Innovador dispositivo de ultrasonido impulsado con IA busca transformar atención durante embarazo y mejorar la atención prenatal a nivel global.
Investigadores en Reino Unido utilizan Dora, un sistema automatizado de voz basado en IA para mejorar la atención tras operación de cataratas.
Investigadores estadounidenses debaten la precisión de la IA en el descubrimiento de nuevos fármacos candidatos. En la Universidad de Carolina del Norte (UNC), especialmente en la Facultad de Medicina, han desarrollado, en colaboración con colegas de otras instituciones, una tecnología de predicción de proteínas que pueden producir resultados precisos en la búsqueda eficiente de mejores fármacos candidatos para tratar diversas enfermedades. Esto fue posible gracias a la inteligencia artificial (IA), la cual tiene múltiples aplicaciones en la salud y la atención médica, como el análisis de imágenes o la optimización de ensayos clínicos. En este sentido, AlphaFold2, un sistema de IA, diseñado para predecir estructuras de las proteínas, ha facilitado la tarea de los científicos en identificar y crear cantidades significativamente grandes de fármacos candidatos para el tratamiento de trastornos neuropsiquiátricos. Sin embargo, estudios recientes pusieron en duda la precisión de AlphaFold2 en la modelación de sitios de unión de ligandos, es decir la zona de las proteínas donde los fármacos de adhieren y envían señales de las células para causar el efecto terapéutico deseable y los posibles efectos secundarios. No obstante, el Dr. Bryan Roth, profesor de farmacología y Programa de detección de drogas psicoactivas en la Facultad de Medicina de la UCN, en colaboración con colegas de Stanford, Harvard y la Universidad de California, San Francisco, determinaron que esta herramienta puede producir resultados precisos para las estructuras de unión de ligandos. El estudio publicado en Science, sugiere que las estructuras de AlphaFold2 son útiles para el descubrimiento de fármacos, además con una cantidad casi infinita de posibilidades, según el Dr. Roth. El estudio también detalla que AlphaFold2, al igual que una predicción meteorológica funciona a través de la extracción de información de una gran base de datos, en este caso de proteínas conocidas para crear modelos de estructura proteínicas. Posteriormente simula cómo los distintos compuestos moleculares encajan en los sitios de unión de la proteína y producen los efectos deseados. De esta manera, los investigadores pueden utilizas las combinaciones para comprender mejor las interacciones de las proteínas y crear nuevos candidatos a fármacos. De igual forma, el estudio determinó la precisión de esta herramienta al comparar los resultados de un estudio retrospectivo con los de un estudio prospectivo. En el primero, los investigadores introducen en el software de predicción compuestos que ya saben que se unen al receptor, mientras que en el segundo los investigadores utilizan la tecnología como una nueva perspectiva y luego introducen en la plataforma de IA información sobre compuestos que pueden o no interactuar con el receptor. Los resultados mostraron que, a pesar de las diferencias en los modelos, AlphaFold2 demostró un gran potencial en el descubrimiento de medicamentos. Para el receptor sigma-2, el 54% de las interacciones medicamento-proteína predichas por AlphaFold2 fueron exitosas, mientras que el modelo experimental mostró una tasa de éxito del 51%. Asimismo, los investigadores encontraron que las estructuras predichas por AlphaFold2 pueden ser útiles para el descubrimiento de medicamentos. Las pruebas en modelos animales preclínicos mostraron que algunos compuestos efectivos detuvieron infecciones, y los análisis adicionales sugirieron que muchos de estos compuestos destruyen bacterias al alterar sus membranas protectoras. De esta manera, el uso de IA como AlphaFold2 está demostrando ser una herramienta importante en el descubrimiento de nuevos medicamentos, proporcionando múltiples nuevas pistas para los desarrolladores y marcando la pauta en los nuevos métodos para la investigación de medicamentos. BIBLIOGRAFÍA UNC HEALTHCARE https://news.unchealthcare.org/2024/05/researchers-wrestle-with-accuracy-of-ai-technology-used-to-create-new-drug-candidates/
Cleveland Clinic e IBM firmaron una colaboración con Hartree Center para avanzar en la atención médica y ciencias biológicas a través de IA y computación cuántica. En 2021, IBM firmó una colaboración por diez años con Cleveland Clinic para impulsar la investigación a través de computación cuántica. Meses más tarde, en octubre de 2022, comenzaron la instalación de la primera computadora cuántica destinada exclusivamente a la atención médica. Esta colaboración, denominada Discovery Accelerator, ha permitido el desarrollo de múltiples investigaciones. A principios de 2024, investigadores de IBM y Cleveland Clinic publicaron una investigación que detalla el desarrollo de un modelo de inteligencia artificial (IA) capaz de encontrar características moleculares que serían clave para desarrollar mejores tratamientos de inmunoterapia. Recientemente, en junio de 2024, IBM y Cleveland Clinic han anunciado una nueva colaboración con Hartree Center, para impulsar proyectos de investigación en Reino Unido y Estados Unidos utilizando nuevas tecnologías para estudiar la epilepsia y el impacto de las intervenciones hospitalarias. “Esta colaboración internacional reúne a un equipo multidisciplinario de científicos, investigadores clínicos y médicos de toda la industria, el gobierno y la atención médica”, dijo Lara Jehi, directora de información de investigación de la Clínica Cleveland. “Los equipos de investigación aprovecharán el alto rendimiento y la computación cuántica para avanzar en las ciencias biológicas, con el objetivo de mejorar la atención médica y acelerar nuevos tratamientos para pacientes de todo el mundo. Cleveland Clinic London será un vínculo central entre la atención clínica innovadora en el Reino Unido y la huella global de Cleveland Clinic”, agregó. Por otra parte, Alessandro Curioni, miembro de IBM y director de IBM Research Zurich, explicó que esta colaboración desempeñará un importante rol en la investigación sobre la computación de vanguardia en la atención médica y en las ciencias de la vida. De manera inicial han lanzado dos proyectos de investigación clínica para poner en marcha esta nueva colaboración, las cuales contarán con el respaldo del Centro Nacional Hartree para la Innovación Digital de Reino Unido. El primer proyecto consiste en la aplicación de herramientas avanzadas de IA para cuantificar objetivamente el impacto de la atención en los pacientes en la Cleveland Clinic London. Además, los miembros de la colaboración examinarán cómo los procedimientos hospitalarios afectan la salud general y la calidad de vida de un paciente. El equipo explorará datos clínicos de imágenes avanzadas proporcionadas por Cleveland Clinic London. “Los investigadores planean utilizar este estudio piloto para desarrollar modelos de IA más grandes que puedan integrar múltiples tipos de datos para el análisis de diferentes enfermedades, con el objetivo en última instancia de mejorar la comprensión y la atención al paciente”, explica el comunicado de Cleveland Clinic. El segundo proyecto aplicará computación cuántica para analizar conjuntos de datos a gran escala para identificar características moleculares en el cuerpo que predicen mejor la respuesta quirúrgica en pacientes con epilepsia. El objetivo del estudio es descubrir nuevos biomarcadores para personalizar los planes de tratamiento de cada paciente. Este último proyecto es uno de los grandes desafíos de la investigación biomédica de la colaboración Discovery Accelerator. BIBLIOGRAFÍA CLEVELAND CLINIC https://newsroom.clevelandclinic.org/2024/06/06/cleveland-clinic-ibm-and-the-hartree-centre-collaborate-to-advance-healthcare-and-life-sciences-through-artificial-intelligence-and-quantum-computing
Investigadores del Imperial College London desarrollarán réplicas digitales del corazón para mejorar el monitoreo y tratamiento de pacientes crónicos del NHS. Un equipo de investigadores interdisciplinarios del Imperial College London, liderará el proyecto CVD-Net con un financiamiento de 8 millones de libras para desarrollar y evaluar los primeros modelos de “gemelos digitales” o “digital twins” del corazón para un grupo de pacientes crónicos del Servicio Nacional de Salud (NHS, en inglés). Estos modelos digitales permitirán un seguimiento más preciso de la progresión de la enfermedad y las respuestas al tratamiento, así como predicciones personalizadas. Los investigadores construirán réplicas virtuales completamente precisas, conocidas como gemelos digitales, de los corazones de los participantes utilizando datos de salud, que incluyen registros médicos, escaneos hospitalarios e información de dispositivos médicos portátiles o implantados. Estos modelos serán continuamente actualizados con datos en tiempo real de dispositivos médicos, permitiendo un seguimiento preciso de los cambios en la enfermedad y respuestas al tratamiento de cada paciente. El proyecto, liderado por Steven Niederer del Imperial College London, en colaboración con la Universidad de Sheffield, la Universidad de Nottingham y el Instituto Alan Turing, contará con un equipo interdisciplinario de ingenieros, médicos, estadísticos computacionales y especialistas en investigación. Cabe mencionar que la financiación proviene del Engineering and Physical Sciences Research Council (EPSRC). Los participantes en el estudio serán pacientes con hipertensión arterial pulmonar (HAP), una enfermedad cardiovascular potencialmente mortal que causa dificultad para respirar y falla cardíaca. La evaluación de la funcionalidad y precisión del modelo digital del corazón se llevará a cabo en colaboración con especialistas en HAP de centros de atención especializada del NHS, incluido el Imperial College Healthcare NHS Trust. De esta manera, el proyecto de gemelos digitales evaluará si el uso de estos modelos digitales del corazón en las vías de atención al paciente del NHS es factible, ampliable y asequible para su adopción generalizada. Se espera que esta tecnología permita una atención más personalizada y receptiva para los pacientes, mejorando así su calidad de vida y resultados de salud. BIBLIOGRAFÍA IMPERIAL COLLEGE LONDON https://www.imperial.ac.uk/news/253154/digital-twin-heart-modelling-project-will/
Recientemente Google presentó sus últimos avances y esfuerzos en tecnología de IA generativa en salud. El año pasado durante el evento Google Health’s Check Up, la compañía estadounidense presentó Med-PaLM 2, un modelo de lenguaje (LLM, en inglés), optimizado para la atención médica. Actualmente el modelo está disoluble a nivel global para consumidores y organizaciones asociadas que crean soluciones que apoyan a profesionales de la salud en tareas de enfermería o documentación, por ejemplo. Sin embargo, a finales del 2023, Google presentó MedLM, un modelo construido específicamente para tareas de salud y actualmente disponible a través de Google Cloud y la plataforma Vertex AI. En este sentido, uno de los más recientes avances de Google es la introducción de MedLM para radiografías de tórax, lo cual tiene el potencial de transformar los flujos de trabajo de los radiólogos, ayudando a clasificar las imágenes para diversos casos. Además, las radiografías de tórax son clave para detectar condiciones en los pulmones y en el corazón. Esta tecnología está disponible para ciertos clientes de la compañía. Google busca añadir modalidades similares para resultados de laboratorio, datos genómicos, contexto ambiental y más, con el propósito de lograr una imagen más completa para comprender la salud de los pacientes. Por otra parte, Google también anunció que han realizado una serie de investigaciones sobre el perfeccionamiento de sus modelos para el ámbito médico. En este caso han estudiado cómo una versión de su LLM Gemini (antes Bard), optimizada para la salud, puede impulsar nuevas formas de razonamiento avanzado, comprensión y procesamiento de grandes volúmenes de datos y de múltiples modalidades. Actualmente, alrededor del 30% del volumen de datos a nivel mundial proviene del sector salud y crece anualmente hasta 36%, esto incluye cantidades masivas de texto, imágenes, audio y video. De esta manera, los modelos de Gemini, son capaces de aplicarse a diversas pruebas clínicas como el US Medical Licensing Exam (USMLE), y responder preguntas sobre información genómica o radiografías de tórax. No obstante, Google reconoce que este avance continúa en fase de investigación, a pesar del gran potencial de la IA generativa para asistir a las organizaciones de salud. Por otra parte, Google Research se encuentra trabajando para construir un LLM que impuse características de salud personalizada y bienestar en la app de Fitbit. Este modelo busca entregar consejos y recomendaciones personalizadas para alcanzar sus metas en salud y actividad física. Por ejemplo, tras analizar patrones de sueño, el modelo entregaría recomendaciones sobre cómo cambiar la intensidad del ejercicio para que no altere la calidad del sueño. De igual forma, este modelo esta construido en Gemini y se han realizado varios estudios para validar sus resultados, antes de que esté disponible para los usuarios de Pixel y Fitbit. BIBLIOGRAFÍA GOOGLE https://blog.google/technology/health/google-generative-ai-healthcare/
Un nuevo método de machine learning busca predecir las consecuencias de apnea del sueño que afecta a millones de personas. El Instituto Nacional del Corazón, los Pulmones y la Sangre de los Institutos Nacionales de Salud de Estados Unidos (NIH, en inglés) ha otorgado una subvención de cinco años por 4.1 millones de dólares a investigadores del Mount Sinai para desarrollar y estudiar un modelo impulsado por inteligencia artificial (IA) que sea capaz de predecir los resultados adversos de la apnea obstructiva del sueño. Los especialistas afirman que el modelo buscará reflejar mejor la fisiología subyacente de la afección y las formas en que afecta el sueño, mejorando la atención y el tratamiento de los pacientes. La apnea del sueño es una afección crónica de obstrucción intermitente del flujo de aire y respiración inadecuada durante el sueño que afecta a casi mil millones de personas en todo el mundo. La herramienta de diagnóstico actual para la apnea obstructiva del sueño es el índice de apnea-hipopnea o apnea hypopnea index, este método mide la frecuencia de apnea o el número de veces que una persona deja de respirar mientras duerme, y las hipopneas, o períodos de flujo de aire reducido. Sin embargo, se trata de una métrica con limitaciones evidentes y carece de precisión en la predicción de resultados. En respuesta a esta problemática a nivel global, investigadores de Mount Sinai desarrollaron un enfoque impulsado por IA que examina las funciones del sueño que se relacionan con la apnea, por ejemplo: la respiración, los niveles de oxígeno y las etapas del sueño. De esta forma, estas categorías se combinan en un puntaje de probabilidad que predice el riesgo de resultados a corto y largo plazo del trastorno. “Nuestra propuesta utiliza un modelo de inteligencia artificial de última generación que perfila el riesgo de los pacientes con apnea del sueño utilizando datos de estudios de sueño de rutina”, dijo el investigador principal el Dr. Ankit Parekh. El Dr. Parekh también explicó que el estudio evaluará el desempeño en el mundo real de un enfoque de IA, y será clave para ofrecer evidencia para traducir meticas que van más allá de la apnea hipopnea en la evaluación de la gravedad de apnea obstructiva del sueño en la práctica clínica. El método impulsado por IA combina métricas automatizadas en categorías independientes como ventilación, hipoxia o despertares con pesos basados en datos para determinar el riesgo de resultados adversos. La investigación actual sugiere que de tres las cohortes de casi 11 mil participantes, el modelo de aprendizaje automático podría predecir la probabilidad de somnolencia debido a la apnea con una precisión de aproximadamente el 87% un porcentaje significativo considerando el 54% de precisión que alcanza la métrica actual. Asimismo, otra cohorte de más de 4 mil 700 participantes podría aprender a predecir la mortalidad cardiovascular con una precisión de casi 81%, en comparación con un modelo de regresión con las métricas existentes que alcanzan hasta 58% de exactitud. De esta forma, los investigadores han mostrado resultados positivos en la investigación, por lo que los hallazgos esperados en los próximos años son prometedores. Por lo tanto, el equipo de investigación planea probar ambos modelos de machine learning en un grupo de pacientes del Mount Sinai Integrative Sleep Center, el cual revisará datos como estudios de sueño de polisomnograma, los cuales registran ondas cerebrales, niveles de oxígeno, frecuencia cardíaca y respiración durante el sueño. Posteriormente, los resultados de validarán retrospectivamente con datos de sueño para análisis estadístico. BIBLIOGRAFÍA MOUNT SINAI https://www.mountsinai.org/about/newsroom/2024/mount-sinai-researchers-awarded-41-million-nih-grant-to-advance-understanding-of-sleep-apnea-using-artificial-intelligence
Investigadores de Cedars-Sinai Cancer, utilizaron una herramienta de medicina de precisión para identificar biomarcadores que podrían relacionarse con el cuidado de cáncer de páncreas. Investigadores de Cedars-Sinai Cancer, han utilizado un nuevo método de medicina de precisión e inteligencia artificial (IA) llamada Molecular Twin Precision Oncology Platfom. Esta herramienta tiene la capacidad de identificar biomarcadores que superan la prueba estándar de predicción de supervivencia de cáncer de páncreas. Además, la plataforma cuenta con el respaldo de un estudio publicado en Nature Cancer, en el cual se demuestra la viabilidad de esta herramienta y su potencial para guiar hacia un mejor tratamiento para los pacientes con cáncer. Según el Dr. Dan Theodorescu director de Cedars-Sinai Cancer, la plataforma de gemelo molecular o Molecular Twin puede ser utilizado en estudios sobre cualquier tipo de tumores, incluyendo cáncer de páncreas que tiene mayor dificultar para su tratamiento. “Utilizando nuestra tecnología Molecular Twin, prevemos crear pruebas que puedan utilizarse incluso en lugares que carecen de acceso a recursos y tecnología avanzados, emparejando a los pacientes con las terapias más eficaces y ampliando la disponibilidad de la medicina de precisión”, agregó. El estudio incluyó el análisis, a través de Molecular Twin, de muestras de tejidos y de sangre de 74 pacientes con los tipos más comunes y más agresivos de cáncer de páncreas. Posteriormente, los investigadores combinaron 6,363 datos biológicos distintos incluyendo información genética y molecular para crear el modelo, el cual predijo con exactitud la supervivencia de la enfermedad en el 87% de los pacientes. A continuación, utilizaron IA para crear un modelo que funcionara de la misma forma, pero solo usando 589 puntos de datos. Estos modelos mejoraron los resultados de la única prueba de cáncer de páncreas aprobada por la Administración de Alimentos y Medicamentos (FDA, en inglés). Además, los resultados fueron validados por conjuntos de datos independientes de The Cancer Genome Atlas, Massachusetts General Hospital, y Johns Hopkins University. “Ya habíamos emprendido una recogida exhaustiva de muestras de sangre y tejidos de pacientes con cáncer de páncreas, lo que nos brindó una buena oportunidad para probar la plataforma Molecular Twin. A medida que ampliemos la plataforma con más pacientes, Molecular Twin se convertirá en una herramienta aún más sólida, no sólo en el cáncer de páncreas, sino en todos los tipos de cáncer”, explicó Arsen Osipov, líder del programa de la Clínica Multidisciplinar de Cáncer de Páncreas y del Programa de Medicina de Precisión del Cedars-Sinai Cancer. Por su parte, la Dra. Jennifer Van Eyk, directora de biosistemas clínicos avanzados en Cedars-Sinai, explicó que las proteínas resultaron ser los principales impulsores de los modelos de cáncer de páncreas y así conocer la respuesta del organismo de los pacientes con cáncer. De esta forma, esta plataforma y estos modelos pueden ayudar al descubrimiento de biomarcadores de otros tipos de cáncer y abrir el camino hacia el desarrollo de nuevos tratamientos contra estas enfermedades. BIBLIOGRAFÍA CEDARS SINAI https://www.cedars-sinai.org/newsroom/cedars-sinai-develops-new-tools-to-improve-pancreatic-cancer-patient-care/ NATURE https://www.nature.com/articles/s43018-023-00697-7
Un algoritmo desarrollado por Mass General Brigham aborda la carencia de información sobre circunstancias sociales en historias clínicas electrónicas. Los determinantes sociales de la salud (SDoH, en inglés), son las condiciones en las que las personas nacen, crecen. Viven, trabajan y envejecen. Estos factores abarcan múltiples aspectos relacionados con el entorno social, económico y físico, además de los recursos disponibles para las personas. Por ejemplo, un SDoH, es el acceso a la educación, al empleado a la vivienda, a la nutrición o a la atención médica de calidad. Los determinantes tienen un impacto muy importante en la salud de las personas y además contribuyen negativamente a las disparidades de salud. Por ejemplo, en el acceso a servicios de salud especializados en zonas rurales. En este sentido, los SDoH, dejan de lado factores médicos y biológicos individuales y se enfocan en el contexto social y ambiental en el que se desenvuelven las personas. Por otra parte, existe un desafío alrededor de los SDoH y su registro. La falta de documentación sobre las circunstancias sociales de los pacientes en registros médicos electrónicos es un problema persistente para los profesionales de la salud, los investigadores e incluso los trabajadores administrativos de centros de salud. En este sentido, investigadores de Mass General Brigham han desarrollado un algoritmo de inteligencia artificial generativa (IA generativa) que, según un estudio reciente publicado en npj Digital Medicine, puede extraer información sobre SDoH de las notas de los médicos. Estos modelos afinados podrían mejorar la identificación de pacientes que podrían beneficiarse de apoyo adicional. El estudio detalla que los grandes modelos de lenguaje (LLM, en inglés) pueden ser entrenados para extraer automáticamente información sobre SDoH de las notas de los médicos. A través del modelo desarrollado, los investigadores identificaron el 93.8% de pacientes con SDoH adversos, en comparación con solo el 2% registrado mediante códigos de diagnóstico oficiales. Además, el estudio encontró que estos modelos especializados eran menos propensos a sesgos que los modelos generalistas como GPT-4. La Dra. Danielle Bitterman, autora principal del estudio, destaca la relevancia clínica de los algoritmos que pueden identificar aspectos sociales relevantes. “Nuestro objetivo es identificar a pacientes que podrían beneficiarse del apoyo social y de trabajo, y llamar la atención sobre el impacto subdocumentado de los factores sociales en los resultados de salud”, explicó. Como se mencionó anteriormente, los SDoH, como empleo, vivienda y otros aspectos no médicos, están vinculados a disparidades de salud. Sin embargo, los médicos pueden resumir SDoH relevantes en sus notas, esta información es clave y no suele organizarse de manera sistemática en los registros de salud electrónicos. Por otra parte, la investigación refleja el potencial transformador de las herramientas de IA en el ámbito de la salud. Mass General Brigham, ha desarrollado diversos estudios relacionados con el uso de LLMs, IA generativa y otras tecnologías emergentes. Finalmente, el estudio detalla que es necesario continuar investigando para comprender y mitigar los sesgos relacionados con el uso de LLM e IA generativa, para poderlos implementar en entornos clínicos, especialmente cuando utiliza información sensible y personal de los pacientes. BIBLIOGRAFÍA MASS GENERAL BRIGHAM https://www.massgeneralbrigham.org/en/about/newsroom/articles/generative-artificial-intelligence-models-effectively-highlight-social-determinants-of-health-in-doctors-notes
El Foro Económico Mundial pondrá en marcha una nueva Iniciativa de Transformación Digital de los sistemas de salud basado en lo digital, los datos y la inteligencia artificial. El Foro Económico Mundial (WEF, en inglés) en colaboración con Boston Consulting Group, elaboró un plan para la Iniciativa de Transformación Digital de la Salud, en la cual detalla los retos en salud que pueden enfrentar las soluciones digitales, los factores clave para la adopción, casos de éxito y las estrategias para acelerar la transformación digital de la salud. El emergente avance de las tecnologías digitales y la inteligencia artificial (IA), ha alcanzado a la atención médica, sin embargo, continúa siendo un desafío importante que las nuevas tecnologías logren el potencial transformador en los sistemas de salud a nivel mundial. El informe del WEF detalla un plan para la transformación digital de los sistemas de salud, detallando los retos sanitarios que las soluciones digitales pueden abordar, los factores clave para su adopción, los casos de éxito y las estrategias para acelerar la transformación digital. El WEF reconoce que las soluciones de Salud Digital pueden ampliarse y abordar los desafíos mediante la colaboración entre partes interesadas del sector salud. Por ejemplo, han surgido iniciativas a nivel mundial para potenciar los beneficios de la Salud Digital y eliminar las barreras. Para continuar por este camino de impacto positivo hacia la transformación digital de la salud, el WEF puso en marcha la Iniciativa de Transformación Digital de la Salud, la cual tiene como objetivo facilitar el compromiso público-privado en materia de Salud Digital y de datos. El documento se divide en seis temas principales: Lo digital, los datos y la IA pueden abordar tres problemas persistentes y crecientes de la sanidad El documento detalla que los sistemas sanitarios experimentan un aumento demanda y una oferta limitada, lo que amenaza la salud de la población. En este sentido, la IA puede hacer frente a tres retos persistentes y crecientes del sistema sanitario como lo son la escasez de recursos, la creciente carga de las enfermedades crónicas y la desigualdad de resultados y de acceso a la salud. La falta de innovación no es el problema El documento resalta que lo digital, los datos y la IA ya se encuentran impactando los servicios de salud. Sin embargo, los desafíos se encuentran en el viaje del paciente o en la creación de sistemas de salud más eficientes y sostenibles. Existe la oportunidad para os digital, los datos y la IA de hacer más El informe detalla que no hemos alcanzado el potencial de las tecnologías emergentes debido a diversas barreras, no obstante, estas se pueden superar. Para liberar todo embargo, de lo digital, los datos y la IA es necesaria su ampliación y escalabilidad Los sistemas de salud requieren estrategias para priorizar los esfuerzos de transformación digital Para ello es necesario definir una estrategia digital y el WEF propone cinco habilitadores para liberar el potencial de lo digital, los datos y la IA: Datos, tecnología y analítica, incentivos y financiamiento, servicios de salud híbridos, regulación y políticas. Finalmente, el documento presenta casos de estudio exitosos de aplicaciones de lo digital, los datos y la IA en el sector sanitario. Por ejemplo, K Health, una IA avanzada que provee atención sanitaria personalizada guiada por datos; Viz.ai, que utiliza IA para acelerar el diagnóstico y tratamiento de enfermedades; USAID m-mama, un proyecto de la agencia de Cooperación Internacional de Estados Unidos en África, para combatir la mortalidad materna; y Ping An; un sistema integral que integra la atención y servicios de salud digital a gran escala en China, con más de 10 mil hospitales y 220 mil farmacias interconectadas. El sexto tema que aborda el documento es la puesta en marcha de la nueva iniciativa de transformación digital de la salud del WEF. En este sentido, el Centro de Salud y Asistencia Sanitaria del Foro está priorizando las asociaciones público-privadas para acelerar el impacto de lo digital, los datos y la IA en los ecosistemas de salud. Consulta el informe completo en el siguiente enlace: https://www3.weforum.org/docs/WEF_Transforming_Healthcare_2024.pdf BIBLIOGRAFÍA WEF https://www.weforum.org/publications/transforming-healthcare-navigating-digital-health-with-a-value-driven-approach/ https://www3.weforum.org/docs/WEF_Transforming_Healthcare_2024.pdf
