Uso de cookies

En las páginas web de la Universidad Carlos III de Madrid utilizamos cookies propias y de terceros para mejorar nuestros servicios mediante el análisis de sus hábitos de navegación. Al continuar con la navegación, entendemos que se acepta nuestra política de cookies. "Normas de uso"

Noticias

  • Inicio
  • Noticias
  • Tecnologías
  • Desarrollan un método mediante deep learning para comprender cómo afecta el dolor crónico al cuerpo de cada paciente

Desarrollan un método mediante deep learning para comprender cómo afecta el dolor crónico al cuerpo de cada paciente

31/07/23

Un equipo de investigación de la Universidad Carlos III de Madrid (UC3M), junto al University College London de Reino Unido, ha llevado a cabo un estudio para analizar cómo afecta el dolor crónico al cuerpo de cada paciente. En este marco, se ha desarrollado un método mediante deep learning (aprendizaje profundo) que analiza los datos biométricos de las personas con dolencias crónicas.

Desarrollan un método mediante deep learning para comprender cómo afecta el dolor crónico al cuerpo de cada paciente
 

El análisis parte de la hipótesis de que las personas con dolor crónico de espalda baja presentan variaciones en sus datos biométricos en comparación con las personas sanas.  Estas variaciones están relacionadas con movimientos corporales o patrones de marcha y se cree que es debido a una respuesta adaptativa para evitar dolor o lesiones adicionales.

Sin embargo, las investigaciones que se han realizado hasta la fecha han encontrado dificultades para distinguir con precisión estas diferencias biométricas entre personas con o sin dolor.  Los factores han sido varios, como la escasez de datos relacionados con este aspecto, las particularidades de cada dolor crónico y la complejidad inherente en la medición de variables biométricas.

“Las personas con dolor crónico a menudo adaptan sus movimientos para protegerse de más dolor o lesiones. Esta adaptación dificulta que los métodos convencionales de análisis biométrico capturen con precisión los cambios fisiológicos. De ahí surge la necesidad de desarrollar este sistema”, señala el Doctor Mohammad Mahdi Dehshibi, investigador postdoctoral en el Laboratorio i_mBODY del Departamento de Informática de la UC3M, quien lideró este estudio.

La investigación realizada por la UC3M ha desarrollado un nuevo método que utiliza un tipo de deep learning denominado s-RNNs (redes neuronales recurrentes escasamente conectadas) en conjunto con GRU (unidades recurrentes cerradas), que son un tipo de unidad de red neuronal que se utiliza para modelar datos secuenciales. Con este desarrollo, el equipo ha conseguido capturar los cambios en los comportamientos corporales relacionados con el dolor a lo largo del tiempo. Además, supera los enfoques existentes en la clasificación precisa de los niveles de dolor y el comportamiento relacionado con el dolor.

La innovación del método propuesto ha consistido en aprovechar una arquitectura avanzada de aprendizaje profundo y añadir características adicionales para abordar las complejidades del modelado de datos secuenciales. El objetivo final es lograr resultados más robustos y precisos relacionados con el análisis de datos secuenciales. 

“Uno de los principales enfoques de investigación en nuestro laboratorio es la integración de técnicas de aprendizaje profundo para desarrollar medidas objetivas que mejoren nuestra comprensión de las percepciones corporales de las personas a través del análisis de datos de sensores corporales, sin depender exclusivamente de preguntas directas a los individuos”, refiere Ana Tajadura Jiménez, profesora del Departamento de Informática de la UC3M e investigadora principal del proyecto BODYinTRANSIT, quien lidera el Laboratorio i_mBODY.

El nuevo método desarrollado por el equipo investigador de la UC3M se ha probado con la base de datos EmoPain, que contiene datos sobre niveles de dolor y comportamientos relacionados con estos niveles."Este estudio también resalta la necesidad de contar con una base de datos de referencia dedicada a analizar la relación entre el dolor crónico y la biometría. Dicha base de datos podría ser utilizada para desarrollar aplicaciones en áreas como seguridad o atención médica", señala Mohammad Mahdi.

Los resultados de esta investigación tienen aplicación en el diseño de nuevas terapias médicas centradas en el cuerpo y en diferentes condiciones clínicas.  “En el ámbito sanitario, el método puede utilizarse para mejorar la medición y el tratamiento del dolor crónico en personas con dolencias como fibromialgia, artritis y dolor neuropático. Puede ayudar a controlar los comportamientos relacionados con el dolor y a adaptar los tratamientos para mejorar los resultados de los pacientes. Además, puede ser beneficioso para el seguimiento de las respuestas al dolor durante la recuperación posquirúrgica”, comenta Mohammad Mahdi. 

En este sentido, Ana Tajadura también señala la relevancia de esta investigación para otros procesos médicos: “Además del dolor crónico, se han observado patrones alterados de movimiento y percepciones negativas del cuerpo como en desórdenes alimenticios, accidente cardiovascular crónico o depresión, entre otras. Resulta sumamente interesante realizar estudios utilizando el método mencionado en estas poblaciones con el fin de comprender mejor las condiciones médicas y su impacto en el movimiento. Estos estudios podrían proporcionar información valiosa para el desarrollo de herramientas de detección y tratamientos más efectivos, y mejorar la calidad de vida de las personas afectadas por estas condiciones”.

Además de las aplicaciones para la salud, los resultados de este proyecto pueden servir para el diseño de aplicaciones deportivas, realidad virtual, robótica o moda y arte, entre otras.

Esta investigación está realizada dentro del marco del proyecto BODYinTRANSIT, liderado por Ana Tajadura Jiménez y financiado por el Consejo Europeo de Investigación (ERC) en el marco del programa de investigación e innovación Horizonte 2020 de la Unión Europea (GA 101002711).