Search Results for: care studio – Page 7

El aprendizaje profundo cuenta con una gran variedad de aplicaciones, como la investigación clínica, la mejora de toma de decisiones por parte de especialistas, análisis de datos, entre otros. El aprendizaje profundo o deep learning es una categoría del aprendizaje automático, que a su vez está relacionado con la Inteligencia Artificial. El aprendizaje profundo consiste en una red neuronal que simula el comportamiento del cerebro humano, sin embargo, es capaz de aprender y ser entrenado a través de grandes cantidades de datos. Normalmente la red neuronal está formada por tres o más capas, no obstante, aún con una sola capa el aprendizaje profundo puede realizar predicciones. En este sentido al igual que la IA, el aprendizaje profundo es utilizado para la automatización de tareas sin la intervención humana de manera física. A diferencia del aprendizaje automático, que aprovechan datos estructurados para realizar predicciones, el aprendizaje profundo puede profesar datos no estructurados como texto e imágenes. Las capacidades del deep learning, lo convierten en una herramienta con gran potencial en la investigación y en la atención médica. Al igual que en otros sectores, su aplicación en salud ofrece diversas alternativas para escenarios específicos. Por ejemplo, las redes neuronales profundas que son utilizadas para predecir cuándo los pacientes no acudirán a sus citas médicas. Esto es posible gracias a la información obtenida de expedientes clínicos electrónicos. De esta forma, se pueden determinar estrategias para evitar que los pacientes falten a sus citas previamente acordadas. Por otra parte, están las redes neuronales convolucionales, que son utilizadas para la comprensión de datos visuales, por ejemplo, de imágenes médicas. Este tipo de aprendizaje profundo, es capaz de clasificar imágenes en categoría dependiendo de las características que tengan. De esta forma, es capaz de mejorar la toma de decisiones y apoyar a los profesionales en el análisis de imágenes médicas. Por ejemplo, hay estudios que han utilizado redes neuronales convolucionales, para detectar diversas enfermedades de la retina analizando solamente un estudio de fondo de ojo en los pacientes. Asimismo, existen otros tipos de redes de aprendizaje profundo que apoyan en las tareas de procesamiento del lenguaje natural, estas son las redes neuronales recurrentes. Estas son útiles para tareas de investigación como la selección de participantes para ensayos clínicos. De esta forma, analizando la información disponible en texto, audios de entrevistas, historias clínicas, en grupos de pacientes y pueden identificar características para la selección de cohortes. De igual forma, se encuentran las redes generativas antagónicas, que utilizan información para generar datos sintéticos que puedan facilitar la investigación y el entrenamiento de modelos de aprendizaje profundo. Por ejemplo, es posible la generación de imágenes sintéticas de resonancias magnéticas, para el desarrollo de análisis predictivos. De esta forma los investigadores pueden crear grandes conjuntos de datos, sin necesidad de obtener imágenes médicas reales de miles de pacientes. BIBLIOGRAFÍA HEALTHCARE IT ANALYTICS https://healthitanalytics.com/features/types-of-deep-learning-their-uses-in-healthcare IBM https://www.ibm.com/cloud/learn/deep-learning

El sistema de hospitales Hartford HealthCare, realizará un estudio para evaluar el uso de una herramienta basada en Inteligencia Artificial (IA), que facilita el trabajo a profesionales en la detección del cáncer de mama. Hartford HealthCare, es un sistema de atención médica integral que cuenta con más de 400 centros de salud en Estados Unidos, con atención diaria a 17 mil pacientes aproximadamente.  En conjunto con Ibex Medical Analytics, compañía especializada en el diagnóstico de cáncer a través de tecnologías de IA, han anunciado un estudio clínico sobre su solución de IA para el diagnóstico de cáncer de mama. El sistema de Ibex, busca ayudar a médicos a mejorar el diagnóstico de esta enfermedad a través de un algoritmo. Galen Breast como se llama el sistema, fue desarrollado por ingenieros de software, patólogos y científicos de datos, quienes implementaron tecnología avanzada como algoritmos y aprendizaje profundo. El rendimiento del sistema será evaluado por Hartford HealthCare a través de un estudio retrospectivo para probar su uso clínico en el sistema hospitalario. “La solución promete tener un gran impacto en la atención brindada a los pacientes con cáncer de mama”, explicó el Dr. Barry Stein, vicepresidente del sistema y director de innovación clínica de Hartford HealthCare. Además, resaltó la necesidad del compromiso para buscar nuevos enfoques innovadores para la atención de las pacientes. La Dra. Srini Mandavilli, jefa de patología y medicina de laboratorio en el Hospital Hartford, explicó que la tecnología de Galen Breast, permite respaldar las evaluaciones microscopios tradicionales de los diagnósticos de cáncer realizados por patólogos. Dee esta forma, se complementa por el trabajo realizado por estos especialistas. Además, en el sistema de Hartford, han digitalizado el departamento de patología, por ejemplo, a través del uso de escáneres de portaobjetos, que pueden ser evaluado por tecnología de IA. Por su parte, la Dra. Margaret Assad, directora del programa de becas de patología selectiva en el Hospital de Hartford, explicó que, “Este asistente de IA proporciona una mayor red de seguridad con un mínimo esfuerzo adicional”. BIBLIOGRAFÍA HARTFORD HEALTHCARE https://hartfordhealthcare.org/services/cancer-care/about-us/news/news-detail?articleId=39616

Investigadoras del MIT y del Hospital General de Massachusetts (MGH), proponen el uso de aprendizaje automático e Inteligencia Artificial (IA), para mejorar el acceso a servicios de cuidado de la salud mental. Investigadoras del MIT, plantean que la IA puede ser capaz de ayudar a que los servicios de salud mental sean más accesibles para los pacientes. La psicóloga e investigadora Paola Pedrelli, del MGH, explicó que, desde su experiencia, ha encontrado diversas barreras para el acceso a la salud mental, entre ellas el cuándo y dónde buscar ayuda. En este sentido, Pedrelli, en colaboración con la investigadora del MIT, Rosalind Picard, han trabajado los últimos cinco años, en un proyecto basado en algoritmos de aprendizaje automático, que busca ayudar al diagnóstico y monitoreo de síntomas de pacientes con depresión. “Estamos tratando de construir modelos sofisticados que tengan la capacidad no solo de aprender lo que es común entre las personas, sino también de aprender categorías de lo que está cambiando en la vida de un individuo”, explicó Picard. Además, resaltó que buscan brindarles a las personas la oportunidad de acceder a información personalizada basada en evidencia que realmente marque la diferencia en su salud. Las investigadoras realizaron un estudio inicial con participantes del MGH, con trastornos depresivos mayores y que habían cambiado su tratamiento recientemente. A través del uso de wearables, los participantes recolectan información sobre datos biométricos como actividad electrodérmica, asimismo, se recopilaron datos de los teléfonos móviles de los participantes como mensajes de texto, llamadas telefónicas, uso de aplicaciones, ubicación y una encuesta quincenal sobre la depresión. “Ponemos todos los datos que recopilamos del dispositivo portátil y el teléfono inteligente en nuestro algoritmo de aprendizaje automático, y tratamos de ver qué tan bien el aprendizaje automático predice las etiquetas dadas por los médicos”, explica Picard. No obstante, otro de los retos de la aplicación de aprendizaje automático es la creación y desarrollo de una herramienta que le dé el control a los usuarios, por ejemplo, un dispositivo nuevo, una app móvil u otros métodos. “Lo que podría ser efectivo es una herramienta que le diga a un individuo ‘La razón por la que te sientes deprimido podría ser que los datos relacionados con tu sueño hayan cambiado, y los datos se relacionen con tu actividad social, y no hayas tenido tiempo con tus amigos, tu actividad física se ha reducido. La recomendación es que encuentre una manera de aumentar esas cosas”, explicó Picard. BIBLIOGRAFÍA MIT https://news.mit.edu/2022/deploying-machine-learning-improve-mental-health-rosalind-picard-0126 HEALTH IT ANALYTICS https://healthitanalytics.com/news/can-artificial-intelligence-boost-mental-healthcare-accessibility

NVIDIA, compañía de origen estadounidense, especializada en computación y desarrollo de procesadores gráficos, lanzó el software de código abierto NVIDIA FLARE, que permite desarrollar modelos de Inteligencia Artificial (IA) para la atención médica. NVIDIA FLARE (Federated Learning Application Runtime Environment), cuenta con otro software llamado NVIDIA Clara Train, que ha sido utilizado para desarrollar modelos de IA para el análisis de imágenes médicas, análisis genético, oncología e investigación de COVID-19. Este desarrollo brinda más herramientas para investigadores y científicos que desarrollen plataformas de IA, puedan personalizar sus soluciones. Esta iniciativa utiliza una técnica llamada aprendizaje federado, la cual tiene como propósito la preservación de la privacidad y la confidencialidad de los datos. NVIDIA FLARE, ha sido aplicado en diversos proyectos de IA, como MONAI, un software de código abierto diseñado para el análisis de imágenes médicas. “El código abierto de NVIDIA FLARE para acelerar la investigación del aprendizaje federado es especialmente importante en el sector de la salud, donde el acceso a conjuntos de datos multiinstitucionales es crucial, pero las preocupaciones sobre la privacidad del paciente pueden limitar la capacidad de compartir datos”, explicó el Dr. Jayashree Kalapathy, profesor asociado de radiología en la Escuela de Medicina de Harvard, y líder de trabajo de MONAI. El proyecto de NVIDIA contempla impulsar soluciones de aprendizaje en IA en el American College of Radiology (ACR). Donde ya han trabajado estudios de aprendizaje federado basados en IA para el estudio de imágenes radiológicas de cáncer de mama. Por otra parte, también será aplicado en Rhino Health, compañía especializada en aplicaciones de la IA en salud y que participa en un proyecto con el Hospital General de Massachusetts sobre diagnóstico de aneurismas cerebrales. “Para colaborar de manera eficaz y eficiente, los investigadores de la salud necesitan una plataforma común para el desarrollo de la inteligencia artificial sin el riesgo de violar la privacidad del paciente”, explicó su fundador, el Dr. Ittai Dayan. Además, reconoció la utilización de técnicas de aprendizaje federado como una herramienta útil para acelerar el impacto de la IA en la atención médica. BIBLIOGRAFÍA AIMED https://ai-med.io/more-news/nvidia-brings-collaborative-ai-to-healthcare/