Cuando la IA salva vidas: así es el modelo que vigila el lavado de manos clínico

La OMS (Organización Mundial de la Salud) estima que alrededor de un 80% de las infecciones comunes se transmite por medio de las manos, una situación que no es menor, mucho menos cuando se trata de pacientes con cáncer, quienes presentan sistemas inmunes comprometidos.  

Lo anterior supone dos desafíos: el efecto Hawthorne y la ausencia de suficiente personal. Lo anterior se refiere a “La presencia de sesgo en el proceso, pues cuando una persona se lava las manos y nota que lo están observando, lo va a hacer bien (...) Lo segundo es la cantidad de puntos de atención a los pacientes. De alguna manera, no se tiene una cobertura total ni constante en todos los puntos de lavado” explica Juan Sebastián Vargas, profesional del Laboratorio de Concreción para la Innovación del Instituto Cancerológico. 

Partiendo de la necesidad de automatizar procesos y de algunos datos recogidos por el Instituto Nacional de Cancerología, que indicaban que para el 2024 de 592 casos de infecciones asociadas a la prestación de salud, 303 pudieron prevenirse con una mejor técnica de higiene de manos, se recurrió a la Hackathon, un evento organizado por la Universidad de La Sabana, en donde estudiantes de diferentes campos contribuyen al desarrollo de soluciones por medio de tecnologías de vanguardia. 

En el evento, un equipo de estudiantes de la Facultad de Ingeniería, asesorado por el profesor Santiago Toledo-Cortés, director de la Maestría en Analítica Aplicada de la Universidad de La Sabana, trabajó con profesionales del Instituto Nacional de Cancerología para entregar en un tiempo récord de tres días un prototipo funcional que continúa con miras a su evaluación y pilotaje en escenarios clínicos reales. 

“El objetivo es automatizar la verificación de la adherencia al protocolo de higiene de manos para complementar la capacitación y la supervisión institucional, no reemplazarlas”, explica Santiago Toledo-Cortés. 

La solución al lavado de manos  

Para dar solución al problema, el equipo de estudiantes recurrió a la familia de modelos YOLO (You Only Look Once) —ampliamente empleada en visión por computador— para detectar objetos, en este caso, las manos.  

“Dentro de los algoritmos de deep learning, se encuentran los modelos de visión por computadora. Dentro de estos, están las CNN o Convolutional Neural Networks. Ahí hay un modelo que se llama el modelo YOLO (You only look once) que hace detección automática de objetos y que al ser aplicado logra salvar la vida de muchas personas” explica Toledo-Cortés. 

Lo interesante, es que en tiempo real la herramienta puede detectar  si el proceso de lavado de manos se realiza correcta o incorrectamente. Esto ocurre gracias a la implementación de una ‘lógica de estados’, que, en otras palabras, permite evaluar la secuencia de pasos definidos por la OMS (p. ej., frotado palmar, dorso, interdigital, pulgares, uñas, muñecas).  

En palabras simples: mientras la persona ejecuta el protocolo, una cámara va grabando sus manos. Estas se reflejan en una pantalla en cuya parte inferior aparece un semáforo en el que se indica si el paso actual se realiza correctamente, lo que facilita la auto-corrección y entrenamiento constante del personal. 

Datos y entrenamiento 

Para enseñarle a la Inteligencia artificial cómo operar, el equipo de trabajo etiquetó y gestionó el conjunto de datos con Roboflow, una base de datos robusta de imágenes y la complementó con videos y fotos de capturas propias con variaciones de iluminación, balance de blancos, rotaciones, desenfoque y cambios de fondo, con el fin de robustecer la generalización frente a diferencias de tono de piel, morfología y calidad de cámara. 

Adicionalmente, realizaron pruebas en varios dispositivos (computadores y teléfonos), con el propósito de minimizar la necesidad de hardware especializado y facilitar la adopción. 

En total, el equipo logró enseñar al sistema con 7,788 imágenes, logrando una precisión de más del 90% del proceso.  

Para Tomas Barón, integrante del equipo, un punto clave es que lograron que el algoritmo pueda utilizarse en cualquier tipo de dispositivo (celulares o computadores). “Esto ayuda a que el costo de implementación sea menor y pueda adaptarse a los recursos que tenga la organización”. 

Validación y próximos pasos 

Recibido el prototipo, el Instituto Nacional Cancerológico avanza en la validación operativa por medio de la estandarización de condiciones de captura (lavamanos adecuados, distancias, encuadre), lineamientos sobre iluminación, y recomendaciones respecto a accesorios (anillos, manillas, esmalte) que pueden interferir con la técnica o con la detección. 

Ana María Vásquez, profesional especializada de la Subdirección de Investigaciones del Instituto Nacional de Cancerología, explica que, tras recibir la herramienta, en la institución han continuado haciendo esfuerzos para perfeccionarla.   

“Como parte del proceso de validación del algoritmo que debe llevar a cabo el instituto, tendremos que ajustar aspectos como la captura de imágenes en el contexto de la infraestructura y mobiliario hospitalario, verificar qué tipo de iluminación deberá usarse para que permita la identificación apropiada de las manos o encontrar la forma de asegurarse que la persona no tenga accesorios que puedan contaminar los ambientes esterilizados (manillas, relojes, anillos, uñas pintadas etc.). Para esto se ha formulado un proyecto que busca dar continuidad a la estrategia y permita generar un dispositivo funcional”, afirma. 

No obstante, explica que una vez desarrollado, se espera llevarlo al servicio a la Unidad de Cuidados Intensivos, un entorno controlable en el que consideran es más fácil la validación del dispositivo. Lo anterior, señalan, traerá otra clase de retos. En primer lugar, la adaptación del personal asistencial a la herramienta, que si bien no reemplazará la formación ni los protocolos institucionales; funciona como apoyo en tiempo real. En segunda instancia, el desafío consistirá en revisar su eficiencia, haciendo un comparativo en las cifras recogidas para establecer su índice de efectividad.