{"id":36786,"date":"2023-01-25T08:39:24","date_gmt":"2023-01-25T14:39:24","guid":{"rendered":"https:\/\/saluddigital.com\/?p=36786"},"modified":"2025-10-19T23:52:55","modified_gmt":"2025-10-20T05:52:55","slug":"inteligencia-artificial-podria-predecir-enfermedades-oseas-en-bebes","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/inteligencia-artificial-podria-predecir-enfermedades-oseas-en-bebes\/","title":{"rendered":"Inteligencia Artificial podr\u00eda predecir enfermedades \u00f3seas en beb\u00e9s"},"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

Investigadores en China probaron un modelo de Inteligencia Artificial para la predicci\u00f3n de enfermedades \u00f3seas metab\u00f3licas neonatales en los periodos prenatal y posnatal.<\/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

Un estudio realizado en China plante\u00f3 la posibilidad de que una red neuronal artificial logre predecir el riesgo de enfermedad metab\u00f3lica neonatal en los periodos prenatal y posnatal. La importancia de esta investigaci\u00f3n recae en que el reconocimiento temprano de esta enfermedad es complicado ya que se necesitan herramientas adecuadas para evaluar a los bebes con riesgo de desarrollarla.<\/p>

El objetivo de la investigaci\u00f3n publicada en JAMA Network fue desarrollar un modelo predictivo para neonatos en riesgo de padecer enfermedad \u00f3sea metab\u00f3lica en los periodos prenatal y posnatal, as\u00ed como detectar los factores fundamentales expuestos en ambos periodos.<\/p>

El estudio de diagn\u00f3stico recolect\u00f3 informaci\u00f3n de 10,801 mujeres embarazadas y sus hijos.\u00a0 Los datos corresponden al 1 de enero del 2012 hasta el 31 de diciembre de 2021 en Shangh\u00e1i, China.<\/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

Posteriormente se utiliz\u00f3 un marco de red neuronal artificial para la construcci\u00f3n y desarrollo de cinco modelos predictivos con distintas exposiciones, desde el periodo prenatal hasta el posnatal. El rendimiento de cada modelo fue evaluado a trav\u00e9s de la curva caracter\u00edstica operativa. Asimismo, la importancia de cada caracter\u00edstica fue examinada por y clasificada por los investigadores.<\/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

Los hallazgos encontrados en este estudio mostraron que los modelos que incluyeron factores prenatales y posnatales significativos y los factores posnatales solos tuvieron la mejor capacidad para predecir beb\u00e9s en riesgo de padecer enfermedad \u00f3sea metab\u00f3lica.<\/p>

De las m\u00e1s de 10 mil mujeres que participaron en el estudio, 138 dieron nacimiento de un beb\u00e9 con dicha condici\u00f3n. Entre los 5 modelos ANN, el modelo 1 factores prenatales y posnatales significativos mostr\u00f3 el \u00e1rea debajo de la curva (AUC) m\u00e1s alto de 0,981 y posteriormente el modelo 5 factores posnatales con AUC, 0,977.<\/p>

Los autores explican que la red neuronal artificial \u201cpareci\u00f3 ser una herramienta simple y eficiente para identificar a los reci\u00e9n nacidos en riesgo de enfermedad \u00f3sea metab\u00f3lica prenatal\u201d. Detallaron tambi\u00e9n que la \u201ccombinaci\u00f3n de factores prenatales y posnatales o el uso exclusivo de exposiciones posnatales proporcionaron la predicci\u00f3n m\u00e1s precisa\u201d.<\/p>

De igual manera encontraron que el peso extremadamente bajo al nacer fue el factor predictivo m\u00e1s significativo, as\u00ed como que el uso de sulfato de magnesio durante el embarazo podr\u00eda ser un indicador importante para desarrollar esta enfermedad \u00f3sea antes del parto.<\/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

JAMA NETWORK<\/strong><\/p>

https:\/\/jamanetwork.com\/journals\/jamanetworkopen\/fullarticle\/2800708<\/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":"

Investigadores en China probaron un modelo de Inteligencia Artificial para la predicci\u00f3n de enfermedades \u00f3seas metab\u00f3licas neonatales en los periodos prenatal y posnatal. Un estudio realizado en China plante\u00f3 la posibilidad de que una red neuronal artificial logre predecir el riesgo de enfermedad metab\u00f3lica neonatal en los periodos prenatal y posnatal. La importancia de esta investigaci\u00f3n recae en que el reconocimiento temprano de esta enfermedad es complicado ya que se necesitan herramientas adecuadas para evaluar a los bebes con riesgo de desarrollarla. El objetivo de la investigaci\u00f3n publicada en JAMA Network fue desarrollar un modelo predictivo para neonatos en riesgo de padecer enfermedad \u00f3sea metab\u00f3lica en los periodos prenatal y posnatal, as\u00ed como detectar los factores fundamentales expuestos en ambos periodos. El estudio de diagn\u00f3stico recolect\u00f3 informaci\u00f3n de 10,801 mujeres embarazadas y sus hijos.  Los datos corresponden al 1 de enero del 2012 hasta el 31 de diciembre de 2021 en Shangh\u00e1i, China. Posteriormente se utiliz\u00f3 un marco de red neuronal artificial para la construcci\u00f3n y desarrollo de cinco modelos predictivos con distintas exposiciones, desde el periodo prenatal hasta el posnatal. El rendimiento de cada modelo fue evaluado a trav\u00e9s de la curva caracter\u00edstica operativa. Asimismo, la importancia de cada caracter\u00edstica fue examinada por y clasificada por los investigadores. Los hallazgos encontrados en este estudio mostraron que los modelos que incluyeron factores prenatales y posnatales significativos y los factores posnatales solos tuvieron la mejor capacidad para predecir beb\u00e9s en riesgo de padecer enfermedad \u00f3sea metab\u00f3lica. De las m\u00e1s de 10 mil mujeres que participaron en el estudio, 138 dieron nacimiento de un beb\u00e9 con dicha condici\u00f3n. Entre los 5 modelos ANN, el modelo 1 factores prenatales y posnatales significativos mostr\u00f3 el \u00e1rea debajo de la curva (AUC) m\u00e1s alto de 0,981 y posteriormente el modelo 5 factores posnatales con AUC, 0,977. Los autores explican que la red neuronal artificial \u201cpareci\u00f3 ser una herramienta simple y eficiente para identificar a los reci\u00e9n nacidos en riesgo de enfermedad \u00f3sea metab\u00f3lica prenatal\u201d. Detallaron tambi\u00e9n que la \u201ccombinaci\u00f3n de factores prenatales y posnatales o el uso exclusivo de exposiciones posnatales proporcionaron la predicci\u00f3n m\u00e1s precisa\u201d. De igual manera encontraron que el peso extremadamente bajo al nacer fue el factor predictivo m\u00e1s significativo, as\u00ed como que el uso de sulfato de magnesio durante el embarazo podr\u00eda ser un indicador importante para desarrollar esta enfermedad \u00f3sea antes del parto. BIBLIOGRAF\u00cdA JAMA NETWORK https:\/\/jamanetwork.com\/journals\/jamanetworkopen\/fullarticle\/2800708<\/p>","protected":false},"author":1,"featured_media":36787,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-36786","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\/36786","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=36786"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/36786\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/36787"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=36786"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=36786"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=36786"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}