Una prueba de COVID-19 con resultados en segundos: así es el proyecto con 95% de precisión desarrollado por estudiantes mexicanos

Ian Perrilliat García y Marco Antonio Gámez Guerrero son los creadores del Sistema Auxiliar para el Diagnóstico de COVID-19 Mediante Análisis de Imágenes de Radiografías Computarizadas Torácicas

Estudiantes de la Universidad de Lasalle, crearon un sistema de detección de Covid-19 (Foto: Cortesía Perrilliat García)
Estudiantes de la Universidad de Lasalle, crearon un sistema de detección de Covid-19 (Foto: Cortesía Perrilliat García)

Estudiantes de la Universidad de Lasalle crearon un sistema auxiliar para la detección del Covid-19 basados en sistemas de inteligencia artificial. Esta herramienta busca ayudar a la rápida detección de la enfermedad en cuestión de segundos, tener una precisión mayor y canalizar a mayores pacientes a una atención especializada.

Ian Perrilliat García y Marco Antonio Gámez Guerrero son los creadores del Sistema Auxiliar para el Diagnóstico de COVID-19 Mediante Análisis de Imágenes de Radiografías Computarizadas Torácicas (CR por sus siglas en inglés). Ambos estudiantes del noveno semestre de la carrera en Ingeniería Biomédica.

Iniciaron el proyecto durante el mes de marzo y abril a la par que el coronavirus empezó a afectar al país. Trabajaron de manera remota, cada uno desde su casa y su computadora diseñaron el sistema que los llevó a concursar en 43° Congreso Nacional de Ingeniería Biomédica.

La precisión de detección del sistema es del 95% certera entre cada imagen que analiza  (Foto: Cortesía Perrilliat García)
La precisión de detección del sistema es del 95% certera entre cada imagen que analiza (Foto: Cortesía Perrilliat García)

“Es un hecho que el estándar de oro es la PCR (Reacción en Cadena de la Polimersa) es la prueba más precisa que tenemos para detectar el Covid-19, sin embargo, su acceso es muy limitado, no toda la población tiene acceso y los resultados pueden tardar de 3 a 4 días, en cambio este sistema puede entregar los resultados en segundos”, afirmó Ian Perrilliat.

El sistema funciona mediante la recopilación de imágenes tomadas de Kaggle, una base de datos científicos validados donde sustrajeron mil 800 imágenes de las cuales 600 correspondían a personas sanas, 600 a pacientes diagnosticados con Covid-19 y 600 con neumonía.

“Nosotros tenemos un programa computacional y con base a lo que nosotros vamos alimentando a este programa puede detectar mayormente patrones característicos de cada patología”, señaló Marco Antonio, ya que el sistema funciona por algoritmos de repetición que analizan en las imágenes. “Entre más imágenes vea el sistema, mejor, la precisión también va a aumentar”.

El sistema buscará tener una mayor rapidez de resultados y practicidad a comparación de pruebas como la PCR o serológicas. EFE/Fabio Motta/Archivo
El sistema buscará tener una mayor rapidez de resultados y practicidad a comparación de pruebas como la PCR o serológicas. EFE/Fabio Motta/Archivo

La programación del sistema está basada en habilidades de inteligencia artificial para crear “redes neuronales” que almacenan la información, el programa aprende de las imágenes CR que analiza y guarda los datos para contrastarlos con futuras pruebas CR. La programación está sostenida en el lenguaje de programación Python.

La información empezó como un código de programación que daba resultados en el lenguaje Python, buscaron que los resultados sean más accesibles y fáciles de interpretar para lo usuarios que laboran en el campo de la medicina. Trabajaron en dos modelos de redes neuronales convolucionales para realizar las predicciones de los datos almacenados en las carpetas “pulmón sano”, “pulmón COVID” y “pulmón neumonía”.

Los resultados obtenidos fueron comparados con las clasificaciones de diagnósticos verdaderos de cada imagen, el diagnóstico final del sistema respondía a aquellas radiografías toráxicas CR que analizaba para detectar la presencia de SARS-Cov2 las respuestas obtenidas fueron: Verdaderos Positivos (TP), Verdaderos Negativos (TN), Falsos Positivos (FP) y Falsos Negativos (FN).

La radiografía de tórax de un paciente positivo de COVID-19 que muestra una neumonía en la parte inferior de los pulmones.
SALUD
RADIOLOGICAL SOCIETY OF NORTH AMERICA
La radiografía de tórax de un paciente positivo de COVID-19 que muestra una neumonía en la parte inferior de los pulmones. SALUD RADIOLOGICAL SOCIETY OF NORTH AMERICA

Con una precisión del 95% de detección, los estudiantes afirman que podrán reducir el tiempo de diagnóstico en las personas que recién contrajeron la enfermedad o en aquellas donde es un caso más avanzado. “Una vez que este sistema ya está entrenado es más fácil que cuando metas una imagen nueva pueda detectar de manera más rápida y precisa los patrones característicos de la enfermedad”, dijo Marco Gámez.

Incluso el programa podría detectar otro tipo de enfermedades que afecten a los pulmones, como algún tipo de neumonía, o cáncer. Entre más alimenten la base de datos mayores son las posibilidades de detección de enfermedades.

Una de sus proyecciones a futuro es que buscarán que su sistema pueda detectar la enfermedad antes de realizar algún otro tipo de estudio o prueba para la detección del Covid-19 sin sustituir las pruebas que ya existen. “Queremos que nuestro sistema pueda ser de apoyo para los médicos. Entre más pruebas tengamos para validar una patología o enfermedad es muchísimo mejor”, comentó Marco Gámez.

Los estudiantes creadores del proyecto buscarán su validación en hospitales en la Ciudad de México para trabajar con casos reales de Covid-19. EFE/Rapahel Alves/Archivo
Los estudiantes creadores del proyecto buscarán su validación en hospitales en la Ciudad de México para trabajar con casos reales de Covid-19. EFE/Rapahel Alves/Archivo

Uno de sus objetivos primordiales es poner a prueba su sistema con casos reales, llevar su tecnología a los hospitales COVID en la Ciudad de México para ayudar al rápido diagnóstico, y en una proyección mayor buscarán llegar a diferentes estados del país. Sin embargo, por la saturación de trabajo que tienen los hospitales no han podido realizar la prueba en campo. “Nos encontramos en un periodo de validación extensa y profunda que se ha visto retrasada por la ocupación de los médicos”, aclaró Ian Perrilliat.

Ambos estudiantes confirmaron que este paso es esencial para determinar si realmente funciona el sistema de la manera que ellos esperan, de lo contrario realizar los cambios pertinentes para llevar el proyecto a hospitales y clínicas. “Es un proyecto que está en una mejora continua, nuestro objetivo final sería poder llegar a los hospitales y que los médicos lo vean como una herramienta útil y práctica”,concluyó Ian Perrilliat.

MÁS SOBRE ESTE TEMA: