La inteligencia artificial y el aprendizaje automático podrían ayudar a curar lesiones al aumentar la velocidad de desarrollo de bioandamios impresos en 3D. Los bioandamios son materiales que permiten que objetos orgánicos, como piel y órganos, crezcan sobre ellos. El trabajo reciente realizado por investigadores de la Universidad de Rice aplicó algoritmos de IA al desarrollo de materiales de bioandamios, con el objetivo de predecir la calidad de los materiales impresos. Los investigadores descubrieron que controlar la velocidad de la impresión es crucial para el desarrollo de implantes de bioandamios útiles.
Según lo informado por ScienceDailyequipo de investigadores de la Universidad de Rice colaboraron para usar el aprendizaje automático para identificar posibles mejoras en los materiales del bioandamio. La científica informática Lydia Kavraki, de la Escuela de Ingeniería Brown de Rice, dirigió un equipo de investigación que aplicó algoritmos de aprendizaje automático para predecir la calidad del material del andamio. El estudio fue coautor del bioingeniero de Rice Antonios Mikos, quien trabaja en bioandamios similares a huesos que sirven como reemplazos de tejido, destinados a apoyar el crecimiento de vasos sanguíneos y células y permitir que el tejido herido se cure más rápidamente. Los bioandamios en los que trabaja Mikos están destinados a curar heridas musculoesqueléticas y craneofaciales. Los bioandamios se producen con la ayuda de técnicas de impresión 3D que producen andamios que se ajustan al perímetro de una herida determinada.
El proceso de impresión 3D de material de bioscaffold requiere mucho ensayo y error para obtener el lote impreso correctamente. Se deben tener en cuenta varios parámetros como la composición del material, la estructura y el espaciado. La aplicación de técnicas de aprendizaje automático puede reducir gran parte de este ensayo y error, brindando a los ingenieros pautas útiles que reducen la necesidad de jugar con los parámetros. Kavraki y otros investigadores pudieron brindar al equipo de bioingeniería información sobre qué parámetros eran los más importantes, los que tenían más probabilidades de afectar la calidad del material impreso.
El equipo de investigación comenzó analizando datos sobre andamios de impresión de un estudio de 2016 sobre fumarato de polipropileno biodegradable. Más allá de estos datos, los investigadores idearon un conjunto de variables que les ayudarían a diseñar un clasificador de aprendizaje automático. Una vez que se recopilaron todos los datos necesarios, los investigadores pudieron diseñar modelos, probarlos y publicar los resultados en poco más de medio año.
En cuanto a los modelos de aprendizaje automático utilizados por el equipo de investigación, el equipo experimentó con dos enfoques diferentes. Ambos enfoques de aprendizaje automático se basaron en algoritmos de bosque aleatorio, que agregan árboles de decisión para lograr un modelo más sólido y preciso. Uno de los modelos que probó el equipo fue un método de clasificación binaria que predecía si un conjunto particular de parámetros daría como resultado un producto de baja o alta calidad. Mientras tanto, el segundo método de clasificación utilizó un método de regresión que estimó qué valores de parámetros darían un resultado de alta calidad.
Según los resultados de la investigación, los parámetros más importantes para los andamios biológicos de alta calidad fueron el espaciado, las capas, la presión, la composición del material y la velocidad de impresión. La velocidad de impresión fue la variable más importante en general, seguida de la composición del material. Se espera que los resultados del estudio conduzcan a una mejor y más rápida impresión de bioandamios, mejorando así la confiabilidad de la impresión 3D de partes del cuerpo como cartílagos, rótulas y mandíbulas.
Según Kavraki, los métodos utilizados por el equipo de investigación tienen el potencial de ser utilizados en otros laboratorios. Como Kavraki fue citado por ScienceDaily:
“A la larga, los laboratorios deberían ser capaces de comprender cuáles de sus materiales pueden brindarles diferentes tipos de andamios impresos y, a la larga, incluso predecir resultados para materiales que no han probado. No tenemos suficientes datos para hacer eso en este momento, pero en algún momento creemos que deberíamos poder generar tales modelos”.