¿Qué software de IA procesa imágenes de ecografía nutricional?
software de inteligencia artificial que proceda imágenes de ecografía nutricional
Resumen
Sí existen herramientas de inteligencia artificial para procesar imágenes de ecografía muscular con finalidad de valoración nutricional, especialmente para estimar grosor, área, composición y ecogenicidad del músculo. Las opciones más directamente relacionadas son PIIXMED, MuscleSound y MyoVision-US. Sin embargo, estas herramientas deben considerarse apoyo para la evaluación de masa y calidad muscular, no sustitutos aislados de una valoración nutricional completa ni de los criterios clínicos de desnutrición o sarcopenia. [1]
Opciones disponibles
PIIXMED
Es probablemente la opción más directamente orientada a la ecografía muscular en pacientes con desnutrición relacionada con la enfermedad. Es una aplicación en la nube que puede segmentar automáticamente regiones de interés en imágenes ecográficas y cuantificar parámetros como:
- Grosor y área muscular.
- Área de grasa subcutánea.
- Ecogenicidad.
- Proporción estimada de músculo, grasa y tejido no muscular.
Se ha validado específicamente para analizar la arquitectura del recto femoral en pacientes con desnutrición relacionada con la enfermedad. El estudio mostró una concordancia elevada con el análisis manual, aunque la utilidad para mejorar desenlaces clínicos todavía requiere validación prospectiva adicional. [2]
Muscle
Sound
Es una plataforma comercial basada en ecografía musculoesquelética y análisis automatizado en la nube. Está orientada a la evaluación de:
- Desnutrición.
- Sarcopenia y fragilidad.
- Caquexia.
- Salud y composición muscular.
Puede ser una alternativa práctica para entornos hospitalarios o de cuidados críticos, pero conviene confirmar antes de adquirirla su disponibilidad regional, compatibilidad con el ecógrafo, requisitos regulatorios, protección de datos y evidencia publicada independiente. La información comercial describe su uso para evaluación nutricional, pero no equivale por sí sola a evidencia de beneficio clínico. [3]
Myo
Vision-US
Es una herramienta de investigación basada en aprendizaje profundo para analizar imágenes ecográficas musculares, con automatización de la segmentación y medición de la morfometría. Ha mostrado buena concordancia con la valoración experta y puede reducir el tiempo de análisis; actualmente parece más apropiada para investigación o desarrollo de protocolos que para asumir decisiones clínicas sin supervisión. [4]
Recomendación práctica
Para un servicio de nutrición clínica que desee implementar esta tecnología, priorizaría:
- PIIXMED, si el objetivo principal es la valoración ecográfica de masa y calidad muscular en desnutrición relacionada con la enfermedad.
- MuscleSound, si se busca una solución comercial integrada y con enfoque asistencial.
- MyoVision-US, si el uso previsto es investigación, validación local o procesamiento automatizado de imágenes en un protocolo académico.
Antes de utilizar cualquiera de ellas en la práctica clínica, verifique:
- Marcado o autorización regulatoria como software sanitario en su jurisdicción.
- Compatibilidad con imágenes DICOM y con su ecógrafo.
- Validación en la población concreta: UCI, oncología, geriatría, neurología o pacientes ambulatorios.
- Reproducibilidad entre operadores y equipos.
- Política de almacenamiento y transferencia de imágenes a la nube.
- Posibilidad de exportar mediciones y conservar la revisión manual.
- Que el informe se interprete junto con pérdida ponderal, ingesta, inflamación, fuerza, función y exploración clínica.
La evidencia actual respalda principalmente la automatización y estandarización de mediciones ecográficas, pero todavía es limitada para demostrar que el uso de estas plataformas, por sí mismo, mejore el diagnóstico de desnutrición o los resultados clínicos. PIIXMED cuenta con la relación más directa con la evaluación nutricional publicada; aun así, se necesitan estudios prospectivos y comparaciones con desenlaces clínicos relevantes. [5]
Fuentes
- https://uvadoc.uva.es/bitstream/handle/10324/78495/TFG-M-M3749.pdf?sequence=1
- https://www.mdpi.com/2072-6643/16/12/1806
- https://www.musclesound.com/solutions/
- https://pubmed.ncbi.nlm.nih.gov/38746458/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC12646828/
- https://nutricionclinicaenmedicina.com/pdf/NCM.2025.19.1.0006.pdf
- https://www.musclesound.com/
- https://scledyn.org/comunicacion/validacion-de-un-sistema-de-imagen-por-ultrasonido-basado-en-inteligencia-artificial-para-cuantificar-parametros-de-arquitectura-muscular-del-musculo-recto-femoral-en-pacientes-con-desnutricion-relaci/
- https://uvadoc.uva.es/handle/10324/78495
- https://nutricionclinicaenmedicina.com/inteligencia-artificial-en-el-manejo-de-la-imagen-en-nutricion-clinica-un-nuevo-horizonte-lleno-de-posibilidades/
- https://pmc.ncbi.nlm.nih.gov/articles/PMC12041593/
- https://www.f6s.com/software/musclesound-musclesound
- https://pmc.ncbi.nlm.nih.gov/articles/PMC12113847/
- https://www.mdpi.com/2072-6643/13/7/2371
- https://formative.jmir.org/2025/1/e69940
Respuesta generada por inteligencia artificial a partir de las fuentes citadas. Verifica las fuentes antes de aplicarla.