La filariasis es una enfermedad infecciosa tropical común y afecta a más de mil millones de personas a nivel mundial. Dependiendo del parásito, causa linfedema, elefantiasis, picazón y ceguera -conocida como la ceguera de los ríos-.

Para eliminar la filariasis como un problema de salud pública, se realiza la administración masiva de medicamentos a todas las personas que viven en zonas endémicas. El diagnóstico de esta enfermedad se realiza mediante el examen microscópico de un frotis de sangre, algo laborioso y para lo que no siempre hay disponibilidad de expertos.

En el marco de la investigación de esta enfermedad, los estudiosos han desarrollado algoritmos de IA para detectar microfilarias en sangre, las larvas infecciosas que pueden transmitir la filariasis.

Estos algoritmos distinguen las especies de parásitos más comunes en África ('Loa loa', ‘Mansonella perstans’ y ‘Wuchereria bancrofti’) y el sudeste asiático ('Brugia spp'), utilizando la cámara de un teléfono móvil conectado a un microscopio óptico con un adaptador impreso en 3D.

Para crear este sistema, los investigadores han usado 115 casos clínicos y han validado el sistema en un entorno clínico en el CNM-ISCIII. Según los autores, el sistema tiene una precisión de entorno al 95%.

Los resultados de la investigación acaban de ser publicados en la revista ‘Plos Neglected Tropical Diseases’ y los autores principales del trabajo son Lin Lin, ingeniera especialista en inteligencia artificial y Elena Dacal que trabaja en el equipo clínico, ambas bajo la supervisión de los investigadores principales Miguel Ángel Luengo (Spotlab), José Miguel Rubio (CNM-ISCIII, Ciberinfec) y María Jesús Ledesma (UPM, Ciberbbn).

APP

Además, los investigadores han creado una aplicación móvil llamada ‘HuggingSpot’, que está disponible en Google App Store y permite a la comunidad científica descargar los modelos de IA y probarlos.

Según detalló la UPM, esta innovación permite apoyar el diagnóstico y monitorización de las filariasis, especialmente en contextos con recursos limitados, donde el acceso a técnicos especializados y equipos de laboratorio es escaso.