RT info:eu-repo/semantics/bachelorThesis
T1 Validez de una herramienta de análisis de la ecografía muscular basada en inteligencia artificial para la valoración nutricional en el paciente con patología neurodegenerativa
A1 Santos Pascual, Elena
A2 Universidad de Valladolid. Facultad de Medicina
K1 Nervioso central, Sistema - Enfermedades - Aspecto nutritivo
K1 Malnutrición
K1 Inteligencia artificial
K1 Patología neurodegenerativa
K1 Ecografía
K1 Composición corporal
K1 3207.11 Neuropatología
AB Las enfermedades neurodegenerativas afectan a la funcionalidad y calidad de vida de los pacientes, causando un deterioro progresivo de su estado nutricional, con pérdida de masa corporal y sarcopenia. Esto aumenta la morbimortalidad y empeora su pronóstico. Por ello, cobra gran importancia la valoración nutricional precoz, aunque muchas de las herramientas de evaluación nutricional de la práctica clínica diaria presentan limitaciones, especialmente en patologías neurológicas. El objetivo de este estudio es validar una herramienta de ecografía basada en inteligencia artificial que esquive las limitaciones de otras herramientas como la falta de accesibilidad o la variabilidad entre observadores. Para llevar a cabo el estudio, se han recogido datos de anamnesis, antropometría, bioimpedanciometria, dinamometría e imágenes de ecografía muscular valoradas por un observador y por un sistema de análisis de inteligencia artificial (PIIXMED®, DawakoMedtech, S.L). La inteligencia artificial genera índices de calidad, que se expresan como el porcentaje de masa muscular (MiT), de grasa (FATiT), o de tejido no graso no musculo (NMNFiT) de la región de interés analizada. También mide automáticamente las dimensiones (cm) de la grasa subcutánea (TAS) y del musculo (GRA y ARA). En el estudio han participado 125 pacientes con distintas patologías como: enfermedad de motoneurona, esclerosis múltiple, enfermedad de Parkinson, distrofia miotónica de Steinert, ictus, demencia o parálisis cerebral. Los datos revelan correlación entre los parámetros de la bioimpedanciometria y la dinamometría con aquellos calculados por el sistema de inteligencia artificial. Se observó una correlación significativa entre el ángulo de fase y el grosor muscular (r = 0.53; p < 0.01), así como con el área muscular (r = 0.54; p < 0.01). También se demostró correlación con la fuerza de prensión, el grosor y área muscular con coeficientes de r = 0.51 y r=0.49 respectivamente (p < 0.01 en ambos casos). En cuanto a las diferencia ecográficas entre patologías se vio que las neurodegenerativas presentan menor proporción de masa muscular (42,40% vs 47.23%; p<0.01), pero mayor de tejido conjuntivo (15.65% vs 13.55%; p=0.04) y graso (41.95% vs 39.22%;p<0.01) que las no neurodegenerativa. Como conclusión, los nuevos parámetros ecográficos obtenidos mediante inteligencia artificial muestran una correlación significativa con herramientas como la bioimpedancia y dinamometría. Además, se ha identificado que enfermedades neurológicas como la de motoneurona, el Parkinson y la distrofia de Steinert asocian pérdida de masa muscular, con aumento del tejido graso y conjuntivo.
YR 2025
FD 2025
LK https://uvadoc.uva.es/handle/10324/78495
UL https://uvadoc.uva.es/handle/10324/78495
LA spa
DS UVaDOC
RD 18-dic-2025