Skip links
severity assesment with dermatology API

Creando una nueva escala de medición, los 5 pasos que cualquier científico debería seguir

Índice

    Las escalas de medición son los héroes olvidados de la practica dermatológica cotidiana. Odiados por muchos por el trabajo adicional que suponen, ayudan a entrenar el ojo clínico que tarde o temprano acaba sustituyéndoles.

    A pesar de ello, no se puede negar el crucial papel que juegan las escalas de medición en el desarrollo del campo, ya que son herramientas esenciales para aportar precisión, objetividad y fiabilidad a los ensayos clínicos.

    Sin embargo, en muchas ocasiones, la escala de medición es vista como una herramienta con un propósito concreto, y una vez un médico escoge su preferida para una patología concreta, es raro que esa elección sea reevaluada.

    Para comprender y usar mejor las herramientas a nuestra disposición, tenemos que empezar desde el principio…

    ¿Qué es una escala de medición dermatológica?

    En dermatología, una escala de medición es una metodología que permite que el medico determine la gravedad de una condición mediante la observación y cuantificación de parámetros objetivos como la rojez, el área afectada, el numero y densidad de las lesiones, entre otros.

    A través de este proyecto se ha conseguido crear por primera vez en la historia un sistema de inteligencia artificial que se encarga de este trabajo. Estamos muy satisfechos de los resultados que permitirán ensayos clínicos y diagnósticos más precisos.

    Dr. Ramón Grimalt

    El principal objetivo de una escala de medición es proporcionar una herramienta para recoger datos de forma precisa y consistente para evaluaciones rutinarias y ensayos clínicos.

    APASI, una escala de medición dermatológica
    APASI, una escala de medición dermatológica

    Aunque muchos médicos siguen utilizando versiones tradicionales de estas escalas de medición, los expertos más vanguardistas del mundo dermatológico defienden la digitalización y la automatización de la práctica médica, permitiendo más precisión, fiabilidad y objetividad en las medidas.

    ¿Cómo se crea una escala de medición?

    Paso 1: Identifica una necesidad

    En este vídeo, el Dr. Ramon Grimalt y Alfonso Medela, ambos coautores del sistema de puntuación ASCORAD, explican la necesidad que les impulsó a crear un nuevo sistema de puntuación para la dermatitis atópica.

    Incluso antes de empezar el proceso de desarrollo de una nueva escala de medición, los investigadores de Legit.Health se aseguran de que están cubriendo una necesidad existente. Mantenerse al día con el estado del arte en dermatología y bucear en la literatura pertinente es un paso clave que debe suceder antes de cualquier proyecto de investigación.

    En el caso de las escalas de medición, el Director de Inteligencia Artificial de Legit.Health, Alfonso Medela, tiene una perspectiva privilegiada sobre el proceso detrás de estas fases tempranas del desarrollo.

    «A menudo, para cada condición, puedes encontrar varias escalas de medición, cada una de las cuales van a tener distintas fortalezas y debilidades. Es al analizarlas cuando encontramos que parámetros son los más importantes para cada condición.»

    Alfonso Medela CAIO at Legit.Health

    ¿Quieres probar la inteligencia artificial por ti mismo?

    Seleccionando la muestra

    Como suele ser el caso en el campo de la ciencia médica, uno de los mayores problemas a solventar es la selección de una muestra óptima.

    Por norma general, cuantos más parámetros se pretendan incluir en la escala de medición, más imágenes van a tener que formar parte de la muestra. Pero por supuesto, cuantas más imágenes mejor.

    Una estrategia que puede seguirse en este tipo de estudio para optimizar al máximo el uso de la muestra es empezar a utilizar las imágenes gradualmente, buscando el momento en el que los resultados se estabilizan, decidiendo así la N de la primera mitad del experimento mientras lo realizas, sin llegar a quedarte corto o usando demasiadas imágenes.

    Paso 2: Construir un modelo

    Una vez se conocen todos los parámetros, los más relevantes son seleccionados y analizados, buscando la combinación más óptima de todos ellos. Un buen ejemplo de esto sería el ALEGI, la escala de medición de la gravedad del acné desarrollada por el equipo científico de Legit.Health

    En el caso del acné, la literatura sugería que aparte del número de lesiones (un parámetro muy conocido que aparece representado en todas las escalas de medición), la densidad de dichas lesiones también aparecía como una señal prominente de una condición grave.

    ¿Quieres probar la inteligencia artificial por ti mismo?

    Los parámetros seleccionados son entonces medidos e identificados en una selección de imágenes clínicas, tanto por un equipo de médicos especializados como por cualquier tecnología que se esté empleando para asistir en este proceso (como suele ser el caso con los algoritmos automáticos de Legit.Health), y esos valores serán comparados con aquellos de la escala de medición de referencia para esa misma muestra de imágenes.

    Esto permite a los investigadores correlacionar valores de metodologías previamente existentes con los nuevos parámetros.

    Paso 3: Optimizar el modelo

    Una vez los investigadores han definido todos los parámetros, es el momento de crear una ecuación que los combine todos para representar la gravedad de las distintas imágenes clínicas usadas en el estudio.

    Esto es conocido como un problema de optimización, un termino matemático que describe el proceso de encontrar la mejor solución posible a un problema específico: en este caso, como representar la gravedad de una condición.

    ¿Quieres probar la inteligencia artificial por ti mismo?

    Sin profundizar demasiado en la complejidad matemática de este proceso, se prueban diferentes combinaciones de operaciones en los parámetros: Sumándolos, restándolos, multiplicándolos o incluso elevándolos a diferentes factores para obtener un solo valor combinado que representa la gravedad de la condición.

    Después, los resultados de cada una de las ecuaciones propuestas para cada imagen de la muestra son comparadas con los resultados dados por las escalas de referencia, buscando la mejor correlación posible para las imágenes analizadas.

    Paso 4: Demostrar que funciona

    Un paso crucial en el desarrollo de una escala de medición es demostrar que esta funciona. Para hacer esto, el modelo tiene que ser puesto en práctica.

    El equipo de investigación de Legit.Health presenta el póster AIHS4
    El equipo de investigación de Legit.Health presenta el póster AIHS4

    Esto se hace con un subconjunto de imágenes clínicas que no hayan sido utilizadas para optimizar o entrenar el modelo en los pasos anteriores. Al fin y al cabo, la ecuación ha sido creada para analizar esos datos a la perfección, así que para demostrar que es capaz de hacer lo mismo con cualquier imagen de la condición, hay que evaluarla y compararla con imágenes nuevas.

    Poniéndolo en términos simples, nuestros investigadores trabajan codo con codo con especialistas para etiquetar las imágenes usando tanto la escala de medición de referencia como el modelo recién desarrollado y comparan los resultados para ver si el nuevo modelo funciona mejor que el original y mantiene correlación con él.

    Paso 5: Ponerlo en práctica en un entorno clínico

    Por último, el modelo es puesto en práctica en la vanguardia de la experimentación médica y se compara con los resultados obtenidos por dermatólogos cuando observan la misma afección en su práctica clínica.

    Captura de pantalla de un informe completo del sistema CADx. El gráfico en la parte superior derecha muestra la evolución de la urticaria, trazando las puntuaciones AUAS a lo largo del tiempo.
    Captura de pantalla de un informe completo del sistema CADx. El gráfico en la parte superior derecha muestra la evolución de la urticaria, trazando las puntuaciones AUAS a lo largo del tiempo.

    Este paso es clave para asegurar que el método puede utilizarse en la práctica rutinaria de la medicina, ya que una escala de medición precisa y fiable no es solo menos dada a cometer errores que el ojo clínico, sino que también necesita ser rápida, fácil de usar, y no saturar a los médicos con más trabajo.

    Por eso en Legit.Health unimos nuestras escalas de medición a algoritmos de análisis de imagen, para poner la velocidad y precisión de la inteligencia artificial en las manos de los médicos, ayudándoles así a ayudar a sus pacientes.

    Consigue acceso ahora

    Esta prueba gratuita de 23 días de Legit.Health otorga a las clínicas y hospitales una visión práctica de cómo impulsar una mayor adherencia y mejorar los resultados de los pacientes, así como mejorar la eficiencia y la calidad de vida.

    bloque blanco

    Estamos aquí para ayudar

    ¿Qué puedes esperar tras contactar con nosotros?

    • Demostración de la plataforma: Comprueba de primera mano como funciona la aplicación
    • Conoce la solución: descubre que funcionalidades dan respuesta a tus retos
    • Precios: escoge el plan que mejor se ajusta a tus necesidades.
    • Conecta con recursos útiles
    Creando una nueva escala de medición, los 5 pasos que cualquier científico debería seguir