26
Athenea Journal
Vol.5, Issue 17, (pp. 26-34)
ISSN-e: 2737-6419
Vázquez-Lebrón N. et al. Uso de la inteligencia artificial en la clasificación médica de pacientes hemipléjicos
https://doi.org/10.47460/athenea.v5i17.80
Tipo de artículo: artículo de investigación
Uso de la inteligencia artificial en la clasificación médica de
pacientes hemipléjicos
Correspondence author: vazquez_131431@students.pupr.edu
Received (15/12/2023), Accepted (6/07/2024)
Resumen: Este estudio explora un sistema de redes neuronales basado en aprendizaje automático que
utiliza MATLAB para clasificar la hemiplejia, una enfermedad que causa parálisis en un lado del cuerpo. Se
desarrolló un algoritmo para categorizar a los pacientes en cuatro tipos de hemiplejia establecidos. Se
utilizaron técnicas como el Análisis de Componentes Principales (PCA) y los Mapas Autoorganizados (SOM)
para la reducción de la dimensionalidad y la agrupación de datos, mientras que una Red Neuronal
Convolucional (CNN) refinó la clasificación. El algoritmo identificó distintos subgrupos dentro de las
categorías, lo que indica una estructura de datos más compleja. A pesar de los resultados prometedores
para ayudar al diagnóstico clínico, es necesaria la exploración de estas subcategorías con mayor
profundidad.
Palabras clave: inteligencia artificial, hemiplejia, estudios clínicos, SOM, tratamiento médico.
Use of artificial intelligence in medical classification for hemiplegic patients
Abstract. - This study explores a machine learning-based neural network system that uses MATLAB to
classify hemiplegia, a disease that causes paralysis on one side of the body. An algorithm was developed to
categorize patients into four established types of hemiplegia. Techniques such as Principal Component
Analysis (PCA) and Self-Organizing Maps (SOMs) were used for dimensionality reduction and data
clustering, while a Convolutional Neural Network (CNN) refined the classification. The algorithm identified
distinct subgroups within the categories, indicating a more complex data structure. Despite promising
results to aid clinical diagnosis, further exploration of these subcategories is needed.
Keywords: artificial intelligence, hemiplegia, clinical studies, SOM, medical treatment.
Natalia P. Vázquez-Lebrón
https://orcid.org/0009-0002-5091-4655
vazquez_131431@students.pupr.edu
Biomedical Engineering Department
Politechnic University of Puerto Rico
Puerto Rico, Estados Unidos
Juan Valera-Marquez
https://orcid.org/0009-0009-6470-6049
jvalera@pupr.edu
Biomedical Engineering Department
Politechnic University of Puerto Rico
Puerto Rico, Estados Unidos
27
Athenea Journal
Vol.5, Issue 17, (pp. 26-34)
ISSN-e: 2737-6419
Vázquez-Lebrón N. et al. Uso de la inteligencia artificial en la clasificación médica de pacientes hemipléjicos
I. INTRODUCCIÓN
La hemiplejía, se caracteriza por la parálisis de un lado del cuerpo y puede ser temporal o permanente
dependiendo de su gravedad. Este trastorno afecta principalmente a personas que han sufrido accidentes
cerebrovasculares, lesiones traumáticas en el cerebro o la médula espinal, o lesiones en la infancia
temprana. Los pacientes con hemiplejía enfrentan desafíos significativos en su movilidad y calidad de vida,
y su tratamiento adecuado depende de un diagnóstico preciso que clasifique correctamente el tipo de
hemiplejía que presentan. La clasificación médica de este trastorno se realiza en cuatro categorías
principales (Tipo I, II, III y IV), cada una con implicaciones terapéuticas distintas. El diagnóstico erróneo de
la hemiplejía es un problema serio que afecta a una cantidad considerable de pacientes. Según estudios
recientes, se estima que más del 20% de los casos de hemiplejía son diagnosticados erróneamente y hasta
el 66% de los diagnósticos iniciales son incorrectos. Estas cifras reflejan la necesidad urgente de mejorar los
métodos de diagnóstico, ya que un error en la identificación del tipo de hemiplejía puede llevar a
tratamientos inadecuados o incluso a la falta de intervención oportuna, lo que impacta negativamente en
la recuperación del paciente. La inteligencia artificial (IA) se ha convertido en una herramienta prometedora
para abordar los desafíos del diagnóstico en diversas disciplinas médicas, incluida la hemiplejía. Al entrenar
algoritmos con datos de casos reales y utilizando métodos de aprendizaje supervisado y no supervisado,
se puede aumentar la precisión en la clasificación de este trastorno neurológico. Los patrones de
movimiento y las imágenes de diagnóstico pueden ser analizados en profundidad por los sistemas de IA,
ofreciendo a los especialistas en salud una visión más detallada y precisa de cada caso.
En este estudio, se exploran las capacidades de la IA para mejorar el diagnóstico de hemiplejía mediante la
clasificación automatizada en las cuatro categorías principales. Esta investigación se enfoca en la utilización
de algoritmos de aprendizaje supervisado, que permiten al sistema identificar correctamente los patrones
de hemiplejía al comparar datos previamente etiquetados, y de aprendizaje no supervisado, donde el
sistema detecta por sí mismo nuevos patrones sin intervención humana directa. Ambos enfoques han
mostrado resultados prometedores en la clasificación de otros trastornos neurológicos, lo que justifica su
aplicación en este contexto. Además, la implementación de IA en el diagnóstico de hemiplejía podría tener
un impacto significativo en regiones con acceso limitado a especialistas. En áreas rurales o en países en
desarrollo, donde la infraestructura médica es insuficiente, la posibilidad de contar con sistemas de
diagnóstico basados en IA podría mejorar notablemente los resultados clínicos. Con herramientas
automatizadas que ayuden a realizar diagnósticos más precisos, los profesionales de la salud locales
podrían brindar un tratamiento más efectivo y oportuno, disminuyendo la necesidad de referir a los
pacientes a centros especializados. La mejora de los métodos de diagnóstico de la hemiplejía mediante la
inteligencia artificial no solo tiene el potencial de reducir la tasa de diagnósticos erróneos, sino también de
transformar la forma en que se trata a los pacientes en todo el mundo. Este estudio busca contribuir a ese
avance, ofreciendo nuevas perspectivas para la clasificación precisa de la hemiplejía y resaltando la
importancia de la IA en el campo de la medicina moderna.
II. DESARROLLO
Algunas investigaciones proponen el uso de indicadores difusos, que son variables y no presentan límites
estrictos, para analizar el comportamiento cinético de las articulaciones del tobillo y la rodilla durante la
marcha [1]. Además, mediante la combinación de estas herramientas, se establece una clasificación más
precisa y comprensible de los tipos de marcha espástica, lo que puede ser de gran utilidad para mejorar la
toma de decisiones clínicas y optimizar los planes de rehabilitación.
28
Athenea Journal
Vol.5, Issue 17, (pp. 26-34)
ISSN-e: 2737-6419
Vázquez-Lebrón N. et al. Uso de la inteligencia artificial en la clasificación médica de pacientes hemipléjicos
El uso de indicadores difusos en este análisis cinético es relevante porque permite manejar la naturaleza
variable y no lineal de las características del movimiento en pacientes con hemiplejía espástica. A diferencia
de los métodos tradicionales de análisis, esta técnica no se limita a definir categorías rígidas, sino que
trabaja con rangos de variabilidad, lo que facilita la identificación de patrones únicos en la marcha de cada
paciente. Además, la implementación del diagrama de flujo contribuye a una mejor visualización de los
resultados y a una mayor facilidad en la interpretación de los datos, haciendo que los hallazgos sean más
accesibles para los profesionales de la salud. Este enfoque innovador subraya la importancia de integrar
técnicas avanzadas de análisis cinético en el tratamiento y la rehabilitación de pacientes con hemiplejía,
ofreciendo una herramienta potencial para personalizar los enfoques terapéuticos y mejorar los resultados
clínicos.
Otros autores, destacan la importancia de la tecnología en la rehabilitación de pacientes con hemiplejía [2].
El uso de dispositivos robóticos en la rehabilitación proporciona una terapia controlada y repetitiva,
fundamental para promover la neuroplasticidad y mejorar la funcionalidad del miembro inferior afectado.
Estos dispositivos permiten personalizar los ejercicios según las necesidades y capacidades de cada
paciente, ofreciendo un entrenamiento intensivo que es difícil de lograr con la rehabilitación tradicional.
Además, el uso del entrenamiento robótico no solo mejora la fuerza y el rango de movimiento, sino que
también puede ayudar a reducir el tiempo de recuperación al proporcionar un apoyo continuo y preciso en
el control del movimiento. Este enfoque tiene el potencial de mejorar significativamente la calidad de vida
de los pacientes hemipléjicos, ayudándolos a recuperar una mayor independencia funcional en su vida
diaria. Autores como Padilla [3], incorporaron indicadores difusos para capturar la naturaleza imprecisa y
variable del movimiento en las articulaciones clave durante la marcha, permitiendo una mayor flexibilidad
en la clasificación de los patrones de marcha. Este método difuso es particularmente útil en la evaluación
de la hemiplejía, donde las características del movimiento no siempre siguen un patrón rígido, sino que
varían en función del grado de espasticidad y control motor residual de cada paciente. El análisis de los
datos cinemáticos de estas tres articulaciones críticas permite identificar sutiles diferencias entre los tipos
de marcha hemipléjica, lo que facilita una clasificación más precisa y personalizada. Este enfoque no solo
contribuye a una mejor comprensión de las dificultades de locomoción en estos pacientes, sino que también
abre la puerta a tratamientos y rehabilitaciones más específicas, ajustadas a las particularidades cinemáticas
de cada individuo.
La lógica difusa, a diferencia de los sistemas de clasificación tradicionales que dependen de categorías
discretas, permite manejar la incertidumbre inherente a los movimientos irregulares y los grados variables
de disfunción motora que son característicos en la marcha de los pacientes hemipléjicos [4]-[6]. Esta
flexibilidad en la clasificación es esencial, ya que la marcha hemipléjica no sigue un patrón uniforme y puede
fluctuar según la gravedad de la espasticidad, el equilibrio y el control muscular. Al aplicar este sistema, es
posible personalizar la evaluación clínica y adaptar los programas de rehabilitación a las necesidades
específicas de cada paciente, mejorando la capacidad de los profesionales de la salud para tomar decisiones
informadas sobre el tratamiento y seguimiento. Además, el uso de lógica difusa en la clasificación de la
marcha subraya su potencial para mejorar el diagnóstico y la intervención temprana en diversas afecciones
neurológicas relacionadas con la movilidad.
Otras investigaciones [6], proponen una innovadora aplicación de las máquinas de vectores de soporte
(SVM) para clasificar la hemiplejía espástica, lo que marca un avance en el uso de herramientas de
aprendizaje automático en la rehabilitación médica. Las SVM son modelos supervisados que encuentran un
hiperplano óptimo para separar las diferentes clases de datos, lo que es particularmente útil en la
clasificación de patrones complejos como los que se observan en pacientes con hemiplejía espástica. Al
aplicar esta técnica, el estudio logra identificar con precisión las diferencias entre los diversos grados de
espasticidad y disfunción motora, lo que facilita la creación de subgrupos más detallados dentro del
diagnóstico de hemiplejía espástica.
29
Athenea Journal
Vol.5, Issue 17, (pp. 26-34)
ISSN-e: 2737-6419
Vázquez-Lebrón N. et al. Uso de la inteligencia artificial en la clasificación médica de pacientes hemipléjicos
Este enfoque no solo mejora la precisión en la clasificación, sino que también permite un análisis más
objetivo y reproducible en comparación con los métodos clínicos tradicionales. El uso de SVM en este
contexto subraya su potencial para optimizar los procesos de diagnóstico y tratamiento, ofreciendo un
enfoque más eficiente y basado en datos para adaptar las intervenciones terapéuticas según las necesidades
específicas de cada paciente.
III. METODOLOGÍA
En este trabajo se realizó un proceso metodológico dividido en tres etapas principales para el desarrollo de
un modelo basado en un sistema neuronal, utilizando MATLAB como herramienta de implementación.
Etapa 1: Investigación y Recopilación de Datos
Esta primera fase es fundamental para asegurar que los datos necesarios sean recolectados y preparados
adecuadamente antes de entrenar el sistema neuronal. Comprende los siguientes pasos:
1. Recolección de datos: Implicó la obtención de datos relevantes para el estudio. Estos datos pueden
ser clínicos, imágenes o cualquier otro tipo de información que permitió entrenar el modelo
neuronal. En el contexto de la hemiplejía, los datos incluyeron patrones de movimiento y resultados
de resonancias magnéticas.
2. Consideraciones éticas: Resultó esencial asegurar que el estudio cumplía con los estándares éticos,
especialmente cuando se trata de datos sensibles de pacientes. Esto incluyó garantizar el
consentimiento informado, la confidencialidad de la información y el uso adecuado de los datos.
3. Diseño de la investigación: Esta etapa implicó definir el marco metodológico del estudio, es decir,
cómo se estructuró el experimento, cuáles serán las variables clave y cómo se medirá el éxito del
modelo.
4. Preprocesamiento de datos: Aquí, los datos crudos se limpiaron y transforman para que pudieran
ser utilizados por el modelo neuronal. El preprocesamiento incluyó tareas como la normalización
de los datos, el manejo de datos faltantes y la eliminación de ruido.
5. Selección de características: Este paso final de la primera fase implicó elegir las variables o
características más relevantes que se incluyeron en el modelo. La selección adecuada de
características fue crucial para asegurar que el modelo pudiera realizar predicciones precisas.
Etapa 2: Diseño y Entrenamiento del Sistema Neuronal
Una vez que los datos han sido preparados y procesados, se procedió al diseño y entrenamiento del modelo
neuronal. Esta fase se dividió en dos partes:
1. Diseño del sistema neuronal: En esta etapa se definió la arquitectura del sistema neuronal. Se
decidió la cantidad de capas, neuronas en cada capa, el tipo de funciones de activación y otros
aspectos técnicos que influyeron en la capacidad del modelo para aprender a partir de los datos.
2. Entrenamiento del modelo: Con el diseño del sistema neuronal completado, se procedió al
entrenamiento del modelo. El modelo aprendió a identificar patrones en los datos a través de
múltiples iteraciones, ajustando los pesos internos para mejorar su capacidad de predicción.
30
Athenea Journal
Vol.5, Issue 17, (pp. 26-34)
ISSN-e: 2737-6419
Vázquez-Lebrón N. et al. Uso de la inteligencia artificial en la clasificación médica de pacientes hemipléjicos
Etapa 3: Pruebas e Interpretación
Una vez entrenado el modelo, se sometió a una serie de pruebas para validar su eficacia y asegurar que los
resultados sean interpretables. Esta fase incluyó los siguientes pasos:
1. Validación y pruebas del modelo: El modelo fue evaluado con datos de prueba que no fueron
utilizados durante el entrenamiento. Esto permitió medir la precisión del modelo y asegurarse de
que no se ha sobre ajustado a los datos de entrenamiento. Se utilizaron métricas como la exactitud,
precisión, sensibilidad, y el área bajo la curva ROC para evaluar el rendimiento.
2. Interpretación de resultados: En esta etapa se analizaron los resultados obtenidos para identificar
qué tan bien el modelo ha clasificado los datos y si se ajusta a las expectativas del diseño inicial.
Además, se evaluaron los resultados en el contexto de su aplicabilidad clínica, en este caso, en la
clasificación de hemiplejía.
3. Documentación y reporte: Finalmente, los resultados y el proceso son documentados
adecuadamente para su reporte. Esto incluyó la presentación de los hallazgos de manera clara y
comprensible, lo que permitió replicar el estudio y validar los resultados por otros investigadores.
Resumen de herramientas utilizadas
El modelo final fue desarrollado y entrenado utilizando el lenguaje y entorno de programación MATLAB.
Esta es una herramienta ampliamente utilizada en investigación para el desarrollo de sistemas neuronales
y análisis de datos, gracias a sus bibliotecas especializadas y capacidades avanzadas de procesamiento de
datos. Este flujo metodológico asegura que se sigan todas las etapas necesarias, desde la preparación de
los datos hasta la interpretación final de los resultados, para desarrollar un modelo neuronal robusto y
eficaz en la clasificación de hemiplejía u otros trastornos neurológicos.
IV. RESULTADOS
A. El algoritmo
El algoritmo desarrollado se describe en la figura 1, donde se observa que los datos clasificados del SOM,
son la entrada a la red neuronal. Esta última es una red convolucional.
Fig. 1. Algoritmo de clasificación.
1. Recopilar y preprocesar los datos con 612
características.
2. Aplicar Análisis de Componentes Principales (PCA)
para reducir las características a 20 componentes
principales.
3. Entrenar un Mapa Autoorganizado (SOM) para
identificar patrones y clústeres en los datos.
4. Utilizar los grupos obtenidos como entrada para una
red neuronal.
5. Entrenar la red neuronal para clasificar los tipos de
hemiplejía y los grupos de control.
6. Evaluar el rendimiento utilizando una matriz de
confusión y gráficas de precisión.
7. Interpretar los resultados, incluyendo la
identificación de subgrupos no reconocidos
previamente.
8. Validar el modelo como herramienta diagnóstica
para clínicos.
Algoritmo de clasificación
31
Athenea Journal
Vol.5, Issue 17, (pp. 26-34)
ISSN-e: 2737-6419
Vázquez-Lebrón N. et al. Uso de la inteligencia artificial en la clasificación médica de pacientes hemipléjicos
Por otro lado, la clasificación estuvo compuesta de un ajuste dimensional, permitiendo un ajuste por grupos
y por tipos (figura 2). El SOM permite además una redimensión de los múltiples factores que se presentan
en el estudio.
Fig. 2. Esquema de funcionamiento del algoritmo.
El algoritmo desarrollado clasificó eficazmente los diferentes tipos de hemiplejía utilizando técnicas
avanzadas de reducción de dimensionalidad y agrupamiento (figura 3). Inicialmente, el conjunto de datos,
que contenía 612 características, se redujo a 20 componentes principales mediante Análisis de
Componentes Principales (PCA), lo que facilitó un procesamiento más eficiente y destacó patrones clave.
Posteriormente, un Mapa Autoorganizado (SOM) identificó distintos grupos o clústeres, mientras que la red
neuronal logró una alta precisión en la clasificación, diferenciando exitosamente entre los grupos de control
y los subtipos de hemiplejía, incluyendo el descubrimiento de subgrupos previamente no reconocidos. A
pesar de las limitaciones de tiempo, el rendimiento del modelo, evidenciado por la matriz de confusión y
las gráficas de precisión, demostró su potencial como una herramienta diagnóstica valiosa para los clínicos.
Fig. 3. Resultados del entrenamiento y validación
El SOM se entrena con datos de
pacientes que presentan diversas
características asociadas a la
hemiplejía, como pruebas clínicas,
evaluaciones de movilidad,
imágenes médicas, datos
biométricos, entre otros.
El SOM
identifica
patrones
comunes entre
pacientes
La hemiplejía tiene múltiples factores a
analizar: fuerza muscular, movimiento,
sensibilidad, control motor, etc.
Reducción de
Dimensionalidad
Aprendizaje No
Supervisado
Clusterización de
Pacientes con
Hemiplejía
Identificación
de Grupos
Clasificación
en Tipos
Hemiplejía derecha e izquierda
Hemiplejía espástica, atónica o mixta
Hemiplejía leve, moderada o grave
Hemiplejía por causas traumáticas, vasculares,
congénitas o degenerativas
Características
Adicionales en
la Clasificación
Factores
Psicológicos o
Cognitivos
Datos Genéticos
o Biomarcadores
Respuesta al
Tratamiento
Usar un SOM ayuda a
reducir la complejidad de
estos datos
multidimensionales,
proyectándolos en un
mapa bidimensional que
preserve las relaciones
entre los datos.
32
Athenea Journal
Vol.5, Issue 17, (pp. 26-34)
ISSN-e: 2737-6419
Vázquez-Lebrón N. et al. Uso de la inteligencia artificial en la clasificación médica de pacientes hemipléjicos
En la figura 4 se observa la precisión del modelo al predecir varias clases (eje x) en comparación con las
clases verdaderas (eje y). Los valores diagonales representan las predicciones correctas, mientras que los
valores fuera de la diagonal indican errores de clasificación. Por ejemplo, el modelo predijo correctamente
la clase 0 en 34 ocasiones y la clase 1 en 15, lo que sugiere que el modelo tiene un buen rendimiento en
estas clases. Sin embargo, hay cierta confusión en las clases 2, 3 y 4, ya que varios casos fueron mal
clasificados, como se evidencia en los números que no están en la diagonal, donde la clase 2 fue confundida
con la clase 1 y la clase 4.
Este análisis de la matriz de confusión en el contexto de la clasificación de hemiplejía indica que el modelo
tiene un buen rendimiento general, pero aún presenta áreas de mejora. Las clases más pequeñas, que
representan subtipos específicos o menos comunes de hemiplejía, son las que muestran mayor confusión,
lo que se debe a la naturaleza más sutil de los síntomas. Estos resultados sugieren que el uso de técnicas
adicionales, como una mayor recolección de datos para las clases menos representadas o la
implementación de métodos de balanceo de clases, podría mejorar aún más la precisión del modelo.
Además, estos errores podrían resaltar la necesidad de ajustar los parámetros del modelo o de refinar las
características empleadas para diferenciar más claramente entre los subgrupos de hemiplejía.
Fig. 4. Matriz de confusión producto del entrenamiento.
La figura 5 muestra los resultados del Mapa Autoorganizado (SOM), específicamente el gráfico de Neuron
Hits, que indica cuántas muestras o datos fueron asignados a cada neurona en la red. Cada hexágono
representa una neurona en el SOM, y los números dentro de los hexágonos muestran cuántos datos fueron
asignados a esa neurona en particular. Se observa que una de las neuronas ha recibido 18 datos, lo que
indica que una parte considerable de los datos cae en esta región del mapa. Esta alta concentración de
datos en ciertas neuronas indica la presencia de un grupo o clúster bien definido en el conjunto de datos.
En el contexto de la hemiplejía, los Neuron Hits permiten observar cómo los diferentes subtipos de
hemiplejía están siendo clasificados. Se puede observar que algunos subgrupos de datos están mejor
representados en ciertas regiones del mapa, mientras que otras áreas tienen una menor densidad de
asignaciones, esto indica que los subgrupos son más raros o difíciles de clasificar. Esta información es clave
para ajustar los parámetros del SOM o mejorar el modelo, garantizando que los subtipos de hemiplejía
menos comunes también sean representados adecuadamente en el modelo de clasificación.