AxSí denuncia que haya colegios San Fernando pendientes aún del mantenimiento de las zonas verdes - San Fernando - Noticias, última hora, vídeos y fotos de San Fernando Ver
Utilizan el machine learning para mejorar el diagnóstico del Cushing canino
Imagen: North Nowra Veterinary.

Utilizan el machine learning para mejorar el diagnóstico del Cushing canino

Los investigadores del Royal Veterinary College han descubierto que los algoritmos de aprendizaje automático tienen potencial para mejorar el diagnóstico del síndrome de Cushing en perros
|

El síndrome de Cushing es una de las enfermedades endocrinas más comunes entre los perros. Se produce debido a un exceso crónico de glucocorticoides circulatorios. Los animales de más de nueve años, ciertas razas (Bichon Frise, Yorkshire Terrier y Jack Russell Terrier), así como las hembras, tienen mayor riesgo de desarrollar la enfermedad.


Además, los perros con síndrome de Cushing tienen un mayor riesgo de padecer otras enfermedades, como diabetes mellitus, hipertensión y pancreatitis, lo que hace que un diagnóstico rápido y preciso sea aún más importante.


Obtener un diagnóstico correcto y precoz del síndrome de Cushing es crucial para brindar el mejor tratamiento posible. Sin embargo, puede ser difícil establecer el diagnóstico, dado que los síntomas clínicos, como aumento del consumo de agua y la frecuencia de micción, aumento del apetito, abdomen distendido, debilidad muscular, caída del cabello, jadeo y letargo, no son específicos de la enfermedad.


En la práctica clínica, el diagnóstico se ha logrado mediante distintas técnicas de análisis de sangre. Sin embargo, este proceso puede llevar mucho tiempo, tener un gran costo para los propietarios y, en algunos casos, no proporciona resultados precisos.


Con el fin de abordar estos desafíos, se ha llevado a cabo un estudio sobre una población que incluyó a 905.544 perros que asistieron a varias clínicas veterinarias de Reino Unido, de los cuales se identificó que 10.141 tenían evidencias de sufrir síndrome de Cushing.


Finalmente, tras una selección manual de los candidatos, fueron evaluados 939 canes para la investigación y evaluación de la eficacia diagnóstica del síndrome de Cushing de la prueba.


Utilizando datos clínicos estructurados para observar la demografía de los perros, los signos clínicos en la presentación y los resultados de laboratorio, se aplicaron algoritmos de “machine-learning”, o aprendizaje automático, para emitir un diagnóstico del síndrome de Cushing.


Los perros sospechosos de tener síndrome de Cushing se incluyeron en el análisis y se clasificaron según el diagnóstico final informado en sus registros clínicos.


Los hallazgos indican que el diagnóstico asistido por “machine-learning” podría ayudar al veterinario clínico a la hora de abordar sus casos, y que la utilización de métodos de aprendizaje automático en la práctica clínica puede contribuir a mejorar el diagnóstico del síndrome de Cushing en perros.


Imogen Schofield, autora principal, comenta que “los algoritmos de aprendizaje automático, como los que se utilizan en este estudio, ya están ampliamente integrados en nuestra vida diaria para ayudar a tomar ciertas decisiones, como las recomendaciones de Google o Netflix. Ahora esta tecnología se puede aprovechar para ayudar a mejorar los diagnósticos en la práctica veterinaria.


OPORTUNIDADES DE LA TECNOLOGÍA PARA OTRAS ENFERMEDADES


Además, un mayor desarrollo de estos algoritmos podría conducir a diagnósticos más tempranos, más confiables y rentables y, por lo tanto, a una mejor atención clínica para los perros con síndrome de Cushing. Esto también podría crear oportunidades para que esta tecnología se aplique a otros problemas y procesos patológicos.


"Al adoptar el uso de métodos de aprendizaje automático, estamos un paso más cerca de proporcionar a los veterinarios en la práctica de atención primaria una prueba fácil de usar, de bajo costo y precisa que puede respaldar el proceso, a menudo frustrante, de diagnosticar el síndrome de Cushing en perros", explica Schofield.

Archivo

*}