Detección no invasiva de anemia por deficiencia de hierro en adultos jóvenes mediante análisis de imágenes de vídeo de la yema del dedo.

En este estudio, proponemos el uso de un modelo basado en redes neuronales convolucionales (CNN) (2+1) D para la detección no invasiva de anemia por deficiencia de hierro mediante teléfonos inteligentes, respondiendo a la necesidad de métodos de diagnóstico accesibles y eficientes. Hemos recopilado imágenes de las yemas de los dedos de 909 jóvenes, creando un conjunto de datos robusto para entrenar y validar el modelo mediante aprendizaje automático (ML), lo que nos proporciona información tanto espacial como temporal. Nuestro enfoque destaca por su simplicidad y potencial para ser implementado en diversos contextos, lo que facilita un diagnóstico temprano y preciso de la anemia. Los resultados muestran índices de rendimiento notables en el conjunto de validación: una precisión de 0,9840, una exactitud de 0,9830, una sensibilidad (recall) de 0,9840, una puntuación F1 de 0,9835 y un AUC ROC de 0,9878, lo que demuestra la alta capacidad del modelo para clasificar eficazmente los estados anémicos. Estos hallazgos validan la eficacia del modelo para mejorar significativamente la detección de la anemia por deficiencia de hierro, impulsando el uso de tecnologías móviles y aprendizaje automático para un diagnóstico más accesible y eficiente a nivel mundial. Este avance representa un paso importante hacia la mejora del acceso y la eficiencia en el diagnóstico de salud mediante la tecnología de teléfonos inteligentes y el aprendizaje automático, abriendo nuevas vías para el manejo efectivo de la anemia y otras afecciones de salud.