Salud
Los algoritmos de inteligencia artificial pueden mejorar la creación de materiales de bioscaffold y ayudar a curar heridas
Añade Unite.AI a tus fuentes preferidas en Google
La inteligencia artificial y el aprendizaje automático podrían ayudar a curar lesiones aumentando la velocidad de desarrollo de bioscaffolds impresos en 3D. Los bioscaffolds son materiales que permiten que objetos orgánicos, como la piel y los órganos, crezcan en ellos. Recientemente, investigadores de la Universidad de Rice aplicaron algoritmos de inteligencia artificial al desarrollo de materiales de bioscaffold, con el objetivo de predecir la calidad de los materiales impresos. Los investigadores encontraron que controlar la velocidad de impresión es crucial para el desarrollo de implantes de bioscaffold útiles.
Según ScienceDaily, un equipo de investigadores de la Universidad de Rice colaboró para utilizar el aprendizaje automático para identificar posibles mejoras en los materiales de bioscaffold. La científica informática Lydia Kavraki, de la Escuela de Ingeniería Brown de Rice, lideró un equipo de investigación que aplicó algoritmos de aprendizaje automático para predecir la calidad del material de scaffold. El estudio fue coautorizado por el bioingeniero de Rice Antonios Mikos, quien trabaja en bioscaffolds similares a los huesos que sirven como reemplazos de tejido, destinados a apoyar el crecimiento de vasos sanguíneos y células y permitir que el tejido herido se cure más rápidamente. Los bioscaffolds en los que trabaja Mikos están destinados a curar heridas musculoesqueléticas y craneofaciales. Los bioscaffolds se producen con la ayuda de técnicas de impresión 3D que producen scaffolds que se ajustan al perímetro de una herida determinada.
El proceso de impresión de material de bioscaffold en 3D requiere mucho ensayo y error para obtener el lote impreso justo. Varios parámetros como la composición del material, la estructura y el espaciado deben tenerse en cuenta. La aplicación de técnicas de aprendizaje automático puede reducir mucho de este ensayo y error, dando a los ingenieros directrices útiles que reducen la necesidad de ajustar parámetros. Kavraki y otros investigadores pudieron dar retroalimentación al equipo de bioingeniería sobre qué parámetros eran más importantes, aquellos más probablemente que impactarían la calidad del material impreso.
El equipo de investigación comenzó analizando datos sobre la impresión de scaffolds de un estudio de 2016 sobre polipropileno fumárico biodegradable. Más allá de estos datos, los investigadores crearon un conjunto de variables que les ayudarían a diseñar un clasificador de aprendizaje automático. Una vez que se recopiló todos los datos necesarios, los investigadores pudieron diseñar modelos, probarlos y publicar los resultados en poco más de medio año.
En cuanto a los modelos de aprendizaje automático utilizados por el equipo de investigación, el equipo experimentó con dos enfoques diferentes. Ambos enfoques de aprendizaje automático se basaron en algoritmos de bosque aleatorio, que agregan árboles de decisión para lograr un modelo más robusto y preciso. Uno de los modelos que el equipo probó fue un método de clasificación binaria que predecía si un conjunto particular de parámetros resultaría en un producto de baja o alta calidad. Mientras que el segundo método de clasificación utilizó un método de regresión que estimaba qué valores de parámetros darían un resultado de alta calidad.
Según los resultados de la investigación, los parámetros más importantes para bioscaffolds de alta calidad fueron el espaciado, la capa, la presión, la composición del material y la velocidad de impresión. La velocidad de impresión fue la variable más importante en general, seguida de la composición del material. Se espera que los resultados del estudio conduzcan a una mejor y más rápida impresión de bioscaffolds, lo que mejorará la confiabilidad de la impresión de partes del cuerpo en 3D, como el cartílago, las rótulas y las mandíbulas.
Según Kavraki, los métodos utilizados por el equipo de investigación tienen el potencial de ser utilizados en otros laboratorios. Como Kavraki fue citada por ScienceDaily:
“A largo plazo, los laboratorios deberían poder entender qué materiales pueden darles diferentes tipos de scaffolds impresos y, en el muy largo plazo, incluso predecir resultados para materiales que no han probado. No tenemos suficientes datos para hacer eso ahora, pero en algún momento creemos que deberíamos poder generar tales modelos.”
