para realizar diagnósticos de afecciones que puedan impactar la salud de un individuo. En este contexto, el diagnóstico habilitado por la inteligencia artificial en el Internet de las Cosas Médicas (AIoMT, Artificial Intelligence of Medical Things) cobra una relevancia significativa, ya que utiliza tecnologías avanzadas para identificar de manera más precisa una amplia gama de condiciones de salud mental, física y trastornos del desarrollo, tal como se ilustra en la Fig. 4. A lo largo de este artículo, se analiza cómo el diagnóstico basado en la AIoMT aborda estas tres áreas de manera innovadora y eficaz.
En relación al diagnóstico habilitado por inteligencia artificial en el Internet de las Cosas Médicas (AIoMT, Artificial Intelligence of Medical Things) esta integra sensores, redes y algoritmos avanzados para recopilar, analizar y transmitir datos relacionados con la salud. Esta tecnología permite el monitoreo continuo de afecciones mediante dispositivos inteligentes conectados, como monitores de presión arterial o relojes inteligentes. En particular, los dispositivos incorporan sensores ópticos y biométricos capaces de medir parámetros como frecuencia cardíaca y saturación de oxígeno, proporcionando datos en tiempo real para un análisis inmediato. Según estudios recientes, esta combinación permite detectar anomalías incluso antes de que el paciente presente síntomas evidentes (Smith et al., 2021).
Redes Neuronales y Sensores Biométricos en la Detección de Enfermedades
Asimismo, los sistemas de la AIoMT utilizan algoritmos de aprendizaje profundo, como redes neuronales convolucionales (CNN, Convolutional Neural Networks), para procesar imágenes médicas, identificar patrones anómalos y emitir diagnósticos preliminares. Por ejemplo, en la dermatología, aplicaciones basadas en AIoMT analizan imágenes de la piel tomadas con teléfonos inteligentes para detectar signos tempranos de melanoma, lo cual mejora la detección oportuna en pacientes con riesgo elevado. Además, los dispositivos como parches de electrocardiograma (ECG, Electrocardiogram) detectan arritmias al enviar señales eléctricas del corazón a plataformas en la nube que procesan los datos en tiempo real (Johnson & Wang, 2020).
Monitoreo de Glucosa y Personalización en la Gestión de la Diabetes
Posteriormente, es importante resaltar cómo el AIoMT facilita el monitoreo de afecciones crónicas como la diabetes mediante dispositivos de monitoreo continuo de glucosa (CGM, Continuous Glucose Monitoring). Estos dispositivos miden los niveles de glucosa intersticial cada minuto y transmiten los datos a aplicaciones móviles, donde algoritmos predictivos generan alertas sobre picos o caídas peligrosas. Como ejemplo práctico, los sistemas que integran CGM con bombas de insulina automatizadas emplean algoritmos de control para ajustar las dosis administradas, proporcionando así una gestión más precisa de la diabetes (Brown et al., 2022).
Rehabilitación con Exoesqueletos: Innovaciones en Neurología
Además, se han implementado tecnologías AIoMT en la rehabilitación de pacientes con afecciones neurológicas. Exoesqueletos inteligentes, equipados con sensores de movimiento y acelerómetros, recopilan datos sobre la biomecánica del paciente mientras realizan ejercicios. Estos datos son analizados por inteligencia artificial para ajustar automáticamente la intensidad del entrenamiento según el progreso del paciente, promoviendo una recuperación eficiente. Un ejemplo es el uso de la AIoMT en pacientes con accidentes cerebrovasculares, donde la personalización del tratamiento mejora significativamente los resultados funcionales (Garcia et al., 2023).
Gestión de Cuidados Intensivos con Tecnología AIoMT
Igualmente, en el ámbito hospitalario, la AIoMT optimiza la gestión de pacientes en unidades de cuidados intensivos mediante sistemas como cámaras térmicas y sensores de presión. Estas tecnologías detectan cambios en la posición del paciente que podrían causar úlceras por presión, alertando al personal de manera preventiva. Adicionalmente, las plataformas basadas en AIoMT integran múltiples flujos de datos, como signos vitales y análisis de laboratorio, para priorizar pacientes según su nivel de urgencia en tiempo real, aumentando la eficiencia clínica y la calidad del cuidado (Lee et al., 2021).
Diagnóstico Personalizado y Detección de Anomalías con AIoMT
Es importante destacar, que el uso de la AIoMT permite superar las limitaciones de los métodos convencionales de diagnóstico, ya que combina el poder de la inteligencia artificial con dispositivos interconectados para recopilar, procesar y analizar grandes volúmenes de datos médicos en tiempo real. Estas tecnologías, no solo mejoran la detección temprana de enfermedades, sino que también facilitan la personalización de los tratamientos al proporcionar información detallada y específica sobre cada paciente. Por ejemplo, a través de sensores integrados en dispositivos portátiles, como relojes inteligentes o monitores de signos vitales, es posible identificar patrones anómalos en la actividad cardíaca, los niveles de oxígeno en la sangre o los ciclos de sueño, que podrían ser indicativos de afecciones subyacentes.
Sumado a esto, en el ámbito de la salud mental, la integración de la AIoMT ha demostrado ser particularmente prometedora. Mediante el análisis de datos provenientes de aplicaciones móviles, dispositivos portátiles y registros médicos, se pueden detectar señales tempranas de trastornos como la depresión, la ansiedad o el estrés postraumático. Estos sistemas pueden interpretar cambios en los patrones de sueño, la frecuencia cardíaca o incluso el tono de voz del usuario para alertar sobre posibles riesgos, permitiendo así intervenciones más rápidas y efectivas. Asimismo, en el caso de los trastornos del desarrollo, como el trastorno del espectro autista, los dispositivos habilitados con la tecnología AIoMT pueden monitorear el comportamiento, la interacción social y las respuestas emocionales de los pacientes, lo que facilita una evaluación más precisa y personalizada.
Análisis de Imágenes Médicas: Optimización del Diagnóstico Clínico
Por otro lado, el impacto de la AIoMT en el diagnóstico de condiciones de salud física también es notable. Tecnologías como la visión por computadora y los algoritmos de aprendizaje profundo se utilizan para analizar imágenes médicas, como radiografías, tomografías computarizadas o resonancias magnéticas, con niveles de precisión comparables o incluso superiores a los obtenidos por expertos humanos. Esto no solo optimiza los procesos de diagnóstico, sino que también reduce los tiempos de espera y mejora la accesibilidad de los servicios de salud en regiones con recursos limitados.
Por consiguiente, el diagnóstico habilitado por inteligencia artificial en el Internet de las Cosas Médicas representa una herramienta revolucionaria en el campo de la salud. Su capacidad para recopilar y analizar datos de manera rápida y precisa permite identificar afecciones de manera temprana, optimizar tratamientos y personalizar la atención médica. Desde esta perspectiva, es fundamental fomentar la implementación de estas tecnologías en los sistemas de salud, promoviendo tanto la inversión en investigación como el desarrollo de infraestructuras tecnológicas que garanticen su accesibilidad y eficacia. Asimismo, es necesario abordar cuestiones éticas y de privacidad asociadas al uso de datos médicos para garantizar que esta tecnología beneficie a la sociedad de manera segura y equitativa.
Diagnóstico de COVID-19 con Inteligencia Artificial y AIoMT
La detección temprana y precisa del COVID-19 fue, desde el inicio de la pandemia, un área prioritaria de investigación, especialmente con el avance de la tecnología en el ámbito de los sistemas de Internet de las Cosas Médicas potenciados por Inteligencia Artificial, (AIoMT, Artificial Intelligence of Medical Things). Esta tecnología permitió el desarrollo de herramientas innovadoras para abordar los desafíos relacionados con la pandemia. Por ejemplo, se implementó un sistema basado en AIoMT para la identificación temprana de infecciones por COVID-19 (Hirten et al., 2022). Estos sistemas utilizaron señales de electrocardiograma, (ECG, Electrocardiogram), obtenidas a través de dispositivos portátiles como los relojes Apple, para extraer características relevantes, como la variabilidad de la frecuencia cardíaca, (HRV, Heart Rate Variability), y la frecuencia cardíaca en reposo, (RHR, Resting Heart Rate). Diversas técnicas de aprendizaje automático fueron evaluadas, destacándose el enfoque de árbol de decisión de aumento de gradiente, que alcanzó un desempeño sobresaliente con un 77% de precisión y una sensibilidad del 76.8% tras ajustes en el modelo.
De manera complementaria, otros estudios se centraron en los registros electrónicos de salud, (EHRs, Electronic Health Records), se utilizaron resultados de laboratorio para diagnosticar COVID-19 mediante la implementación de diversos modelos de aprendizaje automático (Abdulkareem et al., 2021). Entre los métodos evaluados, las máquinas de soporte vectorial, (SVM, Support Vector Machine), demostraron ser las más efectivas al identificar casos de COVID-19 a partir de 15 variables clínicas específicas. Este modelo logró una notable precisión del 93.33% y un área bajo la curva característica operativa del receptor, (AUROC, Area Under the Receiver Operating Characteristic Curve), de 0.88, lo que evidencia su capacidad para discriminar con alta fiabilidad entre pacientes infectados y no infectados.
Gracias a estos novedosos avances, el uso de tecnologías de última generación como la AIoMT y técnicas de aprendizaje automático han revolucionado el diagnóstico temprano y preciso de COVID-19. Estas herramientas no solo mejoran la detección temprana, sino que también optimizan el uso de recursos médicos, permitiendo una atención más personalizada y eficiente. Por tal motivo, es fundamental fomentar el desarrollo de investigaciones interdisciplinares que integren dispositivos portátiles, registros de salud electrónicos y algoritmos avanzados de aprendizaje automático. Asimismo, resulta esencial garantizar la validación clínica rigurosa de estos sistemas para su implementación a gran escala, promoviendo así una respuesta más efectiva ante futuras emergencias de salud pública.
Diagnóstico de Malaria en Regiones de Recursos Limitados
Asimismo, la malaria, una enfermedad transmitida por mosquitos y causada por un parásito, constituye un padecimiento grave de corto plazo que sigue prevaleciendo en diversas regiones del mundo, especialmente en zonas endémicas de África. Esta enfermedad requiere de un diagnóstico rápido para salvar vidas y prevenir brotes masivos. En este contexto, estudios recientes han desarrollado sistemas innovadores y de bajo costo basados en Inteligencia Artificial de Internet de las Cosas Médicas (AIoMT, Artificial Intelligence of Medical Things) para el diagnóstico de la malaria en el campo (Das et al., 2022). Estos sistemas utilizan microscopía para recopilar imágenes de láminas con muestras de sangre de los pacientes, y luego aplica un modelo basado en Redes Neuronales Convolucionales (CNN, Convolutional Neural Networks) para detectar la presencia de parásitos. Este enfoque alcanzó una sensibilidad diagnóstica del 91.1%, y también logró identificar con precisión las especies de parásitos en un 92-93% de los casos. Adicionalmente, el modelo estima la densidad de parásitos en las láminas, aunque con menor éxito, ya que sólo en el 23% de las láminas los resultados se mantienen dentro del ±25% del conteo de referencia microscópico. Este avance destaca el potencial de la tecnología basada en inteligencia artificial para mejorar el diagnóstico de enfermedades infecciosas en regiones con recursos limitados.
AIoMT en la Detección Temprana de Enfermedades Renales
Por otro lado, las enfermedades crónicas de largo plazo también pueden beneficiarse significativamente de diagnósticos tempranos. Un ejemplo notable es la enfermedad renal crónica (CKD, Chronic Kidney Disease), que en sus etapas avanzadas conduce a insuficiencia renal. Detectar esta condición en etapas iniciales permite tratamientos más efectivos y menos invasivos. Un estudio reciente propuso una herramienta de diagnóstico de bajo costo basada en Inteligencia Artificial de Internet de las Cosas Médicas (AIoMT, Artificial Intelligence of Medical Things) para la detección temprana de CKD, utilizando datos simples de signos vitales combinados con análisis de orina y sangre (Rashed-Al-Mahfuz et al., 2021). Este sistema empleó múltiples modelos de aprendizaje automático, destacándose los Bosques Aleatorios (RF, Random Forest) por su desempeño superior, con una precisión diagnóstica del 99.50%. Estos resultados refuerzan la importancia de herramientas accesibles y precisas para mejorar la calidad de vida de pacientes con enfermedades crónicas.
Detección de Enfermedades Cardíacas con Gemelos Digitales
Asimismo, el diagnóstico temprano resulta clave para abordar enfermedades cardiovasculares, que son una de las principales causas de mortalidad a nivel mundial. En un estudio reciente, se desarrolló un enfoque innovador basado en gemelos digitales y apoyado por Inteligencia Artificial de Internet de las Cosas Médicas (AIoMT, Artificial Intelligence of Medical Things) para facilitar la detección temprana de problemas cardíacos (Elayan et al., 2021). Este sistema utiliza sensores de Electrocardiograma (ECG, Electrocardiogram) para recopilar señales de actividad cardíaca y emplea una Red de Memoria a Largo y Corto Plazo (LSTM, Long Short-Term Memory) para identificar diferentes tipos de arritmias. Los datos recopilados se almacenan en gemelos digitales personalizados para cada paciente, lo que permite a los médicos acceder a información actualizada en tiempo real y tomar decisiones rápidas. Además, los gemelos digitales posibilitan la comparación entre casos similares, facilitando así una planificación más precisa del tratamiento. Este enfoque no solo mejora la precisión diagnóstica, sino que también optimiza el manejo clínico de las enfermedades cardíacas.
De la misma manera, el cáncer, una enfermedad de largo plazo asociada a alta mortalidad en etapas avanzadas, también se beneficia enormemente de la detección temprana. En particular, el cáncer de piel es uno de los tipos más prevalentes, donde una identificación oportuna puede marcar una gran diferencia en los resultados. La investigación reciente en este campo explora el uso de tecnologías basadas en imágenes para detectar lesiones cutáneas cancerosas (Murugan et al., 2021). En este enfoque, las imágenes son segmentadas para identificar posibles lesiones, y las características extraídas se analizan mediante un modelo combinado de Máquinas de Vectores de Soporte (SVM, Support Vector Machines) y Bosques Aleatorios (RF, Random Forest), alcanzando una precisión diagnóstica del 85.31%. Esta solución es prometedora, ya que aprovecha la disponibilidad masiva de cámaras en teléfonos inteligentes, lo que podría fomentar el monitoreo regular de lesiones sospechosas y, en consecuencia, mejorar la detección temprana de cáncer de piel.
Avances en Diagnósticos de Enfermedades Agudas y Crónicas con AIoMT
Así, los avances en sistemas basados en Inteligencia Artificial de Internet de las Cosas Médicas (AIoMT, Artificial Intelligence of Medical Things) están transformando el diagnóstico y manejo de enfermedades tanto agudas como crónicas. Estas herramientas accesibles y de bajo costo tienen el potencial de salvar vidas, reducir la carga de enfermedades y optimizar los recursos de los sistemas de salud, especialmente en regiones con limitaciones económicas o tecnológicas. Para maximizar su impacto, es esencial continuar promoviendo la investigación y el desarrollo en este campo, así como garantizar su implementación en entornos clínicos reales. Adicionalmente, es esencial fortalecer la capacitación de los profesionales de la salud en el uso de estas tecnologías y fomentar la colaboración interdisciplinaria para abordar los desafíos que aún persisten en su adopción masiva.
Diagnóstico del Cáncer de Próstata: Nuevas Alternativas No Invasivas
La detección temprana de enfermedades representa un avance significativo en la mejora de los resultados clínicos y la calidad de vida de los pacientes. El cáncer de próstata, por ejemplo, es una forma prevalente de esta enfermedad en la que una intervención temprana puede marcar una diferencia significativa. Ha sido desarrollado un sistema basado en Inteligencia Artificial de las Cosas Médicas, (AIoMT, Artificial Intelligence of Medical Things), que emplea una sonda fotoacústica para identificar posibles casos de cáncer de próstata (Chen et al., 2021). A través de la extracción de características del espectro fotoacústico y el uso de análisis discriminante lineal, (LDA, Linear Discriminant Analysis), y análisis discriminante cuadrático, (QDA, Quadratic Discriminant Analysis), se procesaron los datos para clasificar tumores. El modelo QDA destaca por su desempeño, logra una precisión diagnóstica del 81.7% y una sensibilidad del 78.2%. Según las investigaciones, estos resultados superan a los obtenidos mediante resonancia magnética, (MRI, Magnetic Resonance Imaging), y presentan una alternativa menos invasiva que las biopsias convencionales.
Es importante aclarar, que la detección del cáncer de próstata ha evolucionado significativamente con el uso de la resonancia magnética, (MRI, Magnetic Resonance Imaging), y las biopsias convencionales. Normalmente, la biopsia de próstata se realiza mediante la obtención de muestras de tejido prostático utilizando una aguja guiada por ecografía transrectal. Sin embargo, esta técnica puede pasar por alto áreas tumorales debido a la limitada visibilidad de la ecografía. Para mejorar la precisión, se ha implementado la resonancia magnética multiparamétrica, que combina diferentes secuencias de imagen para identificar lesiones sospechosas. Estas imágenes se fusionan con la ecografía en tiempo real, permitiendo dirigir la aguja de biopsia hacia las áreas identificadas como sospechosas, aumentando así la tasa de detección de cáncer clínicamente significativa (Elsevier, 2010; Top Doctors, s.f.).
Por otro lado, los sistemas basados en Inteligencia Artificial de las Cosas Médicas, (AIoMT, Artificial Intelligence of Medical Things), están revolucionando la detección del cáncer de próstata mediante el uso de sondas fotoacústicas. Estas sondas combinan pulsos de luz láser con ultrasonido para generar imágenes detalladas de los tejidos. La luz láser induce una expansión térmica en los tejidos, produciendo ondas ultrasónicas que son captadas y convertidas en imágenes. Al integrar algoritmos de inteligencia artificial, estos sistemas analizan las imágenes obtenidas para identificar patrones asociados con tejidos cancerosos, permitiendo una detección más precisa y menos invasiva en comparación con las biopsias convencionales (ecancer, 2014).
La extracción de características del espectro fotoacústico es esencial para el análisis de datos en estos sistemas. Se analizan parámetros como la amplitud y la frecuencia de las señales fotoacústicas para diferenciar entre tejidos sanos y cancerosos. Posteriormente, se aplican técnicas estadísticas como el análisis discriminante lineal, (LDA, Linear Discriminant Analysis), que busca proyectar los datos en una dirección que maximice la separación entre las clases, facilitando la clasificación de los tejidos. De forma similar, el análisis discriminante cuadrático, (QDA, Quadratic Discriminant Analysis), permite modelar separaciones más complejas entre clases al considerar fronteras de decisión cuadráticas, lo que puede mejorar la precisión en la clasificación cuando las relaciones entre variables son no lineales (Chen et al., 2021).
Comparando estas tecnologías, la resonancia magnética combinada con biopsia dirigida ofrece una alta precisión en la detección del cáncer de próstata, pero puede ser invasiva y costosa. En contraste, los sistemas AIoMT con sondas fotoacústicas proporcionan una alternativa menos invasiva y potencialmente más accesible, aunque aún se encuentran en fases de investigación y desarrollo. Un ejemplo práctico de la aplicación de sistemas AIoMT con sondas fotoacústicas es la detección temprana del cáncer de mama, donde se ha demostrado su eficacia en identificar lesiones sospechosas sin la necesidad de procedimientos invasivos (ecancer, 2014).
Mamografías Automatizadas: Diagnóstico del Cáncer de Mama con AIoMT
Bajo estas circunstancias, la integración de tecnologías avanzadas como la resonancia magnética y los sistemas AIoMT con sondas fotoacústicas está transformando la detección del cáncer de próstata, ofreciendo alternativas más precisas y menos invasivas que las técnicas convencionales.
De manera similar, el diagnóstico temprano del cáncer de mama puede salvar vidas mediante la identificación oportuna de tumores malignos. La mamografía es una herramienta comúnmente utilizada para esta finalidad, pero tiene limitaciones en personas jóvenes y exige un análisis altamente especializado. En este contexto, los sistemas de diagnóstico automático basados en inteligencia artificial ofrecen soluciones prometedoras. Un ejemplo de ello es el estudio del empleo de una red neuronal convolucional completamente conectada extrema, (FCNN, Fully Connected Neural Network), para analizar mamografías y detectar posibles cánceres (Bacha & Taouali, 2022). Estos modelos alcanzan una precisión diagnóstica del 91.13% y un área bajo la curva ROC, (AUROC, Area Under Receiver Operating Characteristic), de 0.95; mientras que algunos modelos logran una precisión del 100% y un AUROC de 1. Asimismo, estas técnicas demuestran una alta eficacia en la clasificación de tumores como benignos o malignos. Sin embargo, se recomienda validar estos resultados en conjuntos de datos más amplios para consolidar su aplicabilidad clínica.
Diagnósticos de Enfermedades Crónicas con Inteligencia Artificial
Por otra parte, el diagnóstico de enfermedades crónicas como la diabetes también han sido un enfoque destacado en el desarrollo de tecnologías basadas en AIoMT. Se ha implementado un sistema que recopila datos de sensores como del fotopletismógrafo, glucómetro, sensores de temperatura corporal y de presión arterial integrados en un Arduino (Padhy et al., 2022). Además, se han añadido características demográficas obtenidas mediante cuestionarios. Estos datos se procesan utilizando métodos de aprendizaje en conjunto, (ensemble learning method), que incluye modelos como regresión logística, vecinos más cercanos, (kNN, k-Nearest Neighbors), y máquinas de soporte vectorial, (SVM, Support Vector Machines). Así mismo, los resultados se integran mediante modelos de bosque aleatorio, (RF, Random Forest), logrando una precisión diagnóstica del 98.4% y un AUROC de 0.984. Este nivel de exactitud destaca el potencial de estas tecnologías para apoyar el manejo temprano de la diabetes.
Diagnóstico del Parkinson con Señales de Voz y Aprendizaje Automático
En el caso de enfermedades neurodegenerativas como el Parkinson, el diagnóstico temprano puede optimizar la eficacia de los tratamientos disponibles. En un estudio reciente, se utilizó un sistema basado en AIoMT que procesaba características de patrones vocales mediante máquinas de soporte vectorial, (SVM, Support Vector Machines), para diagnosticar esta enfermedad (Lahmiri & Shmuel, 2019). Este modelo alcanzó una precisión diagnóstica del 92.21%. De manera complementaria, otro estudio evaluó métodos de aprendizaje automático como vecinos más cercanos, (kNN, k-Nearest Neighbors), bosque aleatorio, (RF, Random Forest), y Naive Bayes, aplicados a características extraídas de grabaciones de voz accesibles públicamente (Lamba et al., 2021). En este caso, el modelo basado en bosque aleatorio, RF logró un rendimiento destacado, con una precisión diagnóstica del 95.58%. Estos resultados sugieren que el análisis de señales de voz podría convertirse en una herramienta no invasiva para la detección temprana de esta condición.
Alzheimer: Identificación Temprana con Sensores y Redes Neuronales
Sumado a esto, en el campo de la enfermedad de Alzheimer, se han explorado múltiples estrategias para su diagnóstico temprano, dada su alta prevalencia como causa principal de demencia. El deterioro cognitivo progresivo asociado a esta enfermedad puede manejarse de manera más efectiva si se identifica en etapas iniciales. Investigaciones recientes utilizan datos provenientes de sensores de movimiento ambiental para predecir la aparición temprana de demencia basándose en la actividad diaria de los participantes (Zhang et al., 2021). Entre los modelos probados, el más destacado fue un modelo de árbol de decisión potenciado, (boosted decision tree model), que alcanzó una precisión del 92.59%. Además, otro enfoque innovador empleó imágenes de resonancia magnética, (MRI, Magnetic Resonance Imaging), procesadas mediante un modelo híbrido de red neuronal convolucional, (CNN, Convolutional Neural Network), y máquinas de soporte vectorial, (SVM, Support Vector Machines). Este método obtuvo una precisión diagnóstica del 94.8% y un AUROC de 0.997, demostrando un alto potencial para la identificación temprana de esta condición.
Aquí conviene admitir, que el avance de la inteligencia artificial y las tecnologías relacionadas con la AIoMT están revolucionando el campo del diagnóstico médico, permitiendo la identificación temprana y precisa de diversas enfermedades. Sin embargo, para garantizar su integración efectiva en la práctica clínica, es fundamental realizar validaciones adicionales en conjuntos de datos más amplios y diversos. Asimismo, se recomienda establecer marcos regulatorios y éticos que guíen el desarrollo y la implementación de estas tecnologías, priorizando la seguridad y el bienestar de los pacientes.
Salud Mental y Diagnóstico Avanzado con AIoMT
La salud mental es un área de creciente interés en la investigación científica, particularmente debido a la necesidad de mejorar el diagnóstico y tratamiento de trastornos como la depresión, la ansiedad y el trastorno bipolar. Recientemente, los avances en tecnologías como la Inteligencia Artificial de Internet de las Cosas Médicas, (AIoMT, Artificial Intelligence of Medical Things), han proporcionado nuevas herramientas que combinan sensores biométricos y modelos de aprendizaje automático para abordar estos desafíos de manera más precisa y eficiente.
Depresión: Análisis de Datos Fisiológicos y Registros Electrónicos
En el caso del trastorno depresivo mayor, un estudio reciente (Kumar et al., 2021) desarrolló un sistema basado en AIoMT que utiliza señales de EEG, seguimiento ocular y sensores de respuesta galvánica de la piel para el diagnóstico. Este sistema empleó modelos de aprendizaje automático como Bosque Aleatorio, (RF, Random Forest), regresión logística y Máquinas de Vectores de Soporte, (SVM, Support Vector Machines), destacándose la regresión logística con una precisión del 79.63%. Por otro lado, la depresión también ha sido estudiada utilizando registros electrónicos de salud, (EHR, Electronic Health Records), y técnicas de imágenes médicas combinadas con aprendizaje automático. Según Smith et al. (2020), el algoritmo Bosque Aleatorio alcanzó una precisión del 89% y un Área Bajo la Curva Operativa del Receptor, (AUROC, Area Under the Receiver Operating Characteristic), de 0.87 al analizar datos clínicos, demográficos y de laboratorio. Asimismo, el uso de mapas de conectividad funcional del cerebro procesados mediante SVM logró un AUROC sobresaliente de 0.99 en un estudio de Lin et al. (2022), mostrando la capacidad de distinguir entre pacientes con y sin depresión en cohortes específicas.
Haciendo referencia, a las tecnologías relacionadas con el sistema de Internet de las Cosas Médicas basadas en inteligencia artificial, (AIoMT, Artificial Intelligence of Medical Things), hay que considerar, que integran diversas herramientas biomédicas para capturar y analizar datos fisiológicos. Entre ellas, los electroencefalogramas, (EEG, Electroencephalograms), que son dispositivos que registran la actividad eléctrica cerebral, mientras que los sistemas de seguimiento ocular monitorizan el movimiento y la fijación de los ojos. A su vez, los sensores de respuesta galvánica de la piel detectan cambios en la conductividad eléctrica debido a la actividad de las glándulas sudoríparas, frecuentemente asociadas a estímulos emocionales.
Por ejemplo, un sistema AIoMT que utiliza estas tecnologías puede funcionar mediante la integración de hardware y software avanzado. Inicialmente, los sensores recolectan señales fisiológicas, que se procesan en tiempo real a través de algoritmos de aprendizaje automático. Técnicas como Bosque Aleatorio, (RF, Random Forest), regresión logística y Máquinas de Vectores de Soporte, (SVM, Support Vector Machines), clasifican los datos para detectar patrones asociados a trastornos como la depresión. Un caso práctico es el diagnóstico del trastorno depresivo mayor, donde la regresión logística alcanza una precisión del 79.63% en estudios recientes, destacando la utilidad clínica de estos sistemas (Kumar et al., 2021).
Adicionalmente, el uso de registros electrónicos de salud, (EHR, Electronic Health Records), complementa este enfoque al proporcionar una base de datos histórica y detallada. Estos registros contienen información clínica, demográfica y de laboratorio que puede ser procesada mediante aprendizaje automático. Por ejemplo, el Bosque Aleatorio puede alcanzar una precisión del 89% y un AUROC de 0.87 al analizar múltiples fuentes de datos, combinando observaciones actuales con antecedentes médicos (Smith et al., 2020).
A su vez, la integración de técnicas de imágenes médicas con modelos de aprendizaje automático permite obtener mapas de conectividad funcional del cerebro, una herramienta esencial en el diagnóstico de la depresión. Estos mapas, procesados con SVM, identifican diferencias significativas en la actividad cerebral entre pacientes con y sin depresión. En un ejemplo práctico, este enfoque logró un AUROC de 0.99, demostrando una elevada capacidad diagnóstica en poblaciones específicas (Lin et al., 2022).
En aplicaciones médicas, estas tecnologías han mostrado beneficios significativos en la detección temprana y el seguimiento de la depresión, además de optimizar la atención personalizada. Un caso notable es el uso de datos de seguimiento ocular para evaluar patrones de atención visual en pacientes, combinado con señales de EEG para determinar niveles de actividad cerebral vinculados a emociones específicas. Estos avances permiten no solo una mayor precisión en el diagnóstico, sino también una mejor comprensión de las dinámicas neurofisiológicas subyacentes.
Diagnóstico del Trastorno Bipolar con Inteligencia Artificial
El trastorno bipolar, por su parte, representa un desafío debido a su alta tasa de diagnósticos erróneos, ya que alterna episodios de depresión y manía. Ahmed et al. (2021) diseñaron un sistema de AIoMT basado en señales EEG para identificar esta condición, utilizando un enfoque de aumento de gradiente que alcanzó una precisión del 94%. Adicionalmente, los métodos como SVM y árboles de decisión lograron precisiones superiores al 87.48%, lo que sugiere que algoritmos como el Bosque Aleatorio podrían ser altamente efectivos en esta área.
Ansiedad y Tecnología Portátil para su Detección
En el ámbito de los trastornos de ansiedad, se han explorado métodos innovadores utilizando dispositivos de uso cotidiano. Por ejemplo, Gonzalez et al. (2021) demostraron que los datos de movimiento obtenidos de teléfonos inteligentes y Unidades de Medición Inercial, (IMUs, Inertial Measurement Units), pueden emplearse para detectar comportamientos asociados con la ansiedad, como tirarse del cabello o golpear las manos. Las Redes Neuronales Convolucionales, (CNN, Convolutional Neural Networks), y las Redes Neuronales de Memoria a Largo Plazo, (LSTM, Long Short-Term Memory), alcanzaron una precisión del 92%, lo que subraya el potencial de estas tecnologías para identificar señales tempranas de ansiedad de manera accesible y masiva.
En el caso del trastorno de pánico, la identificación precisa es imprescindible para diferenciarlo de otros trastornos de ansiedad y ofrecer tratamientos específicos. Lee et al. (2020) investigaron un sistema de AIoMT basado en métricas de variabilidad de la frecuencia cardíaca, (HRV, Heart Rate Variability), extraídas de dispositivos de Electrocardiograma, (ECG, Electrocardiogram). Utilizando un modelo de regresión logística simple, lograron una precisión del 78.4%, destacando la posibilidad de implementar estas tecnologías en dispositivos portátiles o smartphones mediante fotopletismografía, (PPG, Photoplethysmography), ampliando su alcance y utilidad.
Además de eso, el trastorno de estrés postraumático, (PTSD, Post-Traumatic Stress Disorder), constituye otro reto diagnóstico debido a la superposición de síntomas con otros trastornos como el trastorno depresivo mayor. Un estudio de Shim et al. (2019) utilizó SVM para procesar datos de ondas P300 obtenidas mediante sensores EEG, logrando distinguir entre controles sanos y pacientes con PTSD en el 82.09% de los casos para PTSD aislado y el 82.56% en presencia de comorbilidades. Además, estas SVM lograron diferenciar PTSD del trastorno depresivo mayor con un 70.34% de precisión, lo que resalta la importancia de estas herramientas para ofrecer diagnósticos más específicos.
Aquí conviene entender las ondas P300 en el contexto de las neurociencias. Estas corresponden a potenciales evocados relacionados con eventos, captados a través de dispositivos de electroencefalografía, (EEG, Electroencephalography). Específicamente, la onda P300 se manifiesta como una señal positiva que ocurre aproximadamente 300 milisegundos después de que el cerebro reconoce un estímulo relevante. En efecto, esta onda se utiliza como un marcador de procesos cognitivos como la atención y la memoria de trabajo (Polich, 2007).
Por otro lado, en términos técnicos, las características de la onda P300 incluyen su amplitud, que refleja la cantidad de recursos atencionales asignados al estímulo, y su latencia, que mide el tiempo de procesamiento. Por ejemplo, en aplicaciones médicas, estas ondas se han utilizado para estudiar el deterioro cognitivo en pacientes con enfermedades neurodegenerativas como el Alzheimer. A través de EEG, es posible identificar una latencia prolongada en la onda P300, lo cual sugiere dificultades en el procesamiento cognitivo (Bennett et al., 2018).
Asimismo, las tecnologías utilizadas en la detección de ondas P300 se fundamentan en sistemas EEG, los cuales emplean electrodos para registrar la actividad eléctrica cerebral. Estos dispositivos pueden operar junto con algoritmos de aprendizaje automático como Máquinas de Soporte Vectorial, (SVM, Support Vector Machines), para analizar patrones cerebrales. Por ejemplo, Shim et al. (2019) demostraron cómo las ondas P300 pueden ser utilizadas para diferenciar entre pacientes con Trastorno de Estrés Postraumático (PTSD, Post-Traumatic Stress Disorder) y aquellos con trastorno depresivo mayor, con tasas de precisión superiores al 70%.
Además, las aplicaciones prácticas de estas tecnologías incluyen sistemas de comunicación para personas con discapacidades motoras severas. Un caso ilustrativo son las interfaces cerebro-computadora, (BCI, Brain-Computer Interfaces), que utilizan señales P300 para que los usuarios seleccionen letras en una pantalla mediante el simple enfoque de su atención en estímulos visuales específicos. Este avance permite una comunicación efectiva sin necesidad de interacción física (Kübler & Birbaumer, 2008).
Así, el uso de tecnologías basadas en ondas P300 también ha sido explorado en la detección temprana de trastornos psiquiátricos. Por ejemplo, mediante la combinación de EEG, (Electroencephalogram), con algoritmos de aprendizaje profundo, es posible predecir el riesgo de esquizofrenia con niveles de precisión significativos, optimizando así la intervención clínica (Kim et al., 2020).
Adviértase pues, que la aplicación de tecnologías de Inteligencia Artificial y aprendizaje automático en la salud mental representa un avance significativo en el diagnóstico de trastornos como la depresión, el trastorno bipolar, la ansiedad y el PTSD, (Post-Traumatic Stress Disorder). Sin embargo, aún existen desafíos relacionados con la precisión, la generalización de los modelos y la implementación práctica de estas herramientas en entornos clínicos y cotidianos. Por lo tanto, es fundamental fomentar la investigación interdisciplinaria que integre tecnología, psicología y medicina, así como promover el desarrollo de dispositivos accesibles que puedan ser adoptados ampliamente. Esto permitirá no solo mejorar la calidad del diagnóstico, sino también ampliar el acceso a soluciones tecnológicas para el cuidado de la salud mental.
Diagnóstico de Trastornos del Desarrollo con AIoMT
El diagnóstico preciso de los trastornos del desarrollo y del comportamiento, especialmente en niños pequeños, es esencial para garantizar una intervención temprana que permita proporcionar el apoyo necesario para optimizar sus resultados a largo plazo. Este tema ha ganado atención en las investigaciones recientes, destacándose la creciente integración de la inteligencia artificial aplicada a los objetos médicos (AIoMT, Artificial Intelligence of Medical Things), en el diagnóstico de estas afecciones.
Autismo: Herramientas Basadas en Inteligencia Artificial
Uno de los trastornos del desarrollo más estudiados es el Trastorno del Espectro Autista, conocido como ASD (ASD, Autism Spectrum Disorder). Este trastorno, prevalente y complejo, plantea retos significativos para su diagnóstico. No obstante, un diagnóstico temprano puede facilitar la elaboración de planes de apoyo individualizados que mejoren la calidad de vida de las personas afectadas. En este sentido, diversos estudios han explorado el uso de la IAoMT para optimizar el proceso de diagnóstico. Por ejemplo, un estudio reciente implementó un sistema que utiliza aprendizaje automático para analizar videos caseros, extrayendo características específicas de comportamiento asociadas con el trastorno ASD. Entre los modelos probados, el modelo de máquinas de soporte vectorial, (SVM, Support Vector Machine), muestra el mejor desempeño, alcanzando una precisión del 91.79% y un AUROC de 0.946 (Nabil et al., 2021).
Asimismo, otras investigaciones han procesado información demográfica contenida en registros médicos electrónicos, (EHRs, Electronic Health Records), y respuestas a encuestas para diagnosticar el trastorno ASD en diferentes grupos de edad, desde niños pequeños hasta adultos. Los resultados demostraron que el modelo SVM, (Support Vector Machines) es muy efectivo, con precisiones que oscilaron entre el 95.87% y el 99.61%, dependiendo del grupo etario evaluado (Bala et al., 2022). Además, en estudios centrados en personas con diagnósticos superpuestos, como trastornos de ansiedad o trastorno de conducta, el modelo de bosque aleatorio, (RF, Random Forest), se desta por su sensibilidad, logrando valores entre 0.89 y 0.94 en los modelos probados (Schulte-Rüther et al., 2023).
Diagnóstico de la Dislexia: Innovaciones en Análisis de Movimientos Oculares
Otro trastorno del desarrollo relevante es la dislexia, una condición que afecta principalmente la capacidad de leer y que, en muchos casos, se asocia con dificultades en el habla y en la retención de información nueva. Con un diagnóstico temprano y un apoyo personalizado, las personas con dislexia pueden lograr un desempeño satisfactorio tanto en el ámbito escolar como en el laboral. Un estudio reciente registró movimientos oculares de los participantes durante tareas de lectura y otras pruebas visuales, procesando estas características mediante modelos de aprendizaje automático. La regresión lineal es la técnica más exitosa, identificando la dislexia con una precisión del 81.25% en pruebas basadas en lectura y movimientos oculares (El Hmimdi et al., 2021).
Identificación del ADHD con EEG y Algoritmos Predictivos
Entre los trastornos del comportamiento más comunes se encuentra el Trastorno por Déficit de Atención e Hiperactividad, conocido como ADHD (Attention-Deficit/Hyperactivity Disorder). Aunque ampliamente reconocido, este trastorno suele ser subdiagnosticado, particularmente en niñas y mujeres. Las personas con ADHD pueden experimentar síntomas como impulsividad, dificultades de aprendizaje, comportamiento de riesgo y, en casos no tratados, una mayor predisposición a desarrollar ansiedad y depresión. En un esfuerzo por mejorar el diagnóstico, estudios han empleado señales de electroencefalograma, (EEG, Electroencephalogram), como entrada para un modelo de SVM, (Support Vector Machines), logrando una precisión del 94.2% y un AUROC de 0.964 al diferenciar entre individuos con y sin ADHD (Maniruzzaman et al., 2022). De manera similar, en otras invesigaciones se utilizan segmentos de señales EEG crudas como entrada para modelos de aprendizaje automático, destacándose la memoria a largo y corto plazo, (LSTM, Long Short-Term Memory), que alcanza una precisión del 90.50% (Chang et al., 2022).
Cabe señalar entonces, que la aplicación de la IAoMT en el diagnóstico de trastornos del desarrollo y del comportamiento ofrece un potencial significativo para transformar el cuidado de la salud, particularmente en entornos con recursos limitados. Estas tecnologías no solo facilitan un diagnóstico más rápido y preciso, sino que también permiten personalizar los planes de intervención y tratamiento. Con el análisis hecho se plantea, que es fundamental continuar promoviendo la investigación en esta área, garantizando la inclusión de muestras diversas y estableciendo estándares éticos para el uso de la IA en el diagnóstico médico. Así, se podrá maximizar el impacto positivo de estas innovaciones tecnológicas en la vida de las personas afectadas por estos trastornos.
AIoMT: Hacia un Futuro Más Saludable y Tecnológico
El diagnóstico habilitado por la inteligencia artificial en el Internet de las Cosas Médicas (AIoMT) no es solo una promesa tecnológica, sino una realidad que está moldeando el presente y futuro del cuidado de la salud. Su capacidad para integrar datos en tiempo real, personalizar tratamientos y detectar enfermedades en etapas tempranas lo convierte en una herramienta esencial para enfrentar los retos médicos de la sociedad contemporánea. Desde la lucha contra enfermedades crónicas hasta la gestión eficiente de emergencias de salud pública, el AIoMT ya está dejando su huella en cada rincón de la medicina.
Te invitamos a continuar explorando y aprendiendo sobre estas tecnologías emergentes que, sin duda, serán pilares de los nuevos paradigmas médicos. Mantenerse actualizado en esta área no solo abre las puertas a oportunidades profesionales en un sector de rápido crecimiento, sino que también contribuye a comprender cómo podemos utilizar la tecnología para mejorar la calidad de vida de millones de personas. El AIoMT no es solo un avance médico, es una revolución que impactará profundamente en la sociedad del futuro. Conviértete en parte de este cambio, profundizando en este fascinante campo y contribuyendo a un sistema de salud más inteligente, inclusivo y efectivo.
El presente artículo ha sido orientado y fundamentado en las ideas expuestas en la publicación “Artificial Intelligence of Things for Smarter Healthcare: A Survey of Advancements, Challenges, and Opportunities”, de los autores Stephanie Baker y Wei Xiang, publicada en la revista IEEE Communications Surveys & Tutorials (Vol. 25, No. 2, Segundo Trimestre de 2023). Dicha publicación se encuentra disponible bajo una licencia Creative Commons Attribution 4.0 (CC BY 4.0), la cual permite el uso, distribución y adaptación del contenido siempre que se otorgue el crédito correspondiente a los autores originales y la fuente.
Este tipo de licencia es de gran importancia para la difusión del conocimiento académico y científico, ya que fomenta el acceso abierto y la colaboración global, permitiendo que investigadores, profesionales y el público en general aprovechen los avances presentados, los integren en nuevos trabajos y contribuyan al desarrollo continuo de sus respectivas áreas de estudio. Además, estas licencias promueven la transparencia, la reutilización ética del contenido y el avance compartido del conocimiento, siendo una herramienta fundamental para enfrentar desafíos complejos como los relacionados con la inteligencia artificial y el cuidado de la salud.
Referencias Bibliográficas
Abdulkareem, K. H., et al. (2021). Realizing an effective COVID-19 diagnosis system based on machine learning and IoT in smart hospital environment. IEEE Internet of Things Journal, 8(21), 15919–15928. https://doi.org/10.1109/JIOT.2021.3079193
Ahmed, R., Khan, A., & Yousaf, M. (2021). Development of an AIoMT system for bipolar disorder diagnosis using EEG signals. Journal of Mental Health Technology, 34(4), 567-578.
Bacha, S., & Taouali, O. (2022). A novel machine learning approach for breast cancer diagnosis. Measurement, 187, 110233. https://doi.org/10.1016/j.measurement.2021.110233
Bala, M., Ali, M. H., Satu, M. S., Hasan, K. F., & Moni, M. A. (2022). Efficient machine learning models for early stage detection of autism spectrum disorder. Algorithms, 15(5), 166.
Bennett, P. J., Sekuler, A. B., & Sekuler, R. (2018). Effects of aging on EEG-based biomarkers of cognitive functions. Neurobiology of Aging, 12(3), 101-112.
Brown, A., Smith, J., & Davis, R. (2022). Advances in Continuous Glucose Monitoring and AI Integration. Journal of Medical Innovations, 14(3), 234-248.
Chang, Y., Stevenson, C., Chen, I.-C., Lin, D.-S., & Ko, L.-W. (2022). Neurological state changes indicative of ADHD in children learned via EEG-based LSTM networks. Journal of Neural Engineering, 19, Article 16021.
Chen, L., Zhang, W., & Zhao, T. (2022). Hybrid CNN and SVM model for processing MRI images in Alzheimer’s disease diagnosis. Medical Imaging Advances, 29(3), 345-356.
Chen, X., Li, J., Wang, Z., & Zhang, Y. (2021). Intelligent systems in AIoMT for cancer diagnosis. Journal of Medical Imaging and Health Informatics, 11(5), 1125-1137.
Chen, Y., et al. (2021). Prostate cancer identification via photoacoustic spectroscopy and machine learning. Photoacoustics, 23, 100280. https://doi.org/10.1016/j.pacs.2020.100280
Das, D., et al. (2022). Field evaluation of the diagnostic performance of EasyScan GO: A digital malaria microscopy device based on machine-learning. Malaria Journal, 21(1), 122. https://doi.org/10.1186/s12936-022-04146-1
El Hmimdi, A. E., Ward, L. M., Palpanas, T., & Kapoula, Z. (2021). Predicting dyslexia and reading speed in adolescents from eye movements in reading and non-reading tasks: A machine learning approach. Brain Sciences, 11(10), 1337.
Elayan, H., Aloqaily, M., & Guizani, M. (2021). Digital twin for intelligent context-aware IoT healthcare systems. IEEE Internet of Things Journal, 8(23), 16749–16757. https://doi.org/10.1109/JIOT.2021.3089284
Elsevier. (2010). Utilidad de la resonancia magnética en el cáncer de próstata. Radiología, 52(6), 507-514.
ecancer. (2014). Técnicas fotoacústicas, ¿alternativa para detectar el cáncer de mama? ecancer medical science. Recuperado de https://ecancer.org
Garcia, M., Lee, H., & Kim, T. (2023). Intelligent Exoskeletons for Neurological Rehabilitation. Rehabilitation Science Journal, 9(1), 12-25.
Gonzalez, F., Ramirez, M., & Wu, H. (2021). Motion-based smartphone diagnostics for anxiety disorders. Digital Health and Behavior, 18(2), 123-134.
Hirten, R. P., et al. (2022). Evaluation of a machine learning approach utilizing wearable data for prediction of SARS-CoV-2 infection in healthcare workers. JAMIA Open, 5(2). https://doi.org/10.1093/jamiaopen/ooac041
Johnson, P., & Wang, Y. (2020). Deep Learning Applications in Cardiovascular Monitoring. Cardiology AI, 7(2), 88-102.
Kim, J., Lee, S., & Park, H. (2020). Application of deep learning in EEG analysis for early schizophrenia diagnosis. Neuroinformatics, 18(2), 213-229.
Kübler, A., & Birbaumer, N. (2008). Brain–computer interfaces for communication and control in paralysis. Nature Reviews Neurology, 4(2), 69–78.
Kumar, R., Sharma, N., & Gupta, S. (2021). AIoMT in mental health diagnostics: A multimodal approach using EEG, eye tracking, and skin conductance sensors. Journal of Medical Engineering & Technology.
Kumar, S., Patel, D., & Rao, N. (2021). Low-cost AIoMT system for diagnosing major depressive disorder. Neuroinformatics Journal, 22(6), 678-690.
Lahmiri, S., & Shmuel, A. (2019). Detection of Parkinson’s disease based on voice patterns ranking and optimized support vector machine. Biomedical Signal Processing and Control, 49, 427–433. https://doi.org/10.1016/j.bspc.2018.11.006
Lamba, R., Gulati, T., Alharbi, H. F., & Jain, A. (2021). A hybrid system for Parkinson’s disease diagnosis using machine learning techniques. International Journal of Speech Technology, 25, 583–593. https://doi.org/10.1007/s10772-021-09837-9
Lee, J., Park, H., & Kim, S. (2020). Using heart rate variability for distinguishing panic disorder from other anxiety disorders. Clinical Applications of AI, 15(5), 890-905.
Lee, S., Taylor, C., & Evans, D. (2021). AIoMT in Critical Care Management: A Multidimensional Approach. Critical Care Review, 18(4), 325-340.
Lin, P., Zhang, H., & Li, Y. (2022). Functional connectivity mapping using SVM in depression diagnosis. Frontiers in Neuroscience.
Lin, Q., Wang, Y., & Chen, Z. (2022). Functional connectivity brain maps for diagnosing depression. Neuroscience Research Advances, 41(1), 56-78.
Maniruzzaman, M., Shin, J., Hasan, M. A. M., & Yasumura, A. (2022). Efficient feature selection and machine learning-based ADHD detection using EEG signal. Computers, Materials & Continua, 72(3), 5179–5195.
Murugan, A., et al. (2021). Diagnosis of skin cancer using machine learning techniques. Microprocessors and Microsystems, 81, 103727. https://doi.org/10.1016/j.micpro.2020.103727
Nabil, M. A., Akram, A., & Fathalla, K. M. (2021). Applying machine learning on home videos for remote autism diagnosis: Further study and analysis. Health Informatics Journal, 27(1), Article 1460458221991882.
Padhy, S., Dash, S., Routray, S., Ahmad, S., Nazeer, J., & Alam, A. (2022). IoT-based hybrid ensemble machine learning model for efficient diabetes mellitus prediction. Computational Intelligence and Neuroscience, 2022, 2389636. https://doi.org/10.1155/2022/2389636
Polich, J. (2007). Updating P300: An integrative theory of P3a and P3b. Clinical Neurophysiology, 118(10), 2128–2148.
Rashed-Al-Mahfuz, M., et al. (2021). Clinically applicable machine learning approaches to identify attributes of chronic kidney disease (CKD) for use in low-cost diagnostic screening. IEEE Journal of Translational Engineering in Health and Medicine, 9, 1–11. https://doi.org/10.1109/JTEHM.2021.3076804
Schulte-Rüther, M., et al. (2023). Using machine learning to improve diagnostic assessment of ASD in the light of specific differential and co-occurring diagnoses. Journal of Child Psychology and Psychiatry, 64(1), 16–26.
Shim, M., Im, C. H., & Lee, S. H. (2019). Machine learning approach to predict PTSD using EEG signals. Journal of Affective Disorders, 250, 132–139.
Shim, M., Jin, M. J., Im, C.-H., & Lee, S.-H. (2019). Machine-learning-based classification between post-traumatic stress disorder and major depressive disorder using P300 features. NeuroImage: Clinical, 24, Article 102001.
Smith, J., Brown, P., & Green, R. (2020). EHR-based diagnostics for depression using random forest algorithms. Journal of Data-Driven Medicine, 27(8), 789-803.
Smith, J. D., Brown, A., & Taylor, C. (2020). Leveraging EHRs and medical imaging for depression diagnosis using Random Forest. International Journal of Medical Informatics.
Smith, R., Patel, V., & Liu, H. (2021). Real-Time Health Monitoring Through AIoMT. Medical IoT Journal, 5(2), 120-138.
Top Doctors. (s.f.). Biopsia y resonancia magnética en el cáncer de próstata. Recuperado de https://www.topdoctors.es
Zhang, X., Liu, J., & Huang, P. (2021). Predicting early onset of dementia using environmental motion sensors. Sensors and Healthcare, 19(10), 456-470.