{"id":30418,"date":"2022-08-02T10:08:04","date_gmt":"2022-08-02T15:08:04","guid":{"rendered":"https:\/\/saluddigital.com\/?p=30418"},"modified":"2025-10-20T11:25:20","modified_gmt":"2025-10-20T17:25:20","slug":"las-experiencias-en-la-adopcion-de-inteligencia-artificial-y-aprendizaje-automatico-en-salud","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/las-experiencias-en-la-adopcion-de-inteligencia-artificial-y-aprendizaje-automatico-en-salud\/","title":{"rendered":"Experiences in the adoption of Artificial Intelligence and machine learning in health"},"content":{"rendered":"\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t

El crecimiento del desarrollo de sistemas de Inteligencia Artificial (IA) y modelos de aprendizaje autom\u00e1tico aplicados en entornos cl\u00ednicos tambi\u00e9n ha generado desaf\u00edos en su adopci\u00f3n.<\/h2>\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Investigadores han desarrollado an\u00e1lisis cualitativos por medio de entrevistas, para medir las dificultades en la adopci\u00f3n de modelos de aprendizaje autom\u00e1tico y tambi\u00e9n la percepci\u00f3n de los m\u00e9dicos sobre estos modelos. En este sentido, a pesar de la falta de comprensi\u00f3n especializada del aprendizaje autom\u00e1tico, los m\u00e9dicos han generado confianza con sistemas de aprendizaje autom\u00e1tico por medio de la experiencia.<\/p>

El aprendizaje autom\u00e1tico o machine learning tiene el potencial de mejorar los sistemas de soporte de decisiones cl\u00ednicas. No obstante, el impacto de estas herramientas depende de que los mismos m\u00e9dicos las apliquen y las consulten. El integrar herramientas de machine learning al flujo de trabajo de los m\u00e9dicos normalmente presenta desaf\u00edos en contextos cl\u00ednicos, sobre todo en aquellos que cuentan con limitaciones de tiempo y los m\u00e9dicos deben evaluar r\u00e1pidamente las recomendaciones.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Los dos obst\u00e1culos principales para la adopci\u00f3n de estos modelos son: La dificultad que se les presenta a los especialistas para generar confianza en modelos de machine learning. Y que muchos especialistas ven la falta de experiencia humana a estos sistemas y cuestionan su valor cl\u00ednico.<\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t

\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t\"\"\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t\t\t

Un an\u00e1lisis cualitativo realizado por investigadores m\u00e9dicos de diversas universidades y facultades de medicina en Estados Unidos, mostr\u00f3 un an\u00e1lisis por medio de entrevistas codificadas a m\u00e9dicos que utilizan un modelo de aprendizaje autom\u00e1tico para sepsis. El estudio busc\u00f3 comprender el papel que los m\u00e9dicos perciben sobre el aprendizaje autom\u00e1tico en la atenci\u00f3n cl\u00ednica aguda y comprender las barreras para generar confianza con recomendaciones cl\u00ednicas basadas en aprendizaje autom\u00e1tico.<\/p>

\u00a0<\/p>

Por medio de entrevistas a personal m\u00e9dico y de enfermer\u00eda el estudio explor\u00f3 estas situaciones en contextos cl\u00ednicos basados en aprendizaje autom\u00e1tico. Uno de los primeros hallazgos del estudio fue que los m\u00e9dicos reconoc\u00edan las mejoras presentadas gracias a sistemas de aprendizaje autom\u00e1tico con respecto a otros sistemas de apoyo cl\u00ednico, sin embargo, no diferenciaban entre los sistemas convencionales y los basados en aprendizaje autom\u00e1tico.<\/p>

El segundo hallazgo fue que \u201cLos m\u00e9dicos percib\u00edan que los sistemas basados \u200b\u200ben ML desempe\u00f1aban un papel de apoyo tanto en el diagn\u00f3stico como m\u00e1s all\u00e1. Independientemente de su comprensi\u00f3n del aprendizaje autom\u00e1tico detr\u00e1s del sistema, los m\u00e9dicos generalmente respondieron a sus alertas y las integraron en su proceso de diagn\u00f3stico. Sin embargo, se vieron a s\u00ed mismos manteniendo la responsabilidad final de las decisiones de diagn\u00f3stico y tratamiento\u201d, explica el an\u00e1lisis.<\/p>

El tercer tema identificado fueron los mecanismos utilizados por los profesionales de la salud para generar confianza en el sistema, a pesar de no entender completamente los modelos detr\u00e1s del sistema. \u201cPara los m\u00e9dicos, creo que solo entender [que] esta es una herramienta de aprendizaje autom\u00e1tico y hace miner\u00eda de datos, creo que ser\u00e1 m\u00e1s que suficiente\u201d, explic\u00f3 uno de los m\u00e9dicos entrevistados.<\/p>

El cuarto tema estuvo relacionado con el entusiasmo de los profesionales con el potencial de los sistemas basados en IA y aprendizaje autom\u00e1tico para mejorar la atenci\u00f3n del paciente, asimismo, tambi\u00e9n se\u00f1alaron la posibilidad de una dependencia excesiva de esta clase de sistemas automatizados.<\/p>

Consulta m\u00e1s sobre este an\u00e1lisis en el siguiente enlace:<\/p>

https:\/\/www.nature.com\/articles\/s41746-022-00597-7<\/a><\/p>\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t

\n\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t
\n\t\t\t\t\t\t
\n\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t\t\t
\n\t\t\t\t\t
\n\t\t\t\t\t\t\t\t\t\t\t\t\n\t\t\t\t\t\t\t\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t<\/i><\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t\t<\/span>\n\t\t\t\t\t\t\t\t\t\t\t\t BIBLIOGRAF\u00cdA<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

NATURE<\/strong><\/p>

https:\/\/www.nature.com\/articles\/s41746-022-00597-7<\/a><\/p><\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t\t\t\t<\/div>\n\t\t\t\t\t\t<\/div>\n\t\t\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/div>\n\t\t\t\t\t<\/div>\n\t\t<\/section>\n\t\t\t\t<\/div>\n\t\t","protected":false},"excerpt":{"rendered":"

El crecimiento del desarrollo de sistemas de Inteligencia Artificial (IA) y modelos de aprendizaje autom\u00e1tico aplicados en entornos cl\u00ednicos tambi\u00e9n ha generado desaf\u00edos en su adopci\u00f3n. Investigadores han desarrollado an\u00e1lisis cualitativos por medio de entrevistas, para medir las dificultades en la adopci\u00f3n de modelos de aprendizaje autom\u00e1tico y tambi\u00e9n la percepci\u00f3n de los m\u00e9dicos sobre estos modelos. En este sentido, a pesar de la falta de comprensi\u00f3n especializada del aprendizaje autom\u00e1tico, los m\u00e9dicos han generado confianza con sistemas de aprendizaje autom\u00e1tico por medio de la experiencia. El aprendizaje autom\u00e1tico o machine learning tiene el potencial de mejorar los sistemas de soporte de decisiones cl\u00ednicas. No obstante, el impacto de estas herramientas depende de que los mismos m\u00e9dicos las apliquen y las consulten. El integrar herramientas de machine learning al flujo de trabajo de los m\u00e9dicos normalmente presenta desaf\u00edos en contextos cl\u00ednicos, sobre todo en aquellos que cuentan con limitaciones de tiempo y los m\u00e9dicos deben evaluar r\u00e1pidamente las recomendaciones. Los dos obst\u00e1culos principales para la adopci\u00f3n de estos modelos son: La dificultad que se les presenta a los especialistas para generar confianza en modelos de machine learning. Y que muchos especialistas ven la falta de experiencia humana a estos sistemas y cuestionan su valor cl\u00ednico. Un an\u00e1lisis cualitativo realizado por investigadores m\u00e9dicos de diversas universidades y facultades de medicina en Estados Unidos, mostr\u00f3 un an\u00e1lisis por medio de entrevistas codificadas a m\u00e9dicos que utilizan un modelo de aprendizaje autom\u00e1tico para sepsis. El estudio busc\u00f3 comprender el papel que los m\u00e9dicos perciben sobre el aprendizaje autom\u00e1tico en la atenci\u00f3n cl\u00ednica aguda y comprender las barreras para generar confianza con recomendaciones cl\u00ednicas basadas en aprendizaje autom\u00e1tico. Por medio de entrevistas a personal m\u00e9dico y de enfermer\u00eda el estudio explor\u00f3 estas situaciones en contextos cl\u00ednicos basados en aprendizaje autom\u00e1tico. Uno de los primeros hallazgos del estudio fue que los m\u00e9dicos reconoc\u00edan las mejoras presentadas gracias a sistemas de aprendizaje autom\u00e1tico con respecto a otros sistemas de apoyo cl\u00ednico, sin embargo, no diferenciaban entre los sistemas convencionales y los basados en aprendizaje autom\u00e1tico. El segundo hallazgo fue que \u201cLos m\u00e9dicos percib\u00edan que los sistemas basados \u200b\u200ben ML desempe\u00f1aban un papel de apoyo tanto en el diagn\u00f3stico como m\u00e1s all\u00e1. Independientemente de su comprensi\u00f3n del aprendizaje autom\u00e1tico detr\u00e1s del sistema, los m\u00e9dicos generalmente respondieron a sus alertas y las integraron en su proceso de diagn\u00f3stico. Sin embargo, se vieron a s\u00ed mismos manteniendo la responsabilidad final de las decisiones de diagn\u00f3stico y tratamiento\u201d, explica el an\u00e1lisis. El tercer tema identificado fueron los mecanismos utilizados por los profesionales de la salud para generar confianza en el sistema, a pesar de no entender completamente los modelos detr\u00e1s del sistema. \u201cPara los m\u00e9dicos, creo que solo entender [que] esta es una herramienta de aprendizaje autom\u00e1tico y hace miner\u00eda de datos, creo que ser\u00e1 m\u00e1s que suficiente\u201d, explic\u00f3 uno de los m\u00e9dicos entrevistados. El cuarto tema estuvo relacionado con el entusiasmo de los profesionales con el potencial de los sistemas basados en IA y aprendizaje autom\u00e1tico para mejorar la atenci\u00f3n del paciente, asimismo, tambi\u00e9n se\u00f1alaron la posibilidad de una dependencia excesiva de esta clase de sistemas automatizados. Consulta m\u00e1s sobre este an\u00e1lisis en el siguiente enlace: https:\/\/www.nature.com\/articles\/s41746-022-00597-7 BIBLIOGRAF\u00cdA NATURE https:\/\/www.nature.com\/articles\/s41746-022-00597-7<\/p>\n","protected":false},"author":1,"featured_media":30420,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3399,156,160],"tags":[],"class_list":["post-30418","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-analitica","category-big-data","category-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/30418","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/comments?post=30418"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/30418\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/30420"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=30418"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=30418"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=30418"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}