Search Results for: care studio – Page 5

Encuesta de Deloitte revela el optimismo de los consumidores respecto a la IA generativa y su impacto en la salud y a favor de la atención médica asequibles. Una encuesta realizada por Deloitte revela que los consumidores están entusiasmados con el potencial de la Inteligencia Artificial (IA) generativa para revolucionar la atención médica. Los resultados destacan la creencia generalizada en que esta tecnología podría mejorar el acceso a la atención médica y hacerla más asequible, abriendo puertas hacia una nueva era en el cuidado de la salud. El estudio, que contó con la participación de 2,014 adultos en Estados Unidos, mostró que más del 50% de los encuestados considera que la IA generativa puede mejorar el acceso a la atención médica, mientras que un 46% opina que puede reducir los costos de atención. En este sentido, los resultados muestran la y la percepción positiva de los consumidores hacia esta nueva tecnología en el ámbito de la salud. De igual manera, los resultados también mostraron que el interés por la salud impulsó a casi la mitad de los encuestados a utilizar la IA generativa. Por ejemplo, el 84% estaba familiarizado con esta tecnología. En cuanto a la fiabilidad percibida de la IA generativa en el campo médico, el 69% de los usuarios la califica como altamente confiable. Además, un 20% de los consumidores empleó esta herramienta para informarse sobre sus condiciones médicas. Por su parte, el Dr. Asif Dhar, líder de ciencias biológicas y atención médica de Deloitte, enfatizó la importancia de estos hallazgos al explicar que la IA generativa puede reducir costos, mejorar el acceso y potenciar el bienestar. También destacó que las percepciones de los consumidores son fundamentales para definir la adopción y el papel de la industria en el uso de esta tecnología en la atención médica. “La IA generativa ofrece la posibilidad de mejorar la salud, pero su implementación debe priorizar la transparencia y la construcción de un marco confiable para lograr verdaderamente el futuro de la salud”, explicó el Dr. Bill Fera de Deloitte. Sin embargo, aunque los consumidores están abiertos a la utilización de la IA generativa por parte de los médicos para proporcionar información adicional sobre sus afecciones, todavía existen ciertas barreras cuando esta tecnología se emplea en la toma de decisiones críticas en el tratamiento. Por ello la transparencia en el uso de la IA generativa es un aspecto fundamental, ya que el 80% de los consumidores considera importante que los proveedores de atención médica revelen su uso para las necesidades de salud. BIBLIOGRAFÍA PR NEWSWIRE https://www.prnewswire.com/news-releases/deloitte-consumers-believe-generative-ai-could-make-health-care-more-affordable-301989943.html

Los datos sintéticos son refieren a información generada artificialmente mediante modelos matemáticos o algoritmos con el propósito de abordar tareas específicas en ciencia de datos. El uso de datos sintéticos en la atención médica es una tendencia emergente que podría resolver problemas de privacidad y facilitar la investigación, la innovación y el desarrollo de tecnologías sanitarias. Los datos sintéticos son datos generados artificialmente que simulan datos del mundo real pero que no contienen información personal identificable de pacientes, ni información sanitaria protegida. El uso de datos sintéticos contempla diversos aspectos y desafíos como la protección de la privacidad; la innovación y la investigación; el intercambio de datos y la colaboración entre profesionales de la salud; entre otros. Los datos son fundamentales en la atención médica actual, ya que tienen el potencial de mejorar la atención al paciente, impulsar la investigación clínica y avanzar en iniciativas de salud pública. No obstante, el acceso a conjuntos de datos de alta calidad no está al alcance de todos, lo que frena la investigación y las innovaciones en salud. En este sentido, los datos sintéticos surgen como una alternativa atractiva que aborda cuestiones de privacidad, utilidad de datos, aprobaciones éticas, y sobre todo facilita la investigación al reducir costos. Uso de datos sintéticos Los datos sintéticos se han utilizado en otras áreas, como finanzas y economía, sin embargo, su aplicación en la toma de decisiones clínicas enfrenta serios desafíos debido a la responsabilidad y a otros aspectos técnicos, por ejemplo, la replicación precisa de registros médicos originales. Recientemente en un artículo publicado en npj Digital Medicine, autores exploraron y revisaron técnicas de generación de datos sintéticos, las aplicaciones de estos datos, las definiciones de datos sintéticos en el contexto de la salud, y desafíos de privacidad. Además, propusieron estrategias para mitigar riesgos y aprovechar el verdadero potencial de los datos sintéticos en la investigación médica. Los autores explican que el término “datos sintéticos” carece de una definición unificada, sin embargo, hace referencia a datos generados artificialmente con el fin de abordar tareas específicas en el campo de ciencia de datos. No obstante, la falta de una definición aceptada universalmente conlleva al uso inconsistente del término. Recientemente, la Royal Society and The Alan Turing Institute definió el término como “datos que han sido generados utilizando un modelo matemático o algoritmo diseñado con el objetivo de resolver una tarea (o conjunto de tareas) de ciencia de datos”. ¿Cómo se generan los datos sintéticos? En términos de la generación de dato, existen diversas metodologías, desde estructuras de aprendizaje profundo como las Redes Generativas Adversariales (GANs, en inglés) y los Codificadores Variacionales (VAEs, en inglés) hasta modelos econométricos basados en agentes o ecuaciones diferenciales que simulan sistemas físicos o económicos. Estas herramientas automatizadas son capaces de generar conjuntos de datos sintéticos de alta calidad y clínicamente realistas. Los datos sintéticos pueden clasificarse como parcialmente sintéticos hasta completamente sintéticos. Los datos parcialmente sintéticos combinan datos del mundo real con datos sintéticos. Este enfoque se ha utilizado en la atención médica para proteger la privacidad de los pacientes mientras permite a los investigadores realizar análisis. Por otro lado, los datos completamente sintéticos se crean desde cero basándose en reglas, modelos o simulaciones predefinidas y no representan datos del mundo real. Estos datos están diseñados para replicar la complejidad y variabilidad que se observa en escenarios del mundo real, lo que puede ser útil en situaciones donde la disponibilidad de datos es limitada. Aplicaciones de los datos sintéticos en atención médica Las aplicaciones de los datos sintéticos en salud son diversas y tienen el potencial de transformar la atención médica. Por ejemplo, tienen el potencial de estimar los beneficios de políticas de detección y atención médica, tratamientos o intervenciones clínicas, mejorar algoritmos de aprendizaje automático, como pipelines de clasificación de imágenes, preentrenar modelos de aprendizaje automático que luego se pueden ajustar para poblaciones de pacientes específicas y mejorar modelos de salud pública para predecir brotes de enfermedades infecciosas. Por ejemplo, en el ámbito de la salud mental, se ha utilizado data sintética en combinación con procesamiento de lenguaje natural (PLN) para predecir diagnósticos y fenotipos de pacientes basados en informes de alta hospitalización. Los registros electrónicos de salud (EHRs, en inglés) contienen datos de PLN que se pueden utilizar para clasificar enfermedades complejas. Dado que la información de salud mental se considera especialmente sensible, el uso de texto sintético evita el riesgo de comprometer información confidencial y sensible. Por otra parte, en el contexto de la pandemia COVID-19, los datos sintéticos también se utilizaron para mejorar la escasez de datos en estudios de imágenes médicas. Estos estudios han demostrado que el uso de datos sintéticos puede mejorar la precisión de la detección de COVID-19 en imágenes de tomografías computarizadas (TC) en comparación con los datos originales. Asimismo, a los datos sintéticos se les relaciona con el concepto de “gemelos digitales” en la atención médica, los cuales representan réplicas virtuales de sistemas físicos o procesos que se utilizan para simular y predecir su comportamiento en tiempo real. En el ámbito de la salud, los gemelos digitales pueden utilizarse para crear modelos personalizados de pacientes, lo que permite optimizar los planes de tratamiento y mejorar los resultados. De igual manera, se han utilizado para optimizar la eficiencia y operaciones hospitalarias. Desafíos y limitaciones Como se mencionó anteriormente, los autores explican otro de los aspectos más importantes en relación con los datos sintéticos, como las preocupaciones de privacidad y seguridad. En este sentido, los autores detallan que la privacidad no debe ser considerada como una idea secundaria una vez que un sistema ya ha sido diseñado e implementado, sino que debe aplicarse un enfoque de “privacidad desde el diseño”, especialmente cuando se trabaja con datos clínicos. El desafío más importante clave es garantizar que los datos sintéticos derivados de información médica sensible no revelen involuntariamente detalles identificables sobre las personas ni conduzcan a una posible reidentificación de estos pacientes, ya que violaría principios de privacidad y protección de datos. Si deseas conocer más

Investigadores de la Facultad de Medicina Icahn y de la Universidad de Michigan evaluaron el impacto de la implementación de modelos predictivos en entornos médicos. Los modelos basados en aprendizaje automático utilizados en entornos sanitarios son aplicaciones de inteligencia artificial (IA) que tienen como objetivo mejorar la atención médica, la toma de decisiones clínicas y la gestión de datos en el sector de la salud. Estos modelos aprovechan grandes conjuntos de datos de pacientes, historiales médicos, imágenes médicas y otros datos relacionados con la salud para realizar tareas específicas, como diagnóstico, pronóstico, tratamiento y gestión de registros médicos. Estos modelos pueden mejorar la precisión de diagnósticos, optimizar los tratamientos y acelerar la investigación médica. Sin embargo, es importante abordar cuestiones éticas y de privacidad relacionadas con la recopilación y el uso de datos de salud. Asimismo, es necesario evaluar el impacto y los resultados de estos modelos luego de aplicarse en entornos clínicos. En este sentido, los modelos basados en el aprendizaje automático en el ámbito sanitario pueden ser víctimas de su propio éxito, según investigadores de la Facultad de Medicina Icahn y de la Universidad de Michigan. Para ello realizaron un estudio en el cual evaluaron el impacto de la implementación de modelos predictivos en el rendimiento posterior de los mismos y otros modelos. “Queríamos explorar lo que sucede cuando un modelo de aprendizaje automático se despliega en un hospital y se le permite influir en las decisiones de los médicos para el beneficio general de los pacientes”, explicó el primer autor, Akhil Vaid, Instructor Clínico de Medicina Digital Impulsada por Datos (D3M, en inglés) en Icahn Mount Sinai. El estudio buscó comprender las consecuencias cuando un paciente supera resultados adversos como daño renal o mortalidad. Los modelos de IA son capaces de aprender y establecer correlación entre los datos de los pacientes y sus resultados correspondientes.  No obstante, el uso de los modelos también puede alterar estas relaciones. El objetivo del estudio fue estimar los cambios en el rendimiento del modelo predictivo con el uso a través de tres escenarios comunes: 1. el reentrenamiento del modelo tras su uso inicial; 2. la implementación secuencial de un modelo tras otro, es decir crear un nuevo modelo cuando ya se ha utilizado uno; y 3. la intervención en respuesta a un modelo cuando se implementan dos modelos simultáneamente, es decir el uso simultáneo de dos modelos de predicción. Para ello reunieron datos de 130 mil admisiones de cuidados críticos del sistema de salud de Mount Sinai en Nueva York y del Beth Israel Deaconess Medical Center de la ciudad de Boston. En el escenario 1, la práctica actual sugiere reentrenar los modelos para hacer frente a la degradación de su rendimiento a lo largo del tiempo. De esta forma, el reentrenamiento es capaz de mejorar inicialmente el rendimiento al adaptarse a condiciones cambiantes, sin embargo, los autores del estudio encontraron que esto puede producir paradójicamente una mayor degradación del modelo. Por otra parte, en el escenario 2, muestra que, puede ser inapropiado entrenar nuevos modelos tomando como base resultados basados en el uso de otro modelo de aprendizaje automático. Y finalmente, en el escenario 3, explica que, si dos modelos realizan predicciones simultáneas, el uso de un conjunto de predicciones deja obsoleto al otro. De esta manera las predicciones deben basarse en datos de reciente obtención, algo costoso y poco práctico según el estudio. Los resultados fueron los siguientes: Escenario 1: Sensibilidad fija del 90%, un modelo de predicción de la mortalidad perdió entre un 9% y un 39% de especificidad tras reentrenarse una vez. Escenario 2: Un modelo de predicción de la mortalidad perdió entre un 8% y un 15% de especificidad cuando se creó tras la implantación de un modelo de predicción de la lesión renal aguda (LRA). Escenario 3: Los modelos de predicción de la LRA y de la mortalidad implantados simultáneamente, cada uno de ellos condujo a una reducción de la precisión efectiva del otro entre un 1% y un 28%. “No debemos considerar que los modelos predictivos no son fiables”, explicó el coautor principal Girish Nadkarni, profesor de medicina en Icahn Mount Sinai. “Por el contrario, se trata de reconocer que estas herramientas requieren un mantenimiento regular, comprensión y contextualización. Descuidar su rendimiento y el seguimiento de su impacto puede socavar su eficacia. Debemos utilizar los modelos predictivos de forma reflexiva, como cualquier otra herramienta médica. Los sistemas de salud que aprenden deben prestar atención al hecho de que el uso indiscriminado y las actualizaciones de dichos modelos provocarán falsas alarmas, pruebas innecesarias y un aumento de los costes”. En este sentido, los autores recomiendan que los sistemas sanitarios adopten un sistema de seguimiento de personas afectadas por predicciones de aprendizaje automático y también hicieron un llamado a los organismos gubernamentales a la publicación de directrices pertinentes sobre estos modelos. Puedes consultar el estudio completo en el siguiente enlace: https://www.acpjournals.org/doi/10.7326/M23-0949 BIBLIOGRAFÍA ACP JOURNALS https://www.acpjournals.org/doi/10.7326/M23-0949 MOUNT SINAI https://www.mountsinai.org/about/newsroom/2023/what-is-the-impact-of-predictive-ai-in-the-health-care-setting

Un modelo de aprendizaje automático fue sometido a una validación externa para predecir la mortalidad a seis meses en pacientes con tumores sólidos avanzados. El pronóstico de enfermedades basado en aprendizaje automático o machine learning (ML) ha demostrado ser una herramienta prometedora para facilitar las conversaciones sobre enfermedades graves entre médicos y pacientes. Para mejorar las conversaciones entre profesionales de la salud y pacientes con cáncer avanzado en puntos de decisión del tratamiento (TDP, en inglés), un equipo previamente desarrolló y validó internamente un modelo de ML que clasifica a los pacientes en baja o alta probabilidad de sobrevivir los próximos seis meses si inician una nueva línea de terapia. El modelo toma en cuenta 45 características derivadas de datos de registros electrónicos de salud utilizando el estándar Fast Healthcare Interoperability Resources (FHIR), lo que garantiza interpretabilidad e interoperabilidad. Este modelo busca implementarse en una herramienta para comunicar y explicar de manera transparente el pronóstico de la enfermedad basado en ML. En este sentido, la validación externa de un modelo de ML es crucial para garantizar su confiabilidad antes de su implementación clínica, el objetivo de los investigadores fue validar externamente el modelo tomando en cuenta datos de pacientes recientes. Este estudio realizó la validación externa utilizando datos de registros electrónicos de salud extraídos del almacén de datos de University of Utah Health correspondientes al 12 de octubre de 2022. Sin embargo, en primera instancia el modelo ML se entrenó originalmente en TDP del 1 de junio de 2014 al 1 de junio de 2020 y los investigadores evaluaron TDP recién identificados entre el 2 de junio de 2020 y el 12 de abril de 2022. El análisis evaluó el rendimiento del modelo utilizando el área bajo la curva y se determinó el valor predictivo positivo, el valor predictivo negativo, la sensibilidad y la especificidad en el umbral de riesgo predeterminado del 0.3. Asimismo, calculó métricas de calidad, como las derivaciones para cuidados paliativos u hospitalización, para pacientes clasificados con baja probabilidad de supervivencia. Los resultados mostraron que, un total de 1822 pacientes experimentaron 2613 TDPs. Los conjuntos de datos de desarrollo (4192, pacientes) y validación (1822, pacientes) eran similares, excepto que los pacientes en el conjunto de validación eran más jóvenes y con diferentes proporciones de tipos de cáncer. De esta forma, no hubo diferencia significativa en las tasas de mortalidad a seis meses después de los TDP. El modelo registró un buen rendimiento en los datos de validación con un AUC de 0.80, similar a los resultados de la fase de desarrollo. Además, identificó una baja probabilidad de supervivencia en el 8.7% de los TDPs. Entre los TDPs para pacientes con baja probabilidad de supervivencia, los autores realizaron anotaciones para cuidados paliativos, hospicio y hospitalización. Los resultados de este estudio respaldan la necesidad de una herramienta para facilitar conversaciones sobre enfermedades graves mientras pacientes y profesionales consideran nuevas líneas de terapia contra el cáncer. Este modelo de ML demostró un buen rendimiento predictivo en datos recientes, similar a la fase de desarrollo. No obstante, al igual que la gran parte de los estudios clínicos, los resultados están limitados por los datos de una sola fuente y la falta de diversidad racial y étnica de los participantes. Por ello los autores siguieren diversas evaluaciones en múltiples sistemas de salud para determinar su efectividad con mayor precisión. BIBLIOGRAFÍA JAMA NETWORK https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2807936

Un estudio analizó el progreso de las patentes de inteligencia artificial y de aprendizaje automático durante los últimos años. La inteligencia artificial (IA) y el aprendizaje automático o machine learning continúan revolucionando rápidamente el campo de la atención médica. Para comprender mejor las tendencias emergentes en este ámbito, investigadores han realizado un exhaustivo análisis de patentes internacionales. Este análisis revela el aumento constante en el número de patentes relacionadas con la IA y el ML en la atención médica, así como las empresas líderes que están impulsando este crecimiento. A continuación, te mostramos algunos detalles relevantes, que presentó este estudio en relación con las regulaciones actuales y futuras de la IA en salud. Este estudio presenta un análisis sistemático de patentes internacionales relacionadas con la IA y el aprendizaje automático en el campo de la atención médica. Los dispositivos y algoritmos médicos basados en IA están cambiando rápidamente el campo de la medicina, por lo que es importante tener una visión clara de las tendencias en este ámbito. El objetivo del estudio fue proporcionar una visión y pronóstico de las tendencias en IA y ML en la atención médica a través del análisis de patentes internacionales. Un aspecto crucial para que los reguladores puedan anticipar las tecnologías para las cuales deberán crear regulaciones, incluso antes de que los productos finales estén disponibles en el mercado. El método utilizado fue un análisis sistemático de patentes, centrándose en aquellas relacionadas con la IA y el ML en la atención médica. Se utilizó la base de datos Espacenet, que incluye patentes de diversas oficinas de propiedad intelectual, como la Administración Nacional de Propiedad Intelectual de China, la Oficina Europea de Patentes, la Oficina de Patentes de Japón, la Oficina de Propiedad Intelectual de Corea y la Oficina de Patentes y Marcas de Estados Unidos. Los resultados revelaron un total de 10,967 patentes identificadas, con un aumento constante en la cantidad de patentes publicadas año tras año, duplicándose anualmente desde 2015 hasta 2021. Cinco empresas internacionales que tuvieron un gran impacto en este aumento fueron Ping An Medical and Healthcare Management Co Ltd, Siemens Healthineers, IBM Corp, Philips Healthcare y Shanghai United Imaging Healthcare Co Ltd. “Este análisis de patentes internacionales mostró un aumento lineal de las patentes publicadas por las 5 mayores oficinas de patentes. Se puso en marcha una base de datos de acceso abierto con opciones de búsqueda interactiva de patentes basadas en IA y ML en el ámbito sanitario”, concluyeron los autores. Consulta el estudio completo en el siguiente enlace: https://ai.jmir.org/2023/1/e47283 BIBLIOGRAFÍA JMIR https://ai.jmir.org/2023/1/e47283

El sistema de salud de la Universidad de Pensilvania, Penn Medicine, desarrolló un chatbot basado en inteligencia artificial para mejorar la adherencia al tratamiento de pacientes con cáncer. La innovación en el tratamiento del cáncer ha facilitado el desarrollo de medicamentos para su administración vía oral, por ejemplo, los medicamentos antineoplásicos orales. Los agentes antineoplásicos son medicamentos diseñados para combatir el crecimiento y la propagación de células cancerígenas en el cuerpo. Este tipo de medicamentos tienen diversos mecanismos de acción y se utilizan para reducir el tamaño de tumores, prevenir su recurrencia o controlar los síntomas asociados con diversos tipos de cáncer. Según el National Comprehensive Cancer Network (NCCN) el 25% de los agentes antineoplásicos están diseñados para administrarse por vía oral. En este sentido esta clase de medicamentos permite a los pacientes tener mayor autonomía en su cuidado y su tratamiento. Además, también facilita el tratamiento desde casa, lo que evita desplazamientos. En este sentido, Penn Medicine desarrolló un sistema basado en inteligencia artificial (IA) aumentada, llamado “Penny”. Se trata de un chatbot que apoya a los pacientes de este sistema de salud, que se encuentran en tratamiento contra cánceres gastrointestinales. Gracias al chatbot, según explica la Dra. Parul Agarwal, de Penn Medicine, los pacientes han logrado mayor control sobre su tratamiento y más comodidad para recibirlo en sus hogares. Penny ayuda a los pacientes a seguir su medicación oral de quimioterapia de manera adecuada y a gestionar los efectos secundarios tóxicos asociados. El objetivo principal es mejorar los resultados de los pacientes, como la respuesta al tratamiento y la calidad de vida, mientras que el objetivo secundario es optimizar el uso de los recursos de atención médica, como reducir las visitas innecesarias al hospital o las complicaciones relacionadas con la medicación. Para evaluar la viabilidad del uso del chatbot Penn Medicine realizó un estudio en el que se intercambiaron casi 4 mil mensajes de texto relacionados con medicamentos y el 93% fue interpretado correctamente por Penny. Asimismo, más del 50% de los participantes completaron entrevistas cualitativas al final del estudio, las cuales demostraron un nivel importante de participación del paciente, con comentarios claros de que “Penny brindó un apoyo adicional, aumentando su confianza al tomar la medicación e interactuar con su equipo de atención médica”, explicó la especialista. El uso de un chatbot de inteligencia aumentada, como Penny, ha demostrado ser una estrategia novedosa y prometedora para mejorar la adherencia a la medicación y gestionar las toxicidades relacionadas con los agentes de quimioterapia oral. Este estudio ha evaluado la viabilidad de utilizar este chatbot desde una perspectiva de seguridad del paciente, y los resultados fueron alentadores. Aunque se necesitan más investigaciones y estudios para validar estos hallazgos y ampliar el alcance de este tipo de tecnologías, los resultados iniciales respaldan la eficacia de los chatbots de inteligencia aumentada en el ámbito de la atención médica. BIBLIOGRAFÍA HEALTHCARE IT NEWS https://www.healthcareitnews.com/news/penn-medicine-uses-ai-chatbot-penny-improve-cancer-care?mkt_tok=NDIwLVlOQS0yOTIAAAGMHOIKoxuDkia7cptpZzqe1qH_H5J29h2TY7sgIWU5d47NM6D-QBFSeeNQVr27zgd7O05B_cBas9RmueUWWMkapFmZbMyDUhNl8zGcxyqZqA