Protección de la salud materna en Ruanda | Noticias del MIT



El mundo se enfrenta a una crisis de salud materna. Según la Organización Mundial de la Salud, alrededor de 810 mujeres mueren cada día por causas prevenibles relacionadas con el embarazo y el parto. Dos tercios de estas muertes ocurren en el África subsahariana. En Ruanda, una de las principales causas de muerte materna son las heridas de cesárea infectadas.

Un equipo interdisciplinario de médicos e investigadores del MIT, la Universidad de Harvard y Partners in Health (PIH) en Ruanda han encontrado una solución para abordar este problema. Han desarrollado una plataforma de salud móvil (mHealth) que utiliza inteligencia artificial y visión artificial en tiempo real para predecir infecciones en heridas de cesárea con una precisión de alrededor del 90 %.

«La detección temprana de infecciones es un problema importante en todo el mundo, pero en áreas de bajos recursos como las zonas rurales de Ruanda, el problema es aún más grave debido a la falta de médicos calificados y la alta prevalencia de infecciones bacterianas resistentes a los antibióticos», dice Richard Ribon. Fletcher ’89, SM ’97, PhD ’02, investigador de ingeniería mecánica en el MIT y líder tecnológico del equipo. «Nuestra idea era utilizar teléfonos móviles que pudieran utilizar los trabajadores sanitarios de la comunidad para visitar a las nuevas madres en sus hogares e inspeccionar sus heridas en busca de infecciones».

Este verano, el equipo, dirigido por la profesora de la Escuela de Medicina de Harvard, Bethany Hedt-Gauthier, recibió el premio mayor de $500,000 del NIH Technology Accelerator Challenge for Maternal Health.

«Las vidas de las mujeres que dan a luz por cesárea en los países en desarrollo se ven comprometidas tanto por el acceso limitado a una cirugía de calidad como por la atención posparto», agrega Fredrick Kateera, miembro del equipo de PIH. «El uso de tecnologías de salud móviles para la identificación temprana y el diagnóstico plausiblemente preciso de personas con infecciones en el sitio quirúrgico dentro de estas comunidades sería un cambio de juego evolutivo en la optimización de la salud de las mujeres».

Algoritmos de entrenamiento para detectar infecciones

El nacimiento del proyecto es el resultado de varios encuentros fortuitos. En 2017, Fletcher y Hedt-Gauthier se cruzaron en el Metro de Washington en una reunión de investigadores del NIH. Hedt-Gauthier, que en ese momento llevaba cinco años trabajando en proyectos de investigación en Ruanda, buscaba una solución al problema de la cesárea que ella y sus colaboradores habían encontrado en su investigación. Específicamente, quería explorar el uso de cámaras de teléfonos celulares como herramienta de diagnóstico.

Fletcher, quien lidera un grupo de estudiantes en el laboratorio AutoID del profesor Sanjay Sarma y ha pasado décadas aplicando teléfonos, algoritmos de aprendizaje automático y otras tecnologías móviles a la salud global, era un candidato natural para el proyecto.

«Una vez que nos dimos cuenta de que este tipo de algoritmos basados ​​en imágenes podrían apoyar la atención domiciliaria de las mujeres después de un parto por cesárea, nos acercamos al Dr. Fletcher como colaborador, dada su amplia experiencia en el desarrollo de tecnologías de salud móvil en entornos de ingresos bajos y medios». dice Hedt-Gauthier.

Durante ese mismo viaje, Hedt-Gauthier se sentó junto a Audace Nakeshimana ’20, quien era un nuevo estudiante del MIT de Ruanda y luego se uniría al equipo de Fletcher en el MIT. Con la tutoría de Fletcher, en su último año, Nakeshimana fundó Insightiv, una startup ruandesa que aplica algoritmos de inteligencia artificial para el análisis de imágenes clínicas, y fue uno de los principales ganadores en la competencia anual IDEAS del MIT en 2020.

El primer paso del proyecto fue compilar una base de datos de imágenes de heridas tomadas por trabajadores de salud comunitarios en áreas rurales de Ruanda. Recolectaron más de 1,000 imágenes de heridas infectadas y no infectadas y luego entrenaron un algoritmo usando esos datos.

Surgió un problema central con este primer conjunto de datos, recopilados entre 2018 y 2019. Muchas fotografías eran de mala calidad.

“La calidad de las imágenes de heridas recopiladas por los trabajadores de la salud era muy variable y se requería mucho trabajo manual para recortar y volver a muestrear las imágenes. Dado que estas imágenes se utilizan para entrenar el modelo de aprendizaje automático, la calidad y la variabilidad de la imagen limitan fundamentalmente el rendimiento del algoritmo”, dice Fletcher.

Para resolver este problema, Fletcher recurrió a herramientas que había utilizado en proyectos anteriores: visión artificial en tiempo real y realidad aumentada.

Calidad de imagen mejorada con procesamiento de imágenes en tiempo real

Para alentar a los trabajadores de la salud de la comunidad a tomar imágenes de mayor calidad, Fletcher y el equipo revisaron la aplicación móvil de detección de heridas y la combinaron con un marco de papel simple. El marco contenía un patrón de color de calibración impreso y otro patrón óptico que guía el software de visión artificial de la aplicación.

Los trabajadores de la salud son responsables de colocar el marco sobre la herida y abrir la aplicación, que brinda información en tiempo real sobre la ubicación de la cámara. La aplicación utiliza la realidad aumentada para mostrar una marca verde cuando el teléfono está en el rango correcto. Una vez dentro del alcance, otras partes del software de visión artificial equilibrarán automáticamente el color, recortarán la imagen y aplicarán transformaciones para corregir el paralaje.

«Al utilizar la visión por computadora en tiempo real en el momento de la recopilación de datos, podemos generar imágenes bellas, nítidas, uniformes y con balance de color que luego se pueden usar para entrenar nuestros modelos de aprendizaje automático, sin la necesidad de limpiar manualmente el datos o posprocesamiento”, dice Fletcher.

Utilizando modelos de aprendizaje automático de redes neuronales convolucionales (CNN), junto con un método llamado aprendizaje de transferencia, el software pudo predecir con éxito la infección en heridas de cesárea con una precisión de aproximadamente el 90 % dentro de los 10 días posteriores al parto. Las mujeres que se predice que tendrán una infección a través de la aplicación son enviadas a una clínica donde pueden someterse a pruebas bacterianas de diagnóstico y se les recetan antibióticos para salvar vidas si es necesario.

La aplicación ha sido bien recibida por mujeres y trabajadores comunitarios de la salud en Ruanda.

“La confianza que las mujeres tienen en los trabajadores de la salud comunitarios, que fueron grandes promotores de la aplicación, hizo que la herramienta mHealth fuera aceptada por las mujeres de las zonas rurales”, agrega Anne Niyigena de PIH.

Uso de imágenes térmicas para abordar los sesgos algorítmicos

Uno de los mayores obstáculos para escalar esta tecnología basada en IA a una audiencia más global es el sesgo algorítmico. Cuando se entrena en una población relativamente homogénea, como la de las zonas rurales de Ruanda, el algoritmo funciona como se esperaba y puede predecir con éxito la infección. Pero cuando se introducen imágenes de pacientes con diferentes colores de piel, el algoritmo es menos eficiente.

Para resolver este problema, Fletcher utilizó imágenes térmicas. Los módulos de cámara térmica simples, diseñados para conectarse a un teléfono celular, cuestan alrededor de $ 200 y se pueden usar para capturar imágenes infrarrojas de heridas. Luego, los algoritmos se pueden entrenar utilizando los patrones de calor de las imágenes de heridas infrarrojas para predecir la infección. Un estudio publicado el año pasado mostró una precisión de predicción superior al 90% cuando estas imágenes térmicas se combinaron con el algoritmo CNN de la aplicación.

Aunque es más costoso que simplemente usar la cámara del teléfono, el enfoque de imágenes térmicas podría usarse para adaptar la tecnología mHealth del equipo a una población global más diversa.

“Le damos dos opciones al personal de salud: en una población homogénea, como la rural Ruanda, pueden usar la cámara de su teléfono estándar, usando el modelo que ha sido entrenado con datos de la población local. De lo contrario, pueden usar el modelo más general que requiere que se conecte la cámara térmica”, dice Fletcher.

Si bien la generación actual de la aplicación móvil utiliza un algoritmo basado en la nube para ejecutar el modelo de predicción de infecciones, el equipo está trabajando actualmente en una aplicación móvil independiente que no requiere acceso a Internet y que también revisa todos los aspectos de la salud materna, desde el embarazo hasta el posparto. .

Además de desarrollar la biblioteca de imágenes de heridas que se utilizan en los algoritmos, Fletcher trabaja en estrecha colaboración con el exalumno Nakeshimana y su equipo de Insightiv en el desarrollo de aplicaciones y el uso de teléfonos Android fabricados localmente en Ruanda. Luego, PIH realizará pruebas de usuario y validación de campo en Ruanda.

A medida que el equipo busca desarrollar la aplicación integral de salud materna, la privacidad y la protección de datos son una prioridad máxima.

“A medida que desarrollamos y refinamos estas herramientas, se debe prestar especial atención a la privacidad de los datos de los pacientes. Se deben incorporar más detalles sobre la seguridad de los datos para que la herramienta llene los vacíos que debe llenar y maximice la confianza del usuario, lo que eventualmente impulsará su adopción más amplia”, dice Niyigena.

Los miembros del equipo ganador incluyen: Bethany Hedt-Gauthier de la Escuela de Medicina de Harvard; Richard Fletcher del MIT; Robert Riviello del Brigham and Women’s Hospital; Adeline Boatin del Hospital General de Massachusetts; Anne Niyigena, Frederick Kateera, Laban Bikorimana y Vincent Cubaka de PIH en Ruanda; y Audace Nakeshimana ’20, fundador de Insightiv.ai.

Deja un comentario