{"id":32551,"date":"2022-10-21T10:31:47","date_gmt":"2022-10-21T15:31:47","guid":{"rendered":"https:\/\/saluddigital.com\/?p=32551"},"modified":"2025-10-20T09:46:48","modified_gmt":"2025-10-20T15:46:48","slug":"la-prediccion-inteligente-de-riesgos-en-salud-publica-a-traves-de-wearables","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/noticias\/la-prediccion-inteligente-de-riesgos-en-salud-publica-a-traves-de-wearables\/","title":{"rendered":"La predicci\u00f3n inteligente de riesgos en salud p\u00fablica a trav\u00e9s de wearables"},"content":{"rendered":"
\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

Las tecnolog\u00edas m\u00f3viles demostraron durante la pandemia ser una realidad para la predicci\u00f3n de riesgos de contagios de COVID-19.<\/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

La pandemia de COVID-19, hizo evidente la importancia de la predicci\u00f3n de riesgos ante eventos relevantes en la salud p\u00fablica. Por ello desde el 2020, se realizaron diversas intervenciones en todo el mundo, que incorporaron el uso de encuestas de s\u00edntomas auto informados, monitoreo de s\u00edntomas, medici\u00f3n de variables por medio de dispositivos, entre otros. Un estudio reciente mostr\u00f3 el desarrollo de un algoritmo basado en aprendizaje autom\u00e1tico, para predecir el riesgo de infecci\u00f3n por COVID-19 utilizando datos biom\u00e9tricos de wearables y encuestas de s\u00edntomas.<\/p>

El objetivo del estudio fue aumentar la eficiencia de la asignaci\u00f3n de pruebas al rastrear la propagaci\u00f3n de enfermedades en entornos con recursos limitados. Por ello dispositivos como wearables o relojes inteligentes, brazaletes o incluso anteojos, son herramientas que poco a poco han sido adoptadas por una buena parte de la poblaci\u00f3n. La mayor\u00eda de los dispositivos port\u00e1tiles inteligentes como estos, son capaces de registrar y analizar marcadores de salud a trav\u00e9s de sensores biom\u00e9tricos.<\/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\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
\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

Estudios como: “Un m\u00e9todo para la asignaci\u00f3n inteligente de pruebas de diagn\u00f3stico mediante el aprovechamiento de datos de dispositivos port\u00e1tiles comerciales: un estudio de caso sobre COVID-19″publicado por Shandhi et al. en npj Digital Medicine, destacan el uso de modelos para la predicci\u00f3n de riesgos utilizando datos de biomarcadores digitales de dispositivos port\u00e1tiles y encuestas de s\u00edntomas.\u00a0 Este modelo fue validado por separado utilizando tres cohortes: participantes con valores diarios informados solo por dispositivos m\u00f3viles y de alta frecuenta; participantes con datos de alta frecuencia y pacientes con datos del dispositivo Fitbit de alta frecuencia \u00fanicamente.<\/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

De esta manera, este estudio demostr\u00f3 que la aplicaci\u00f3n del modelo permite asignar recursos de pruebas de diagn\u00f3stico de manera m\u00e1s eficiente. Asimismo, su tasa de positividad en las pruebas de diagn\u00f3stico sugiere que el modelo podr\u00eda ser exitoso incluso si es ejecutado de manera masiva o a gran escala.<\/p>

Asimismo, especialistas de la Facultad de Medicina de Harvard, reconocen las limitaciones de este tipo de enfoques, como el uso de dispositivos port\u00e1tiles diferentes, y la falta de procesos estandarizados para que la informaci\u00f3n recopilada por los diversos modelos de dispositivos fuera homog\u00e9nea.<\/p>

De igual forma, la aplicaci\u00f3n de modelos basados en algoritmos para la predicci\u00f3n de riesgos puede generar ahorros en los sistemas de salud locales, estatales e incluso nacionales. “En t\u00e9rminos de implementaci\u00f3n, dado el potencial de la medicina preventiva para disminuir el gasto en atenci\u00f3n m\u00e9dica y disminuir la carga de la enfermedad, los modelos de predicci\u00f3n de riesgo podr\u00edan ser subsidiados y\/o implementados por las agencias de salud p\u00fablica”, explican especialistas en un art\u00edculo editorial publicado en Nature.<\/p>

En este sentido, explican que la predicci\u00f3n de riesgos impulsada por IA tiene implicaciones m\u00e1s amplias en la atenci\u00f3n m\u00e9dica, para diagn\u00f3sticos, pron\u00f3sticos y mejoras en la toma de decisiones cl\u00ednicas.<\/p>

Learn more at the following link: https:\/\/www.nature.com\/articles\/s41746-022-00701-x<\/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 BIBLIOGRAPHY<\/a>\n\t\t\t\t\t<\/div>\n\n\t\t\t\t\t

NATURE<\/strong><\/p>

https:\/\/www.nature.com\/articles\/s41746-022-00701-x<\/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>","protected":false},"excerpt":{"rendered":"

Las tecnolog\u00edas m\u00f3viles demostraron durante la pandemia ser una realidad para la predicci\u00f3n de riesgos de contagios de COVID-19. La pandemia de COVID-19, hizo evidente la importancia de la predicci\u00f3n de riesgos ante eventos relevantes en la salud p\u00fablica. Por ello desde el 2020, se realizaron diversas intervenciones en todo el mundo, que incorporaron el uso de encuestas de s\u00edntomas auto informados, monitoreo de s\u00edntomas, medici\u00f3n de variables por medio de dispositivos, entre otros. Un estudio reciente mostr\u00f3 el desarrollo de un algoritmo basado en aprendizaje autom\u00e1tico, para predecir el riesgo de infecci\u00f3n por COVID-19 utilizando datos biom\u00e9tricos de wearables y encuestas de s\u00edntomas. El objetivo del estudio fue aumentar la eficiencia de la asignaci\u00f3n de pruebas al rastrear la propagaci\u00f3n de enfermedades en entornos con recursos limitados. Por ello dispositivos como wearables o relojes inteligentes, brazaletes o incluso anteojos, son herramientas que poco a poco han sido adoptadas por una buena parte de la poblaci\u00f3n. La mayor\u00eda de los dispositivos port\u00e1tiles inteligentes como estos, son capaces de registrar y analizar marcadores de salud a trav\u00e9s de sensores biom\u00e9tricos. Estudios como: “Un m\u00e9todo para la asignaci\u00f3n inteligente de pruebas de diagn\u00f3stico mediante el aprovechamiento de datos de dispositivos port\u00e1tiles comerciales: un estudio de caso sobre COVID-19″publicado por Shandhi et al. en npj Digital Medicine, destacan el uso de modelos para la predicci\u00f3n de riesgos utilizando datos de biomarcadores digitales de dispositivos port\u00e1tiles y encuestas de s\u00edntomas.  Este modelo fue validado por separado utilizando tres cohortes: participantes con valores diarios informados solo por dispositivos m\u00f3viles y de alta frecuenta; participantes con datos de alta frecuencia y pacientes con datos del dispositivo Fitbit de alta frecuencia \u00fanicamente. De esta manera, este estudio demostr\u00f3 que la aplicaci\u00f3n del modelo permite asignar recursos de pruebas de diagn\u00f3stico de manera m\u00e1s eficiente. Asimismo, su tasa de positividad en las pruebas de diagn\u00f3stico sugiere que el modelo podr\u00eda ser exitoso incluso si es ejecutado de manera masiva o a gran escala. Asimismo, especialistas de la Facultad de Medicina de Harvard, reconocen las limitaciones de este tipo de enfoques, como el uso de dispositivos port\u00e1tiles diferentes, y la falta de procesos estandarizados para que la informaci\u00f3n recopilada por los diversos modelos de dispositivos fuera homog\u00e9nea. De igual forma, la aplicaci\u00f3n de modelos basados en algoritmos para la predicci\u00f3n de riesgos puede generar ahorros en los sistemas de salud locales, estatales e incluso nacionales. “En t\u00e9rminos de implementaci\u00f3n, dado el potencial de la medicina preventiva para disminuir el gasto en atenci\u00f3n m\u00e9dica y disminuir la carga de la enfermedad, los modelos de predicci\u00f3n de riesgo podr\u00edan ser subsidiados y\/o implementados por las agencias de salud p\u00fablica”, explican especialistas en un art\u00edculo editorial publicado en Nature. En este sentido, explican que la predicci\u00f3n de riesgos impulsada por IA tiene implicaciones m\u00e1s amplias en la atenci\u00f3n m\u00e9dica, para diagn\u00f3sticos, pron\u00f3sticos y mejoras en la toma de decisiones cl\u00ednicas. Conoce m\u00e1s en el siguiente enlace: https:\/\/www.nature.com\/articles\/s41746-022-00701-x BIBLIOGRAF\u00cdA NATURE https:\/\/www.nature.com\/articles\/s41746-022-00701-x<\/p>","protected":false},"author":1,"featured_media":32552,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3395,160],"tags":[145],"class_list":["post-32551","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-apps-moviles-e-internet-de-las-cosas","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/32551","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=32551"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/32551\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/32552"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=32551"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=32551"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=32551"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}