{"id":36640,"date":"2023-01-13T09:01:41","date_gmt":"2023-01-13T15:01:41","guid":{"rendered":"https:\/\/saluddigital.com\/?p=36640"},"modified":"2025-10-20T00:00:50","modified_gmt":"2025-10-20T06:00:50","slug":"registros-de-salud-electronicos-sinteticos-para-mejorar-la-investigacion-clinica","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/registros-de-salud-electronicos-sinteticos-para-mejorar-la-investigacion-clinica\/","title":{"rendered":"Registros de salud electr\u00f3nicos sint\u00e9ticos para mejorar la investigaci\u00f3n cl\u00ednica"},"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

Los registros m\u00e9dicos electr\u00f3nicos son utilizados para mejorar la atenci\u00f3n de los pacientes, medir el rendimiento de pr\u00e1cticas cl\u00ednicas o facilitar la investigaci\u00f3n cl\u00ednica.<\/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

Los modelos de aprendizaje autom\u00e1tico pueden ser entrenados a trav\u00e9s de datos de registros de salud electr\u00f3nicos (EHR, en ingl\u00e9s). De esta forma se pueden realizar predicciones sobre la probabilidad de desarrollar enfermedades como la diabetes, realizar seguimientos de los pacientes o predecir c\u00f3mo responder\u00e1n a medicamentos espec\u00edficos.<\/p>

Sin embargo, para llevar a cabo esta tarea es necesario tener acceso a datos de EHR, lo que es un gran desaf\u00edo ya que est\u00e1n protegidos por regulaciones de confidencialidad que garantizan su privacidad. Para tomar datos de EHR y realizar estudios, es necesario que los investigadores obtengan el consentimiento de los pacientes.<\/p>

No obstante, existen m\u00e9todos para anonimizar datos, por ejemplo, la desidentificaci\u00f3n, pero son costosos y pueden eliminar o distorsionar caracter\u00edsticas importantes de los conjuntos de datos originales, disminuyendo su utilidad.<\/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

En este sentido, cient\u00edficos de Google Research desarrollaron EHR-Safe: Generaci\u00f3n de registros de salud electr\u00f3nicos sint\u00e9ticos de alta fidelidad y preservaci\u00f3n de la privacidad<\/em><\/strong> un modelo para la generaci\u00f3n de datos sint\u00e9ticos con las propiedades que su nombre menciona: alta fidelidad, es decir que son \u00fatiles para una tarea de inter\u00e9s especifico y cuentan con medidas privacidad, es decir que no revelan informaci\u00f3n real de los pacientes.<\/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\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

Los cient\u00edficos de Google Research se enfrentaron con m\u00faltiples desaf\u00edos para la generaci\u00f3n de EHR sint\u00e9ticos, espec\u00edficamente relacionados con las caracter\u00edsticas de los EHR reales. Las caracter\u00edsticas pueden ser num\u00e9ricas o categ\u00f3ricas algunas variables son est\u00e1ticas otras cambian con el tiempo, por ejemplo, a trav\u00e9s de ex\u00e1menes de laboratorio regulares o espor\u00e1dicas. Es decir, algunos pacientes dependiendo de su condici\u00f3n de salud, realizan visitas cl\u00ednicas de manera regular y sus datos cambian constantemente.<\/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

El modelo EHR-Safe est\u00e1 construida en una arquitectura de codificador-descodificador secuencial y redes antag\u00f3nicas (GAN en ingl\u00e9s). Es decir, el modelo aprende el mapeo de los datos brutos de los EHR.<\/p>

\u201cLas m\u00e9tricas de fidelidad se centran en la calidad de los datos generados sint\u00e9ticamente al medir la realidad de los datos sint\u00e9ticos. Una mayor fidelidad implica que es m\u00e1s dif\u00edcil diferenciar entre datos sint\u00e9ticos y reales. Evaluamos la fidelidad de los datos sint\u00e9ticos en t\u00e9rminos de m\u00faltiples an\u00e1lisis cuantitativos y cualitativos\u201d, explican los autores.<\/p>

Consulta el art\u00edculo con los detalles completos en el siguiente enlace:<\/p>

https:\/\/www.researchsquare.com\/article\/rs-2347130\/v1<\/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

AI GOOGLE<\/strong><\/p>

https:\/\/ai.googleblog.com\/2022\/12\/ehr-safe-generating-high-fidelity-and.html<\/a>\u00a0<\/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":"

Los registros m\u00e9dicos electr\u00f3nicos son utilizados para mejorar la atenci\u00f3n de los pacientes, medir el rendimiento de pr\u00e1cticas cl\u00ednicas o facilitar la investigaci\u00f3n cl\u00ednica. Los modelos de aprendizaje autom\u00e1tico pueden ser entrenados a trav\u00e9s de datos de registros de salud electr\u00f3nicos (EHR, en ingl\u00e9s). De esta forma se pueden realizar predicciones sobre la probabilidad de desarrollar enfermedades como la diabetes, realizar seguimientos de los pacientes o predecir c\u00f3mo responder\u00e1n a medicamentos espec\u00edficos. Sin embargo, para llevar a cabo esta tarea es necesario tener acceso a datos de EHR, lo que es un gran desaf\u00edo ya que est\u00e1n protegidos por regulaciones de confidencialidad que garantizan su privacidad. Para tomar datos de EHR y realizar estudios, es necesario que los investigadores obtengan el consentimiento de los pacientes. No obstante, existen m\u00e9todos para anonimizar datos, por ejemplo, la desidentificaci\u00f3n, pero son costosos y pueden eliminar o distorsionar caracter\u00edsticas importantes de los conjuntos de datos originales, disminuyendo su utilidad. En este sentido, cient\u00edficos de Google Research desarrollaron EHR-Safe: Generaci\u00f3n de registros de salud electr\u00f3nicos sint\u00e9ticos de alta fidelidad y preservaci\u00f3n de la privacidad un modelo para la generaci\u00f3n de datos sint\u00e9ticos con las propiedades que su nombre menciona: alta fidelidad, es decir que son \u00fatiles para una tarea de inter\u00e9s especifico y cuentan con medidas privacidad, es decir que no revelan informaci\u00f3n real de los pacientes. Los cient\u00edficos de Google Research se enfrentaron con m\u00faltiples desaf\u00edos para la generaci\u00f3n de EHR sint\u00e9ticos, espec\u00edficamente relacionados con las caracter\u00edsticas de los EHR reales. Las caracter\u00edsticas pueden ser num\u00e9ricas o categ\u00f3ricas algunas variables son est\u00e1ticas otras cambian con el tiempo, por ejemplo, a trav\u00e9s de ex\u00e1menes de laboratorio regulares o espor\u00e1dicas. Es decir, algunos pacientes dependiendo de su condici\u00f3n de salud, realizan visitas cl\u00ednicas de manera regular y sus datos cambian constantemente. El modelo EHR-Safe est\u00e1 construida en una arquitectura de codificador-descodificador secuencial y redes antag\u00f3nicas (GAN en ingl\u00e9s). Es decir, el modelo aprende el mapeo de los datos brutos de los EHR. \u201cLas m\u00e9tricas de fidelidad se centran en la calidad de los datos generados sint\u00e9ticamente al medir la realidad de los datos sint\u00e9ticos. Una mayor fidelidad implica que es m\u00e1s dif\u00edcil diferenciar entre datos sint\u00e9ticos y reales. Evaluamos la fidelidad de los datos sint\u00e9ticos en t\u00e9rminos de m\u00faltiples an\u00e1lisis cuantitativos y cualitativos\u201d, explican los autores. Consulta el art\u00edculo con los detalles completos en el siguiente enlace: https:\/\/www.researchsquare.com\/article\/rs-2347130\/v1 BIBLIOGRAF\u00cdA AI GOOGLE https:\/\/ai.googleblog.com\/2022\/12\/ehr-safe-generating-high-fidelity-and.html <\/p>","protected":false},"author":1,"featured_media":36643,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-36640","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-big-data","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/36640","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=36640"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/36640\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/36643"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=36640"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=36640"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=36640"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}