Connect with us

Publicado

on

La máquina de diálisis inventada por Anya Pogharian, una joven canadiense de 17 años en 2015 (ahora conocida como Dialysave), es un dispositivo portátil y asequible diseñado para filtrar la sangre de impurezas en pacientes con insuficiencia renal. A diferencia de las máquinas convencionales, que cuestan alrededor de 30,000 dólares y requieren agua ultrapura e instalaciones hospitalarias complejas, esta versión es compacta, ligera y puede usarse en casa o en zonas de bajos recursos. Su costo de fabricación es de aproximadamente 500-600 dólares, lo que la hace accesible para países en desarrollo.

¿Cómo es el equipo?

  • Diseño general: Es un prototipo portátil, del tamaño aproximado de una maleta pequeña, que no necesita conexiones fijas a la red eléctrica ni agua purificada especial. Puede alimentarse con baterías recargables o paneles solares, lo que la hace ideal para áreas rurales o desastres. Incluye un sistema de monitoreo básico para seguridad, como detección de burbujas de aire para evitar embolias.
  • Funcionamiento básico: Funciona como una hemodiálisis estándar, pero simplificada. La sangre del paciente se extrae, se bombea a través de un filtro (dializador) donde se eliminan toxinas como potasio y urea mediante difusión, y luego regresa al cuerpo. Un ciclo completo para 4 litros de sangre toma alrededor de 1 hora, pero puede ser efectivo en solo 20-25 minutos por sesión. Requiere dializado (líquido de limpieza) preparado de forma sencilla, sin necesidad de sistemas complejos de purificación.
  • Ventajas clave:
    • Portátil: No depende de hospitales.
    • Asequible: Usa componentes de bajo costo y electrónicos de código abierto.
    • Eficaz: Pruebas en laboratorio con sangre real contaminada mostraron reducción completa de impurezas en sesiones cortas.
Componente PrincipalFunciónEjemplo de Fuente/Costo Aproximado
Bomba (pump)Circula la sangre a través del sistema a un flujo controlado (alrededor de 100-200 ml/min).Bombas peristálticas baratas (~50-100 USD).
Sensores de presión y temperaturaMonitorean el flujo para evitar sobrepresión o cambios térmicos que dañen la sangre.Sensores off-the-shelf (~20-50 USD cada uno).
Filtro (dializador)Elimina toxinas mediante membranas semipermeables.Filtros médicos reutilizables o de bajo costo (~100 USD).
Circuito electrónicoConecta y controla todos los componentes.Basado en Arduino o similar (~20 USD).
Detector de burbujas de aireDetecta aire en el flujo para detener la máquina y prevenir riesgos.Sensor ultrasónico simple (~30 USD).
MicrocontroladorGestiona el proceso automático, alarmas y temporizadores.Como Raspberry Pi o Arduino (~30-50 USD).

El total se estima en 500 USD usando partes recicladas o de surplus médico.

¿Cómo se puede hacer? (Proceso de Construcción)

Anya no ha publicado planes detallados de código abierto completos (aunque menciona el uso de ingeniería open-source en actualizaciones recientes), pero basándonos en su descripción del proceso de diseño y prototipo, aquí va un guía general paso a paso. Advertencia: Esto es para fines educativos; construir un dispositivo médico real requiere supervisión profesional, pruebas clínicas y cumplimiento de regulaciones (como FDA o equivalentes). No intentes usarlo en humanos sin validación experta, ya que errores pueden ser fatales.

  1. Investigación y planificación (20-50 horas):
    • Estudia manuales de máquinas de diálisis existentes (disponibles en línea de fabricantes como Fresenius o Baxter).
    • Consulta expertos: Anya se reunió con nefrólogos y usó recursos de Héma-Québec.
    • Define requisitos: Flujo de sangre de 100-400 ml/min, filtración de toxinas >90%, seguridad contra burbujas y presión.
  2. Adquisición de componentes (costo ~500 USD):
    • Compra en sitios como Amazon, AliExpress o surplus médico: bomba peristáltica, sensores (presión: MPX5010; temperatura: DS18B20), filtro dializador desechable, microcontrolador (Arduino Uno), cables y caja portátil.
    • Usa partes recicladas de equipos viejos para reducir costos, como hizo Anya en su garaje.
  3. Construcción del hardware (100-200 horas):
    • Ensambla el flujo de sangre: Conecta tubos médicos (silicona estéril) desde una entrada (para sangre) a la bomba, luego al filtro, y salida de regreso. Añade válvulas para control.
    • Integra sensores: Conecta el detector de burbujas (ultrasónico) en la línea de salida. Sensores de presión/temperatura en puntos clave.
    • Crea el circuito: Usa breadboard para prototipo. Conecta todo al microcontrolador. Anya dice: «Compré las partes esenciales: una bomba, sensores de presión y temperatura, y un filtro. Luego, creé un circuito, un detector de burbujas de aire y un microcontrolador.»
    • Caja y portabilidad: Monta en una caja plástica con batería (12V) o conector solar.
  4. Programación del software (50-100 horas):
    • Usa Arduino IDE: Programa el microcontrolador para:
      • Activar la bomba en ciclos.
      • Monitorear sensores: Si presión >150 mmHg o burbujas detectadas, detén y alarma.
      • Control de tiempo: Sesiones de 20-60 min.
    • Ejemplo básico de código (pseudocódigo, no probado):text#include <OneWire.h> // Para sensor temp void setup() { pinMode(pumpPin, OUTPUT); // Pin de bomba // Inicializar sensores } void loop() { if (readPressure() < 150 && noBubbles()) { digitalWrite(pumpPin, HIGH); // Activar bomba } else { digitalWrite(pumpPin, LOW); // Detener // Alarma } delay(1000); }Adapta con librerías para sensores específicos.
  5. Pruebas y calibración (50+ horas):
    • Inicial: Usa agua con colorante alimentario para simular flujo y filtración.
    • Avanzado: Prueba con sangre caducada (como hizo Anya: 4L almacenada 6 días + impurezas añadidas). Mide niveles de potasio/urea antes/después con kits de laboratorio.
    • Anya reportó: «Después de una hora, todas las impurezas se redujeron y el potasio desapareció. Podríamos haber parado en 20 minutos.»
    • Itera: Ajusta basado en resultados, como flujo o filtros.
  6. Escalado y mejoras:
    • Anya colaboró con hospitales para producción masiva. Hoy, organizaciones buscan adaptarla para uso global.
    • Para replicar: Únete a comunidades maker (e.g., Hackster.io) o contacta a Anya vía redes para actualizaciones.

Este invento no solo es ingenioso, sino un recordatorio de que la innovación accesible puede salvar vidas. Si buscas más detalles técnicos, recomiendo ver sus videos explicativos en YouTube (busca «DIY Dialysis Machine Anya Pogharian»). ¡Si tienes preguntas específicas sobre un componente, avísame!

Continue Reading
Advertisement
Click to comment

Leave a Reply

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

TechSalud

Tempus AI compra Personalis por USD 1.500 millones para reforzar su plataforma de diagnóstico oncológico con IA

Publicado

on

Tempus AI, la compañía especializada en inteligencia artificial aplicada a datos clínicos y genómicos, acordó adquirir Personalis, firma de diagnóstico genómico de precisión, en una operación valuada en USD 1.500 millones. La transacción, anunciada el 19 de julio, profundiza la consolidación de un sector que combina secuenciación genómica con modelos de inteligencia artificial para mejorar la detección y el seguimiento del cáncer.

Personalis se especializa en el desarrollo de pruebas genómicas de precisión utilizadas para detectar enfermedad residual mínima y guiar decisiones de tratamiento oncológico personalizado, un segmento de diagnóstico que depende de analizar enormes volúmenes de datos genómicos de cada paciente para identificar mutaciones relevantes con la mayor sensibilidad posible. La integración de esas capacidades a la plataforma de datos clínicos e inteligencia artificial de Tempus AI apunta a acelerar el desarrollo de modelos predictivos más precisos para oncología de precisión.

Para la industria del diagnóstico, la operación confirma una tendencia de fondo: las compañías de inteligencia artificial aplicada a la salud vienen adquiriendo activamente capacidades de generación de datos genómicos y clínicos de alta calidad, en lugar de depender exclusivamente de acuerdos de licenciamiento de datos con terceros. Contar con datos propietarios de alta fidelidad es, cada vez más, un factor determinante para entrenar modelos de IA clínicamente confiables, y las adquisiciones se perfilan como el camino más rápido para asegurar ese acceso.

Para pacientes oncológicos, el objetivo declarado de la integración es lograr diagnósticos más tempranos y un seguimiento más preciso de la respuesta al tratamiento, reduciendo la necesidad de estudios invasivos repetidos. La operación también reabre el debate sobre la concentración de datos clínicos sensibles en manos de un número cada vez más reducido de compañías de IA en salud, y sobre qué garantías de privacidad y uso ético de esos datos deberán sostenerse a medida que este tipo de consolidaciones se acelera.

Fuentes al pie:
Intellizence: https://intellizence.com/insights/merger-and-acquisition/largest-merger-acquisition-deals/

Continue Reading

TechSalud

Clair Health levanta USD 11,6 millones para un wearable que monitorea hormonas sin extracción de sangre

Publicado

on

La startup de salud femenina Clair Health cerró una ronda de USD 11,6 millones para desarrollar un dispositivo wearable capaz de monitorear cambios hormonales de forma continua, sin necesidad de extracciones de sangre. El dispositivo combina diez biosensores con un modelo de inteligencia artificial que analiza biomarcadores de voz, una combinación poco habitual en el mercado de wearables de salud orientados a la mujer.

El enfoque técnico de Clair Health busca resolver una limitación estructural de los paneles hormonales tradicionales, que requieren extracciones de sangre puntuales en un momento determinado del ciclo y ofrecen, en el mejor de los casos, una fotografía estática de niveles hormonales que en realidad fluctúan de forma continua a lo largo del día y del ciclo menstrual. Un dispositivo capaz de registrar esas variaciones de manera no invasiva y continua permitiría, en teoría, detectar patrones que hoy pasan desapercibidos en un análisis de sangre aislado.

Para la industria de la salud digital femenina —un segmento que viene atrayendo inversión creciente dentro del sector más amplio de wearables de salud—, el desarrollo de Clair Health se suma a una ola de dispositivos orientados a monitoreo hormonal, predicción de ventana fértil y seguimiento de la menopausia, apoyados en modelos de inteligencia artificial entrenados con datos de sensores biométricos. La incorporación de biomarcadores de voz como señal adicional es una apuesta relativamente novedosa dentro de ese segmento.

Para las usuarias, la promesa de un monitoreo hormonal continuo y no invasivo podría facilitar el seguimiento de condiciones como el síndrome de ovario poliquístico, la perimenopausia o los trastornos del ciclo, hoy frecuentemente subdiagnosticados por la dificultad de captar patrones que solo se manifiestan a lo largo de varios días o semanas. Como ocurre con buena parte de los wearables de salud de nueva generación, el desafío pendiente será validar clínicamente la precisión de estos biomarcadores frente a los estudios de laboratorio tradicionales antes de que puedan usarse como herramienta diagnóstica y no solo de seguimiento.

Fuentes al pie:
MarketScale: https://www.marketscale.com/industries/healthcare/digital-healths-july-2026-signal-ai-wearables-a-new-cms-office-and-the-telehealth-billing-fight
OpenLoop Health: https://openloophealth.com/blog/digital-health-trends-and-news-July-2026

Continue Reading

TechSalud

Parche de IA de la Universidad de Chicago detecta arritmias con 99,6% de precisión

Publicado

on

Investigadores de la Universidad de Chicago desarrollaron un parche flexible que procesa datos de salud directamente sobre el cuerpo, sin depender de la nube, y detecta arritmias cardíacas potencialmente mortales con una precisión del 99,6%. El dispositivo entrega resultados en milisegundos, un salto de latencia crítico para emergencias cardíacas.

El parche desarrollado en la Universidad de Chicago analiza los datos de salud mediante procesamiento en el propio dispositivo (edge computing), en lugar de enviarlos a servidores externos para su análisis, una diferencia técnica que en el contexto de una arritmia puede resultar clínicamente decisiva. Los sistemas dependientes de la nube deben transmitir la señal, procesarla en un servidor remoto y devolver el resultado, un ciclo que añade segundos de demora; el parche de Chicago entrega resultados en milisegundos al ejecutar toda la inferencia de inteligencia artificial localmente sobre el propio material flexible que está en contacto con la piel del paciente.

El contexto en el que aparece este desarrollo es el de una salud digital que, durante el primer semestre de 2026, viene acelerando la migración de capacidades de IA clínica desde los centros de datos hacia el punto de atención directo del paciente. En paralelo, el sector regulatorio estadounidense también se movió en esa dirección: los Centros de Servicios de Medicare y Medicaid (CMS) crearon una nueva Oficina de Productos de Tecnología de Salud (OHTP) para supervisar específicamente inteligencia artificial, interoperabilidad y herramientas de salud digital emergentes, una señal institucional de que el volumen de dispositivos como este parche exige un marco regulatorio dedicado.

El impacto potencial de esta tecnología es directo para pacientes con riesgo de arritmias cardíacas, una condición donde cada segundo de demora en la detección puede significar la diferencia entre una intervención a tiempo y una emergencia médica grave. Los investigadores que desarrollaron el parche prevén expandir la plataforma hacia monitoreo continuo en tiempo real más allá de aplicaciones estrictamente cardíacas, lo que sugiere que la arquitectura de inferencia local sobre un material flexible podría convertirse en la base de una familia más amplia de sensores médicos de respuesta inmediata.

La dimensión humana de este avance conecta con una tensión que atraviesa a toda la salud digital en 2026: a medida que los dispositivos wearables generan cada vez más datos y capacidades diagnósticas, la pregunta de cómo integrar esa información con la práctica clínica tradicional —sin generar ni falsas alarmas ni exceso de confianza en sistemas automatizados— se vuelve central. Un parche capaz de detectar arritmias con precisión cercana al 100% y en milisegundos representa un avance concreto hacia la atención preventiva descentralizada, pero también exige protocolos claros sobre cuándo y cómo esa alerta automática debe derivar en atención médica presencial inmediata.

Fuentes:
Open Loop Health: https://openloophealth.com/blog/digital-health-trends-and-news-July-2026
MarketScale: https://www.marketscale.com/industries/healthcare/digital-healths-july-2026-signal-ai-wearables-a-new-cms-office-and-the-telehealth-billing-fight

Continue Reading

TENDENCIAS