{"id":37411,"date":"2023-03-17T08:53:10","date_gmt":"2023-03-17T14:53:10","guid":{"rendered":"https:\/\/saluddigital.com\/?p=37411"},"modified":"2025-10-19T23:33:07","modified_gmt":"2025-10-20T05:33:07","slug":"estudio-detalla-el-uso-de-aprendizaje-profundo-para-la-deteccion-de-cirrosis","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/estudio-detalla-el-uso-de-aprendizaje-profundo-para-la-deteccion-de-cirrosis\/","title":{"rendered":"Estudio detalla el uso de aprendizaje profundo para la detecci\u00f3n de cirrosis"},"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 de la Universidad Medica de Carolina del Sur publicaron un estudio que explora el uso de aprendizaje profundo para identificar a pacientes con cirrosis a partir de textos cl\u00ednicos en expedientes cl\u00ednicos electr\u00f3nicos.<\/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

Esta investigaci\u00f3n publicada en Journal of Gastroenterology<\/em> explora c\u00f3mo se puede identificar de manera precisa la cirrosis a trav\u00e9s de datos en historias cl\u00ednicas electr\u00f3nicas y que adem\u00e1s es un factor importante para la investigaci\u00f3n epidemiol\u00f3gica. La investigaci\u00f3n tambi\u00e9n explica que estos intentos se alinean a los c\u00f3digos de la Clasificaci\u00f3n Internacional de Enfermedad, sin embargo, presentan un \u00e9xito limitado.<\/p>

En este sentido el objetivo del estudio fue evaluar un enfoque de Inteligencia Artificial (IA) basado en aprendizaje profundo, sobre texto cl\u00ednico en historias cl\u00ednicas electr\u00f3nicas para as\u00ed identificar pacientes con cirrosis.<\/p>

\u201cEntrenamos varios modelos de aprendizaje autom\u00e1tico utilizando res\u00famenes de alta de pacientes con cirrosis conocida de un registro de pacientes y controles aleatorios sin cirrosis o sus complicaciones basados en c\u00f3digos CIE\u201d, explica el estudio.<\/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

Los modelos entrenados fueron validados en pacientes cuyos res\u00famenes de alta se revisaron manualmente de manera previa. Asimismo, los investigadores probaron diferentes modelos de aprendizaje profundo que utilizan incrustaci\u00f3n de palabras Naive Bayes y Random Forest y una red neuronal convolucional (CNN, en ingl\u00e9s).<\/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\t\t

El entrenamiento del modelo incluy\u00f3 446 pacientes con cirrosis y 689 controles, y el conjunto de prueba de referencia 139 y 152 respectivamente. La CNN tuvo la mayor \u00e1rea bajo la curva, logrando una precisi\u00f3n de 0.965, fuente a los 0.879 y 0.981 de Naive Bayes y Random Forest.<\/p>

De esta manera, el estudio concluye que \u201cun modelo CNN entrenado en res\u00famenes de alta identific\u00f3 pacientes con cirrosis con alta precisi\u00f3n. Este enfoque para la genotipificaci\u00f3n de la cirrosis en las historias cl\u00ednicas electr\u00f3nicas puede proporcionar una evaluaci\u00f3n m\u00e1s precisa de la carga de la enfermedad en una variedad de estudios\u201d<\/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

JOURNAL OF CLINICAL GASTROENTEROLOGY<\/strong><\/p>

https:\/\/journals.lww.com\/jcge\/Abstract\/2023\/01000\/An_AI_Approach_for_Identifying_Patients_With.10.aspx<\/a><\/p>

HEALTH IT ANALYTICS<\/strong><\/p>

https:\/\/healthitanalytics.com\/news\/deep-learning-tool-helps-identify-patients-with-cirrhosis<\/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 de la Universidad Medica de Carolina del Sur publicaron un estudio que explora el uso de aprendizaje profundo para identificar a pacientes con cirrosis a partir de textos cl\u00ednicos en expedientes cl\u00ednicos electr\u00f3nicos. Esta investigaci\u00f3n publicada en Journal of Gastroenterology explora c\u00f3mo se puede identificar de manera precisa la cirrosis a trav\u00e9s de datos en historias cl\u00ednicas electr\u00f3nicas y que adem\u00e1s es un factor importante para la investigaci\u00f3n epidemiol\u00f3gica. La investigaci\u00f3n tambi\u00e9n explica que estos intentos se alinean a los c\u00f3digos de la Clasificaci\u00f3n Internacional de Enfermedad, sin embargo, presentan un \u00e9xito limitado. En este sentido el objetivo del estudio fue evaluar un enfoque de Inteligencia Artificial (IA) basado en aprendizaje profundo, sobre texto cl\u00ednico en historias cl\u00ednicas electr\u00f3nicas para as\u00ed identificar pacientes con cirrosis. \u201cEntrenamos varios modelos de aprendizaje autom\u00e1tico utilizando res\u00famenes de alta de pacientes con cirrosis conocida de un registro de pacientes y controles aleatorios sin cirrosis o sus complicaciones basados en c\u00f3digos CIE\u201d, explica el estudio. Los modelos entrenados fueron validados en pacientes cuyos res\u00famenes de alta se revisaron manualmente de manera previa. Asimismo, los investigadores probaron diferentes modelos de aprendizaje profundo que utilizan incrustaci\u00f3n de palabras Naive Bayes y Random Forest y una red neuronal convolucional (CNN, en ingl\u00e9s). El entrenamiento del modelo incluy\u00f3 446 pacientes con cirrosis y 689 controles, y el conjunto de prueba de referencia 139 y 152 respectivamente. La CNN tuvo la mayor \u00e1rea bajo la curva, logrando una precisi\u00f3n de 0.965, fuente a los 0.879 y 0.981 de Naive Bayes y Random Forest. De esta manera, el estudio concluye que \u201cun modelo CNN entrenado en res\u00famenes de alta identific\u00f3 pacientes con cirrosis con alta precisi\u00f3n. Este enfoque para la genotipificaci\u00f3n de la cirrosis en las historias cl\u00ednicas electr\u00f3nicas puede proporcionar una evaluaci\u00f3n m\u00e1s precisa de la carga de la enfermedad en una variedad de estudios\u201d BIBLIOGRAF\u00cdA JOURNAL OF CLINICAL GASTROENTEROLOGY https:\/\/journals.lww.com\/jcge\/Abstract\/2023\/01000\/An_AI_Approach_for_Identifying_Patients_With.10.aspx HEALTH IT ANALYTICS https:\/\/healthitanalytics.com\/news\/deep-learning-tool-helps-identify-patients-with-cirrhosis<\/p>","protected":false},"author":1,"featured_media":37413,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-37411","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\/37411","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=37411"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/37411\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/37413"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=37411"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=37411"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=37411"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}