<?xml version="1.0" encoding="UTF-8"?>
<xml>
<records>
<record>
  <contributors>
    <authors>
      <author>Blázquez Henao, Ana María</author>
      <author>Pié Juste, Juan; Latorre Pellicer, Ana</author>
    </authors>
  </contributors>
  <titles>
    <title>DIAGNÓSTICO DEL SÍNDROME CORNELIA DE LANGE MEDIANTE ALGORITMOS DE RECONOCIMIENTO FACIAL</title>
    <secondary-title/>
  </titles>
  <doi/>
  <pages/>
  <volume/>
  <number/>
  <dates>
    <year>2020</year>
    <pub-dates>
      <date>2020</date>
    </pub-dates>
  </dates>
  <abstract>El fenotipo característico o clásico del síndrome de Cornelia de Lange (SCdL) está asociado con un patrón facial reconocible. Sin embargo, la heterogeneidad en los genes causales y la presencia de síndromes superpuestos han hecho que cada vez sea más difícil diagnosticarlo sólo por las características clínicas.&lt;br /&gt;La tecnología DeepGestalt basada en el aprendizaje profundo, una esfera de la inteligencia artificial, y su aplicación Face2Gene, está teniendo un impacto creciente en el diagnóstico y el manejo de las enfermedades genéticas mediante el análisis de las características de los individuos afectados.&lt;br /&gt;En este trabajo examinamos la destreza de este programa en el diagnóstico del SCdL. Para ello, se ha utilizado una cohorte de 14 individuos remitidos al laboratorio de Genética Clínica y Genómica Funcional para el análisis molecular del SCdL. Se ha comparado: el puntaje clínico según los criterios de Kline, los resultados del análisis facial con la aplicación Face2Gene y los resultados genéticos obtenidos. La sensibilidad de la aplicación fue del 100%, para el SCdL y los casos del síndrome de KBG hallados.&lt;br /&gt;El uso del reconocimiento facial, no solo se ha visto que es fiable, sino que puede facilitar considerablemente el diagnóstico y abrir más campos de investigación.&lt;br /&gt;&lt;br /&gt;</abstract>
</record>

</records>
</xml>