Ideas clave

• Un equipo de investigadores desarrolló un sistema de bajo coste que combina smartphone, microscopio convencional e IA para detectar Trypanosoma cruzi.
• Los modelos SSD-MobileNetV2 y YOLOv8-Small alcanzaron precisión y sensibilidad superiores al 80% al analizar muestras humanas en condiciones controladas.
• En una prueba piloto real, el sistema logró una sensibilidad del 96,4%, detectando la mayoría de los parásitos presentes.
• El técnico identificó manualmente el 3,6% de los parásitos no detectados por el algoritmo, evidenciando el valor de la supervisión humana.
• El tamaño reducido de la muestra, especialmente de frotis sanguíneos gruesos, afectó el rendimiento del modelo en ese tipo de preparación.

La enfermedad de Chagas, causada por el parásito Trypanosoma cruzi, afecta a entre 6 y 7 millones de personas en el mundo y provoca alrededor de 12.000 muertes al año, principalmente en América Latina, donde el acceso a equipos de laboratorio avanzados y personal especializado suele ser limitado.

La enfermedad de Chagas tiene una fase aguda y una fase crónica. El diagnóstico es distinto según la fase de la enfermedad. La fase aguda inicial se caracteriza por una elevada carga de parásitos. Esto permite la detección del patógeno con microscopía o técnicas moleculares. Por ejemplo la PCR y amplificación isotérmica mediada por bucles (LAMP). Las técnicas moleculares son rápidos y sensibles para detectar los parásitos. Sin embargo, requieren unas instalaciones con equipos de laboratorio costosos y deben ser usados por personal cualificado. Estos requisitos limitan su uso en entornos con pocos recursos.

La fase crónica se diagnostica principalmente con pruebas serológicas. Entre ellas cabe indicar el ensayo inmunoenzimático (ELISA) y el ensayo de inmunofluorescencia indirecta (IFI). Este tipo de pruebas permiten detectar anticuerpos contra Trypanosoma cruzi.

Cabe destacar que la microscopía óptica es el método de diagnóstico de referencia durante la fase aguda ya que permite identificar los parásitos de Trypanosoma cruzi en muestras de sangre o de líquido cefalorraquídeo. La microscopía óptica ofrece resultados inmediatos y no requiere una gran infraestructura sanitaria. Aún y así, para obtener diagnósticos fiables es necesario contar con microscopistas experimentados. La microscopía es particularmente valiosa en regiones donde la enfermedad de Chagas coexiste con otras infecciones endémicas, como la malaria. 

Para reducir esa dependencia, un equipo de investigadores desarrolló una herramienta sencilla y de bajo coste que combina un teléfono inteligente, un microscopio óptico convencional y un sistema de inteligencia artificial (IA). Mediante un adaptador impreso en 3D, el teléfono inteligente se acopla al ocular del microscopio, lo que permite digitalizar las imágenes y analizarlas en tiempo real con asistencia de IA para detectar los parásitos causantes de la enfermedad de Chagas.

El sistema desarrollado permite confirmar la presencia de Trypanosoma cruzi y contar cada parásito dentro de un campo microscópico determinado.

El sistema integra dos componentes principales: por un lado, modelos de IA (SSD-MobileNetV2 y YOLOv8-Small) capaces de funcionar sin conexión a internet; por otro, una plataforma de telemedicina que permite anotar y revisar las imágenes de forma remota. Esta combinación resulta especialmente útil en regiones con infraestructura sanitaria limitada o conectividad intermitente.

Para entrenar el sistema, los investigadores emplearon un conjunto diverso de imágenes: muestras humanas de sangre (frotis finos y gruesos) y de líquido cefalorraquídeo, junto con muestras de sangre de ratones procedentes de un estudio anterior. Esta variedad permitió que el modelo aprendiera a reconocer el parásito en distintas condiciones de preparación, tinción e imagen, factores que suelen variar entre laboratorios.

Al analizar muestras humanas, el modelo de IA SSD-MobileNetV2 consiguió una precisión del 86% y una sensibilidad del 87%. El modelo YOLOv8-Small logró una precisión del 83,6% y una sensibilidad del 87%. A la vista de los resultados, tanto SSD-MobileNetV2 como YOLOv8-Small demostraron un rendimiento sólido. Ambos modelos de IA alcanzaron valores superiores al 80 % en precisión y sensibilidad.

Además del entrenamiento y validación con datos controlados, el equipo realizó una prueba piloto en condiciones reales de laboratorio. Un usuario escaneó tres frotis sanguíneos con el sistema basado en smartphone, generando predicciones en tiempo real que después fueron comparadas con las anotaciones de expertos. En este escenario, el algoritmo alcanzó una precisión del 67,1%, una sensibilidad del 96,4%. Esto indica una alta capacidad para detectar la mayoría de los parásitos presentes.

El sistema generó en promedio siete falsos positivos por muestra analizada. Una cifra manejable que un técnico pudo revisar y descartar con facilidad. A su vez, el técnico logró identificar manualmente el 3,6% de los parásitos que el algoritmo no detectó. Este resultado pone de relieve el valor de combinar la IA con la supervisión humana. La tecnología agiliza la detección, mientras que la persona compensa los errores del sistema, reduciendo el riesgo de pasar por alto un caso positivo.

Los autores destacan que este sistema podría usarse con otros patógenos además de la enfermedad de Chagas. Permitiría detectarlos de forma rápida y facilitaría el seguimiento en entornos con pocos recursos. Según el equipo, la IA puede ayudar a cerrar brechas de conocimiento y facilitar el acceso a la salud, especialmente en comunidades donde escasea el personal capacitado y el equipamiento especializado.

Entre las limitaciones del estudio, los investigadores señalan que el tamaño de la muestra fue reducido, particularmente para los frotis sanguíneos gruesos, lo que afectó el rendimiento del modelo en ese tipo específico de preparación. Ampliar el conjunto de datos de entrenamiento, especialmente para este tipo de muestra, se plantea como una prioridad para futuros trabajos. También proponen que, a medida que avance la tecnología, estos sistemas podrían evolucionar hacia detectores universales capaces de identificar múltiples parásitos y estructuras celulares en una misma imagen —como los causantes de la malaria o la leishmaniasis— e incluso incorporar otras fuentes de datos clínicos o genéticos.

En conclusión, los autores destacan que el sistema propuesto transforma un microscopio óptico convencional en un dispositivo inteligente de diagnóstico en el punto de atención, integrando almacenamiento de imágenes y consultas remotas mediante telemedicina. Este tipo de avances en inteligencia artificial aplicada a la medicina podría facilitar el acceso a herramientas diagnósticas en regiones con recursos limitados, contribuyendo a los objetivos de la Organización Mundial de la Salud para el control de las enfermedades tropicales desatendidas.

El sistema transforma un microscopio óptico convencional en un dispositivo de diagnóstico en el punto de atención, lo que tiene implicaciones directas para regiones con acceso limitado a equipos de laboratorio y personal especializado. La alta sensibilidad obtenida en la prueba piloto (96,4%) respalda su uso como herramienta de cribado inicial, siempre que se mantenga la revisión técnica de los falsos positivos generados. La capacidad de funcionar sin conexión a internet, combinada con la plataforma de telemedicina para consultas remotas, permite su despliegue en entornos con conectividad intermitente. La limitación identificada en frotis sanguíneos gruesos señala la necesidad de ampliar los datos de entrenamiento antes de una implementación generalizada en todos los tipos de muestra.

• Implementar el sistema como herramienta de cribado en el punto de atención, dado que combina bajo coste, funcionamiento sin conexión a internet y una sensibilidad del 96,4% demostrada en condiciones reales.

• Mantener la supervisión técnica de los falsos positivos generados por el algoritmo, ya que un promedio de siete por muestra resultó manejable y permitió descartarlos con facilidad.

• Ampliar el conjunto de datos de entrenamiento para frotis sanguíneos gruesos, dado que el tamaño muestral reducido en ese tipo de preparación afectó el rendimiento del modelo.

Si quiere saber más sobre la enfermedad de Chagas no te pierdas este post Enfermedad de Chagas: de amenaza rural a problema de salud global

Referencias

1. Lin L, Solano AV, Gonzales F, Torrico MC, Illanes D, Díez N, et al. (2026) Artificial intelligence algorithm for real-time detection and counting of Trypanosoma cruzi parasites using smartphone microscopy. PLoS Negl Trop Dis 20(5): e0012955. https://doi.org/10.1371/journal.pntd.0012955