Filter by input type
Select all
News
Pages
Events
Filter by category
Select all
AI ANALYTICS
Mobile Apps and Internet of Things
Advancement of science
big data
Connected communities
Coronavirus
Courses and training
DIAGNOSIS
Initial Editorial
Editorials
A world in the cloud
Events
Infographics
Artificial Intelligence and Science
IoT Apps
News
Digital platforms
Social networks
Review of scientific publications
Course Summary
Synopsis of essay
Overview of reference frames
Synopsis of recent publications
Use of Digital Platforms

Search Results for: care studio – Page 6

big data

Mayo Clinic expands its health data network to drive AI-based solutions

Mayo Clinic Platform anunció que expandirá su red de datos Connect, incluirá hospitales en Brasil, Israel y Canadá. Mayo Clinic Platform expandirá su red de datos Mayo Clinic Platform_Connect, que ahora incluirá al Hospital Israelita Albert Einstein, uno de los más importantes de Brasil; Sheba Medical Center de Israel y University Health Network (UHN) de Canadá. Esta alianza busca establecer una red de intercambio de datos que acelere el desarrollo de soluciones de salud basadas en inteligencia artificial (IA), utilizando ciencia de datos y años de información clínica, con el propósito de mejorar los resultados de los pacientes en todo el mundo. “Describimos que los datos necesarios para una IA justa y equitativa tienen profundidad (tipos de información), amplitud (número de pacientes) y difusión (heterogeneidad). Para transformar la atención médica a nivel mundial, debemos expandir nuestras redes de datos distribuidas a todos los continentes. Deben proteger la privacidad, adherirse a las leyes y regulaciones internacionales e incorporar conocimientos de todos los idiomas. Hoy, tres centros médicos de primer nivel en América del Sur, Canadá y Medio Oriente se unen a nuestra red. Ellos inspirarán y guiarán a otras regiones y sistemas a unirse a nuestro esfuerzo mundial”, expresó John Halamka, presidente de Mayo Clinic Platform. La estructuración de los datos ahora permite que tipo de información médica compleja como registros de salud electrónicos, imágenes de radiología o videos clínicos sean más sencillos de analizar. Sin embargo, gracias al aprendizaje automático Mayo Clinic Platform y los miembros de Connect han mejorado en la gestión y desarrollo de estas tareas. Por ejemplo, utilizan datos clínicos agregados y no identificados para generar patrones y detectar enfermedades tempranamente y busca identificar las mejores opciones de tratamiento. En este sentido, Mayo Clinic Platform_Connect busca continuar ofreciendo datos clínicos seguros y alojados en la nube que permitan la investigación clínica con mayor facilidad. “Estamos encantados de ser parte de esta alianza histórica para transformar el futuro de la salud. Al crear una red verdaderamente global que romperá las barreras del idioma y permitirá la inclusión de poblaciones diversas, estamos desbloqueando el potencial de las soluciones de IA para revolucionar la atención médica en todo el mundo”, explicó Eyal Zimlichman, director de transformación y director de innovación en Sheba Medical Center. Por su parte, Sidney Klajner, presidente del Hospital Albert Einstein, explicó que Connect permitirá la inclusión de la población Latinoamérica, que actualmente se encuentra subrepresentada en la investigación, específicamente en estudio globales basados en tecnología e IA. “Existe una clara necesidad de considerar este perfil poblacional, teniendo en cuenta el contexto y las características genéticas. Esto se verá reflejado en el desarrollo de proyectos de salud más equitativos, ampliando la oferta de recursos digitales de bajo costo para vacunas y medicamentos, por ejemplo. Nos sentimos honrados de ser miembros fundadores de esta importante red dirigida por Mayo Clinic”, agregó Kajner. Por último, Kevin Smith, presidente y director ejecutivo de UHN explicó que: “El trabajo en equipo, la tecnología y el pensamiento audaz son esenciales para transformar las formas en que se brinda la atención médica y poner a los pacientes en primer lugar”. BIBLIOGRAFÍA MAYO CLINIC https://newsnetwork.mayoclinic.org/discussion/mayo-clinic-platform-expands-its-distributed-data-network-to-partner-to-globally-transform-patient-care/

Leer completo »
News

Telesalud permite reducir la huella de carbono en Instituto Nacional del Cáncer de EE.UU.

Un estudio publicado recientemente en JAMA Network, mostró que la implementación de telesalud en un centro del Instituto Nacional del Cáncer (NCI) ayudó a reducir las emisiones de carbono en esa institución. La actividad humana genera una gran cantidad de emisiones de gases de efecto invernadero, y la atención médica no es la excepción. El uso de energía eléctrica que utilizan los hospitales para que funcione el equipo médico o para dotarlos de ventilación y calefacción incrementan la huella de carbono de los centros médicos y hospitales. Según los Centros para el Control y la Prevención de Enfermedades (CDC), el calentamiento global afecta la salud y empeora las enfermedades humanas. Sin embargo, desde la atención médica es posible implementar políticas que ayuden a reducir la huella de carbono o bien la modificación de las prácticas médicas puede apoyar a lograr este fin. Un estudio publicado en JAMA Network mostró que un centro integral de cáncer del NCI, logró grandes ahorros en la emisión de carbono gracias a la implementación de telesalud. El objetivo del estudio fue evaluar el ahorro de carbono alcanzado a través de las consultas por telemedicina. En este sentido, el estudio explica que la telemedicina puede ayudar a mitigar el cambio climático al brindar la atención a distancia, por lo que los profesionales médicos pueden analizar el uso de estas prácticas para reducir su huella de carbono. El estudio transversal de visitas de telemedicina se llevó a cabo en un centro oncológico del NCI. Los pacientes tenían de 18 o más con domicilio en Florida y que completaron visitas de telemedicina desde el 1 de abril de 2020 hasta el 20 de junio de 2021. “Los grupos se dividieron entre los que se encontraban dentro de un tiempo de conducción de 60 minutos (ida y vuelta) al centro oncológico frente a los que vivían más allá de los 60 minutos de tiempo de conducción”, explica el estudio. Los resultaron mostraron que se realizaron un total de 49, 329 visitas de telemedicina con 23,228 pacientes desde abril de 2020 hasta junio de 2021. Los pacientes que requerían recorrer distancias de 60 minutos, se registró un ahorro de 424,471 kg de emisiones de CO2. Y para los pacientes con recorridos superiores a los 60 minutos, se ahorraron 2,744,248 kg de emisiones de CO2. “Utilizando un gran conjunto de datos, este análisis transversal destacó el ahorro de emisiones de carbono debido a la telemedicina en oncología. Esto tiene implicaciones importantes en la reducción de la huella de carbono relacionada con la atención de la salud”, concluyeron los autores. Consulta el estudio completo en el siguiente enlace: https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2800847 BIBLIOGRAFÍA JAMA NETWORK https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2800847 MHEALTH INTELLIGENCE https://mhealthintelligence.com/news/telehealth-enabled-cancer-care-can-lead-to-carbon-emissions-savings

Leer completo »
big data

Modelo de aprendizaje profundo identifica riesgo de cáncer de pulmón

Estudio publicado recientemente en JAMA Network, muestra la validación de un modelo de aprendizaje profundo para predecir cáncer de pulmón a través de radiografías y registros médicos electrónicos. La mortalidad por cáncer de pulmón pueden reducirse entre 20 y 24% gracias a la detección temprana utilizando tomografía computarizada. Se trata de un dato sumamente relevante, ya que esta enfermedad es la principal muerte por cáncer a nivel mundial.  En Estados Unidos los Centros de Servicios Medicare y Medicaid establecen que para someterse a una tomografía computarizada para detección de cáncer los pacientes deben tener entre 55 y 77 años y tener antecedentes de tabaquismo. Esta situación limita la detección de esta enfermedad que registra más muertes en Estados Unidos que los otros tres principales tipos de cáncer en el país. Investigadores de diversos centros de estudio y hospitales de Massachussets, como Harvard, Brigham and Women’s Hospital, Massachussets General Hospital, entre otros, realizaron una investigación que plantea la utilidad de un modelo de aprendizaje profundo para identificar a personas con alto riesgo de padecer cáncer de pulmón. El modelo utiliza radiografías de tórax y otros datos obtenidos por medio de registros médicos electrónicos para identificar a pacientes con alto riesgo y que sean elegibles para realizarse una tomografía computarizada en los servicios de Medicare y Medicaid. La investigación buscó la validación del algoritmo CXR-LC, una herramienta de aprendizaje profundo de código abierto capaz de estimar el riesgo de cáncer de pulmón a partir de imágenes de radiografías de tórax existentes y otros datos de registros médicos. Este modelo podría permitir la identificación automatizada de pacientes de alto riesgo. El estudio comparó las estimaciones de CXR-LC con pautas de detección de Medicare y Medicaid utilizando datos de pacientes de Mass General Brigham. Los participantes incluidos fueron personas fumadoras o que habían fumado cigarrillos y contaban con una radiografía de tórax ambulatoria entre el 1 de enero de 2013 y el 31 de diciembre de 2014, sin antecedentes de cáncer de pulmón o uso de tomografía computarizada para su detección. En este sentido, para el estudio se tomaron en cuenta datos de registros médicos electrónicos de 14,737 pacientes en el sistema de salud de Mass General Brigham. El modelo CXR-LC identificó a las personas con alto riesgo de cáncer de pulmón, incluidas aquellas que no cumplieron con los criterios de elegibilidad para la detección del cáncer de pulmón de Medicare. “Estos resultados sugieren que un modelo de aprendizaje profundo puede ayudar a identificar a las personas de alto riesgo que pueden beneficiarse de la detección del cáncer de pulmón con tomografía computarizada de tórax”, explican los autores. Consulta los hallazgos en el siguiente enlace: https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2799952 BIBLIOGRAFÍA JAMA NETWORK https://jamanetwork.com/journals/jamanetworkopen/fullarticle/2799952

Leer completo »
Mobile Apps and Internet of Things

Salud Mental: Herramienta de IA es capaz de detectar signos de alerta en mensajes de texto

Investigadores de la Escuela de Medicina de la Universidad de Washington (UW), probaron un modelo de Inteligencia Artificial (IA), capaz de identificar señales de alerta en el lenguaje de mensajes de texto de pacientes psiquiátricos o con enfermedades mentales graves. Investigadores de la UW, entrenaron y probaron con éxito un algoritmo de IA para evaluar el lenguaje utilizado en mensajes de texto por pacientes psiquiátricos. Los resultados del estudio fueron publicados en la revista científica Psychiatric Services. Los mensajes de texto se han convertido en una parte clave de la atención y evaluación de la salud mental, específicamente en intervenciones psiquiátricas remotas. Sin embargo, que cuenta con limitaciones concretas como carecer de puntos de referencia emocionales que los terapeutas pueden identificar en atenciones tradicionales frente a frente. De esta forma los investigadores utilizaron el procesamiento de lenguaje natural (PLN) para identificar mensajes de texto que reflejaran “distorsiones cognitivas” que podrían pasar desapercibidas por médicos poco capacitados o con exceso de trabajo. Justin Tauscher, autor principal del artículo y profesor en la UW, explicó que los psiquiatras identifican solamente señales visuales, señales auditivas, por lo que con el apoyo de la tecnología pueden desarrollar herramientas adicionales para identificar otro tipo de señales, como el lenguaje empleado en mensajes de texto. “La esperanza aquí es que la tecnología pueda proporcionar una herramienta adicional para que los médicos amplíen la información en la que se apoyan para tomar decisiones clínicas”, comentó. En este sentido, el objetivo del estudio fue probar si los métodos de PLN pueden detectar y clasificar las distorsiones cognitivas en los mensajes de texto en los mensajes de texto entre médicos y pacientes con enfermedades mentales graves con la misma eficacia que los evaluadores humanos capacitados clínicamente. Para ello recolectaron más de 7 mil 300 mensajes de 39 pacientes en un ensayo controlado aleatorio de una intervención de 12 semanas de intervención por mensajes de texto. Los mensajes fueron etiquetados en para distorsiones cognitivas comunes como: filtrado mental, conclusiones precipitadas, catastrofismo, declaraciones de “debería” y generalización excesiva. Posteriormente un modelo sintonizado logró un rendimiento comparable al de los evaluadores clínicos en la clasificación de textos con cualquier distorsión cognitiva. Los resultados mostraron que el PLN puede utilizarse para la detección y clasificación efectiva de distorsiones cognitivas en comunicación vía mensaje de texto y que además tienen el potencial de informar herramientas automatizados con potencial de escalabilidad en el apoyo clínico a pacientes psiquiátricos o con enfermedades mentales graves. “Ser capaz de tener sistemas que puedan ayudar a respaldar la toma de decisiones clínicas creo que es muy relevante y potencialmente impactante para aquellos en el campo que a veces no tienen acceso a capacitación, a veces no tienen acceso a supervisión o a veces simplemente están cansados, con exceso de trabajo y tienen dificultades para mantenerse presentes en todas las interacciones que tienen”, explicó Tauscher. BIBLIOGRAFÍA UNIVERSITY OF WASHINGTON https://newsroom.uw.edu/news/ai-equal-humans-text-message-mental-health-trial PSYCHIATRY ONLINE https://ps.psychiatryonline.org/doi/10.1176/appi.ps.202100692 HEALTH IT ANALYTICS https://healthitanalytics.com/news/ai-tool-can-detect-signs-of-mental-health-decline-in-text-messages

Leer completo »
News

Asociación Médica Estadounidense publica investigación sobre la adopción de la Salud Digital durante los últimos años

La Asociación Médica Estadounidense (AMA), compartió los resultados de su estudio sobre la adopción de la Salud Digital, el cual contiene datos desde 2016 hasta 2022. La Salud Digital permite aprovechar y hacer uso de múltiples opciones de herramientas que tienen como propósito mejorar la atención médica y promover mejores hábitos para los pacientes. Por ejemplo, soluciones como la telemedicina, el uso de dispositivos móviles, monitoreo remoto, apps móviles, el uso de Inteligencia Artificial (IA), entre otros. En 2016, la AMA realizó su primer estudio sobre las motivaciones y requisitos de los profesionales de la salud para la adopción de herramientas clínicas digitales. En general el estudio encontró ciertos elementos considerados imprescindibles por los médicos para que las herramientas digitales puedan ser adoptadas. La AMA los dividió en las siguientes categorías: ¿Funciona?, ¿Recibiré el pago?, ¿Seré responsable? y ¿Funcionará en mi práctica? Posteriormente la AMA repitió un estudio similar en 2019 y ahora en septiembre de 2022 ha publicado el estudio 2022, que incluye información de los dos estudios anteriores, para establecer relaciones y comparaciones sobre los principales cambios. En este sentido, la AMA logró encuestar a 1300 médicos en tres años distintos con intervalos regulares: 2016, 2019 y 2022 con el objetivo de investigar las motivaciones y requisitos del médico para adoptar herramientas de Salud Digital en su ejercicio médico. Asimismo, el estudio tuvo la intención de determinar cambios en el interés general en las soluciones de Salud Digital y su familiaridad con siete herramientas de Salud Digital específicas y su relevancia en la práctica médica. La encuesta realizada en 2022, replicó de forma exacta las aplicadas en los años anteriores, sin embargo, también fueron añadidas nuevas preguntas. El estudio encontró diversos cambios en las tendencias de Salud Digital entre 2019 y 2022: Hubo un incremento en el número de médicos que observan ventajas en la utilización de herramientas digitales; La adopción de soluciones digitales ha crecido sin importar el género, especialidad o edad; La adopción de herramientas de cuidado y monitoreo remoto y teleconsultas ha tenido el mayor crecimiento durante los últimos tres años; y los planes por la adopción de tecnologías emergentes es alto, sin embargo, su uso aún continúa debajo de lo esperado. “El porcentaje de médicos que usan tele visitas/visitas virtuales creció del 14 % en 2016 al 80 % en 2022, mientras que el porcentaje de médicos que usan dispositivos de monitoreo remoto creció del 12 % en 2016 al 30 % en 2022”, explica la AMA. De igual forma, las herramientas de Salud Digital que despiertan más entusiasmo entre los médicos son las tele visitas con 57%, seguidas de los dispositivos de monitorización remota con 53%. Sobre los planes a futuro el estudio encontró que dos de cada cinco médicos planean adoptar la inteligencia aumentada el próximo año, mientras que cerca de uno de cada cinco médicos utilizan actualmente la inteligencia aumentada en sus prácticas. Consulta el estudio completo en el siguiente enlace: https://www.ama-assn.org/system/files/ama-digital-health-study.pdf BIBLIOGRAFÍA AMA https://www.ama-assn.org/system/files/ama-digital-health-study.pdf https://www.ama-assn.org/about/research/ama-digital-health-care-2022-study-findings  

Leer completo »
Connected communities

Pharmacies in the US apply digital tools for clinical trials

En Estados Unidos, farmacias han comenzado a aprovechar herramientas digitales y software para realizar ensayos clínicos descentralizados de sus medicamentos. Los ensayos descentralizados, además de ampliar el acceso a la investigación clínica, mejora la capacidad de reclutamiento de pacientes y de espectros demográficos con mayor diversidad. A inicios de año, la compañía farmacéutica estadounidense CVS Health anunció que comenzaría a utilizar el software de ensayos descentralizados de la compañía de salud digital Medable. CVS Health cuenta con un modelo de atención denominado MinuteClinics, que se ubican dentro de sus farmacias o en tiendas de autoservicio. Las MinuteClinics se encuentran operando en más de 30 estados y ofrecen servicios clínicos minoristas, vacunas, pruebas físicas, salud sexual, servicios de anticoncepción, entre otros. Estas pequeñas clínicas con atendidas por personal de enfermería y asistentes médicos. De esta forma, MinuteClinics de CVS y el software de Medable, han comenzado los procesos para reclutar pacientes para participar en estudios clínicos, y además han creado estrategias no solo para mejorar el acceso a la participación, sino también para retener a los pacientes que participen. La red de usuarios de estas clínicas es ampliamente diversa, lo que permitirá que los ensayos incluyan minorías étnicas como afroamericanos, asiáticos, latinos, entre otros, que usualmente son subrepresentados en los ensayos clínicos. El software utilizado, facilita la participación de pacientes, ya que les permite registrarse en estudios sin tener que acudir a sitios de investigación. La plataforma de Medable puede analizar datos de registros de salud electrónicos, estudios de genómica e incluso de wearables u otros dispositivos móviles que registren variables relacionadas con la salud física. Tony Clapsis, gerente general de CVS Health Clinical Trial Services, explicó que más del 40% de la población vulnerable en Estados Unidos vive a cinco millas de una farmacia CVS, por lo que podrán involucrar a estas personas en los ensayos. Por otra parte, Walgreens, otra de las farmacias más grandes de Estados Unidos, ha realizado grandes inversiones para la ejecución de ensayos clínicos. De esta forma, los usuarios de sus más de 9 mil tiendas y de su aplicación móvil myWalgreens, son clave para fomentar la participación en ensayos clínicos.  Casi el 80% de los ensayos clínicos en Estados Unidos no logran completar sus objetivos de participación en el tiempo establecido. Asimismo, Walgreens puede aprovechar el acceso a los datos clínicos digitales de los pacientes que deseen participar en un ensayo. Además, en 2021, la farmacia adquirió acciones y participación mayoritaria de dos compañías, la primera CareCentrix, un proveedor de atención domiciliaria, ideal para los ensayos clínicos descentralizados y VillageMD, compañía especializada en atención primaria. De esta forma dos de las más grandes farmacias y con las mayores redes de usuarios en Estados Unidos, se encuentran promoviendo la participación en ensayos clínicos descentralizados. BIBLIOGRAFÍA PHARMA PHORUM https://pharmaphorum.com/news/cvs-medable-alliance-aims-to-tackle-diversity-in-clinical-trials/ MEDTECH PULSE https://www.medtechpulse.com/article/insight/walgreens-adds-clinical-trials-as-building-block-of-its-health-ecosystem

Leer completo »
big data

Mayo Clinic develops machine learning model to differentiate diseases

Investigadores de Mayo Clinic desarrollaron un modelo de aprendizaje automático para diferenciar a pacientes con colangitis aguda y hepatitis asociada con alcoholismo. Un estudio presentado por Mayo Clinic mostró cómo un modelo de aprendizaje automático puede apoyar en la toma de decisiones médicas, ayudando a los especialistas a diferenciar hepatitis relacionada con alcohol (AH) y colangitis aguda (AC), utilizando variables simples de laboratorio. A pesar de las diferencias de ambas condiciones, las similitudes clínicas pueden complicar el trabajo de los médicos debido los síntomas presentados. El estudio incluyó a 459 participantes adultos, que acudieron presencialmente a Mayo Clinic, Rochester, de los cuales 265 padecían AH y 194 AC. “Este estudio fue motivado por ver a muchos proveedores médicos en el departamento de emergencias o UCI luchar para distinguir la colangitis aguda y la hepatitis asociada al alcohol, que son condiciones muy diferentes que pueden presentarse de manera similar”, explicó Joseph Ahn, gastroenterólogo de Mayo Clinic, Rochester. El análisis tomó en cuenta diez variables de laboratorio: conteo de glóbulos blancos, hemoglobina, volumen corpuscular medio, conteo de plaquetas, aspartato aminotransferasa, alanina aminotransferasa, fosfatasa alcalina, bilirrubina total, bilirrubina directa y albúmina. Así como ocho modelos de aprendizaje automática como árbol de decisión, naive Bayes, regresión logística, redes neuronales artificiales, entre otras. “Desarrollamos y entrenamos algoritmos de aprendizaje automático para distinguir las dos condiciones utilizando algunos de los valores de laboratorio disponibles de forma rutinaria que todos estos pacientes deberían tener”, explicó el Dr. Ahn. De esta forma los modelos fueron entrenados con dichas variables de laboratorio. Los modelos de aprendizaje automático demostraron rendimientos precisos con 0.923 y área sobre la curva arriba de 0.986. Es decir, la validación obtuvo un 93% de precisión.  Asimismo, cumplió con las validaciones externas y fue precisa utilizando otra base de datos de pacientes, sin embargo, el porcentaje de precisión disminuyó en tres puntos. El estudio destacó el uso y el potencial clínico del uso de algoritmos entrenados de aprendizaje automático. De esta forma además de lograr mayor precisión para el diagnóstico de estas condiciones, los pacientes no tendrían que someterse a procedimientos invasivos, que pueden retrasar el diagnóstico. Consulta el artículo completo aquí: https://secure.jbs.elsevierhealth.com/pb-assets/Health%20Advance/journals/jmcp/JMCP3718_proof.pdf BIBLIOGRAFÍA ELSEVIER HEALTH https://secure.jbs.elsevierhealth.com/pb-assets/Health%20Advance/journals/jmcp/JMCP3718_proof.pdf MAYO CLINIC https://newsnetwork.mayoclinic.org/discussion/machine-learning-algorithms-can-help-health-care-staff-correctly-diagnose-alcohol-associated-hepatitis-acute-cholangitis/

Leer completo »
big data

Meet the ninth version of the Mexican Consensus on Diagnosis and Treatment of Breast Cancer

Se trata de uno de los documentos más relevantes sobre este padecimiento en México, ya que brinda información científica y académica, sobre la situación epidemiológica del cáncer de mama en México, factores de riesgo, tratamiento, y más. En el año de 1994 se realizó la primera reunión del Consenso Mexicano sobre Diagnóstico y Tratamiento del Cáncer Mamario y desde el año 2000 se ha actualizado de forma periódica para convertirse en una guía para los oncólogos e instituciones médicas del país que atienden este padecimiento. Además, es considerado un documento base para la Norma Oficial Mexicana NOM-041-SSA2-2002, Para la prevención, diagnóstico, tratamiento, control y vigilancia epidemiológica del cáncer de mama. En 2021 fue presentada su novena versión, con el apoyo de instituciones como el Instituto Mexicano del Seguro Social (IMSS), la Secretaría de Salud (SSA), el Instituto Nacional de Cancerología, la Sociedad Mexicana de Oncología, Fundación de Cáncer de Mama (FUCAM), entre otras. La novena revisión Colima 2021, inicia con un recorrido de la epidemiología del cáncer mamario en el país, que se trata del tumor maligno más frecuente en las mujeres a nivel mundial y la primera causa de muerte por cáncer. A nivel regional se muestran datos de Organización Panamericana de la Salud (OPS), que informa que para 2030 se espera un incremento de 60%. En México el Cáncer de mama ha incrementado de forma constante en incidencia y mortalidad durante los últimos 30 años. El documento explica que el incremento de casos de este padecimiento también se debe a un sub registro en años anteriores. De igual forma el Consenso detalla las deficiencias relativas a la educación e información sobre la enfermedad, así como la carencia de un programa de detección oportuna a nivel nacional acompañada de unidades mamarias especializadas. No obstante, también se ha registrado un incremento constante en la esperanza de vida de los pacientes que fueron diagnosticados, 77 años en mujeres y 75 en hombres. En cuanto a los factores de riesgo, el Consenso explica los determinantes biológicos como: ser mujer en edad avanzada, historial de cáncer en familiares de primer grado, antecedentes de hiperplasia ductal atípica, imagen radial y carcinoma lobulillar in situ, vida menstrual mayor de 40 años, densidad mamaria y ser portador/a de mutaciones en genes de susceptibilidad a cáncer de mama. No obstante, también existen factores asociados al tratamiento de enfermedades previas como la exposición a radiación; factores reproductivos; factores relacionados con el estilo de vida como sedentarismo, obesidad, tabaquismo o consumo de alcohol. En este sentido el documento indica que el factor de riesgo más importante en el estilo de vida es la obesidad y en México esta condición se encuentra presente en un gran porcentaje de la población, representando un problema de salud pública. Por otra parte, el documento explora las opciones de diagnóstico temprano como la evaluación de la mama por imagen. Existen diversos métodos como estudios de tamizaje y estudios de imagen, los cuales incluyen mastografía y mastografía digital. Esta última clínicamente incrementa la detección del cáncer en pacientes con mamas densas, que es un factor de riesgo conocido. Uno de los últimos capítulos del consenso, también muestra información científica sobre la rehabilitación física de las pacientes con cáncer de mama, los cuales deben ser lo más efectivos posibles. De esta forma de busca garantizar mejor calidad de vida no solo en supervivientes de la enfermedad, sino también en pacientes en etapa terminal. Y finalmente, al tratarse de la versión 2021, las instituciones y organizaciones involucradas, añadieron un capítulo especializado en COVID-19 y cáncer de mama, que detalla recomendaciones para pacientes y especialistas médicos en la detección de síntomas de COVID-19 y la necesidad e importancia de buscar atención médica temprana para evitar complicaciones. Puedes consultar el documento completo en el siguiente enlace: https://consensocancermamario.com/documentos/FOLLETO_CONSENSO_DE_CANCER_DE_MAMA_9aRev2021a.PDF BIBLIOGRAFÍA CONSENSO CÁNCER MAMARIO https://consensocancermamario.com/documentos/FOLLETO_CONSENSO_DE_CANCER_DE_MAMA_9aRev2021a.PDF

Leer completo »
big data

Intervention based on Artificial Intelligence managed to improve remission rates in patients with type 2 diabetes

Un modelo de Inteligencia Artificial mostró mejora en las tasas de remisión de diabetes tipo 2, según un estudio de la Asociación Estadounidense de Diabetes (ADA). La remisión para pacientes con diabetes tipo 2 es definida en el estudio como “mantener niveles normales de glucosa en sangre durante al menos tres meses sin tomar medicamentos para la diabetes”. Las tasas de remisión se evalúan a través de los cambios en la hemoglobina A1C, de esta forma, los investigadores realizaron un ensayo para medir los beneficios de la tecnología de Inteligencia Artificial (IA), y compararla con la atención tradicional. La tecnología Twin Precision Treatment (TPT), fue comparada con la atención estándar en intervalos de 90 días. En total, 319 pacientes que viven con diabetes tipo 2, y con una edad promedio de 45 años, formaron parte del estudio. Una de las características de los pacientes fue que su diagnóstico de diabetes tiene un promedio de 3,9 años y contaron con un A1C de 9% al inicio del ensayo aleatorio. La intervención TPT se trata de un análisis predictivo que utiliza IA y dispositivos para la recopilación de datos de los pacientes, como aspectos de nutrición, actividad física, respiración y sueño. Del total de pacientes, 262 lograron completar el ensayo de 180 días, de los cuales 199 recibían la intervención TPT y 63 la intervención estándar. De los 199 pacientes pertenecientes a TPT, casi el 95% alcanzó niveles de A1C menores al 6,5%, sin necesidad de tomar medicamentos específicos para la diabetes. Y el 84% alcanzó tasas de remisión que coinciden con los criterios de la ADA. Incluso algunos pacientes dejaron de aplicarse insulina porque sus niveles de glucosa habían alcanzado niveles normales. “Nuestros resultados demuestran el potencial de la tecnología Whole-Body Digital Twin para cambiar el control convencional basado en medicamentos de la diabetes tipo 2 para lograr la remisión de la diabetes tipo 2 con una vida libre de medicamentos”, explicó el Dr. Paramesh Shamanna, quien es director médico de Twin Health y fue el autor principal del estudio. BIBLIOGRAFÍA ADA https://www.diabetes.org/newsroom/press-releases/2022/artificial-intelligence-offers-significant-rate-remission-type-2-diabetes-compared-to-standard-care HEALTH IT ANALYTICS https://healthitanalytics.com/news/ai-approach-offers-higher-rate-of-diabetes-remission-than-standard-care

Leer completo »
big data

The Responsible Adoption of Artificial Intelligence in Healthcare in the United States

Investigadores en Estados Unidos presentaron un marco para promover los incentivos financieros a la adopción de Inteligencia Artificial (IA), en sistemas de salud. El estudio presentado en npj Digital Medicine, explica que la adopción de la IA en la atención de la salud, necesita de inventivos financieros constantes y sostenibles. Por ello los autores presentaron un marco para determinar analíticamente el valor y costo de cada servicio de IA. El marco presenta acciones específicas que incluyen a las partes interesadas, como pacientes, proveedores, desarrolladores de IA, e incluso legisladores. Uno de los propósitos del marco es lograr un equilibrio entre la ética, flujo de trabajo, costo y valor identificado de cada actor. El marco también explica que la IA que no ofrezca beneficios para la salud no debe recibir incentivos financieros, por ello es necesario que los incentivos sean supervisados por agentes públicos o privados. En este sentido, los autores proponen un marco integral que: Maximiza la alineación con los marcos éticos para la IA en el cuidado de la salud Permite una alineación más óptima entre las perspectivas ética, de equidad, flujo de trabajo, costo y valor para los servicios de IA Mejora el apoyo y la participación de las partes interesadas afectadas, (d) es transparente Se relaciona con los sistemas de cobertura y monto de pago existentes en Estados Unidos A pesar de que el marco desarrollado por estos autores se enfoca principalmente en Estados Unidos, consideran que puede ser una plantilla útil para aplicarse con algunas modificaciones en cualquier sistema de atención médica. Asimismo, el artículo enlista las partes interesadas y necesarias para la aplicación de IA e los sistemas de salud. En primer lugar, los reguladores, en el caso de Estados Unidos la Administración de Alimentos y Medicamentos, se encarga de estas tareas. Pacientes y organizaciones de pacientes que apoyen el uso de IA basada en evidencia científica. Expertos en medicina basada en evidencia que respalden el uso de IA en salud. Organizaciones de médicos y proveedores. Programas gubernamentales de salud, que incluyan la adopción e implementación de IA en sus estrategias. Legislativos y ejecutivos del gobierno, quienes establecen las leyes que favorecen la adopción de la IA en el cuidado de la salud. Seguros gubernamentales como Medicaid, Medicare, entre otros. Así como los seguros de salud comerciales. Consulta el artículo completo que además incluye un estudio de caso sobre IA autónoma en examen de retina diabético: https://www.nature.com/articles/s41746-022-00621-w BIBLIOGRAFÍA NATURE https://www.nature.com/articles/s41746-022-00621-w

Leer completo »
Secured By miniOrange