{"id":40108,"date":"2023-08-04T09:30:41","date_gmt":"2023-08-04T15:30:41","guid":{"rendered":"https:\/\/saluddigital.com\/?p=40108"},"modified":"2025-10-19T22:19:56","modified_gmt":"2025-10-20T04:19:56","slug":"el-desarrollo-de-grafos-de-conocimiento-y-el-futuro-de-la-medicina-de-precision","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/el-desarrollo-de-grafos-de-conocimiento-y-el-futuro-de-la-medicina-de-precision\/","title":{"rendered":"El desarrollo de grafos de conocimiento y el futuro de la medicina de precisi\u00f3n"},"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

La medicina de precisi\u00f3n tiene un gran potencial que podr\u00eda ser perfeccionado a trav\u00e9s de grafos de conocimiento que facilitar\u00edan la gesti\u00f3n de la informaci\u00f3n m\u00e9dica de diversas fuentes de datos.<\/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

The precision medicine<\/a> o medicina personalizada es un enfoque emergente para la prevenci\u00f3n y tratamiento de enfermedades bas\u00e1ndose en las condiciones y variables individuales y gen\u00e9ticas de cada paciente con el fin de brindar una atenci\u00f3n m\u00e9dica m\u00e1s completa. Este novedoso enfoque ha permitido mejorar los diagn\u00f3sticos y tratamientos de enfermedades, al reconocer la diversidad gen\u00e9tica, ambiental y de estilo de vida que influye en la salud de los individuos.<\/p>

La clave para lograr la precisi\u00f3n en la atenci\u00f3n m\u00e9dica reside en el uso de datos biom\u00e9dicos y el conocimiento detallado de la salud. Sin embargo, existen desaf\u00edos para aprovechar de manera eficiente la informaci\u00f3n en las diversas escalas biol\u00f3gicas y proporcionar una atenci\u00f3n personalizada y basada en la evidencia.<\/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

En este sentido, una de las principales barreras que enfrenta la medicina de precisi\u00f3n es la fragmentaci\u00f3n del conocimiento m\u00e9dico y biom\u00e9dico, especialmente en enfermedades complejas. La informaci\u00f3n sobre enfermedades proviene de diversas fuentes, como estudios gen\u00f3micos, datos de expresi\u00f3n g\u00e9nica, v\u00edas moleculares, fenotipos cl\u00ednicos, efectos ambientales y terapias m\u00e9dicas. Esta informaci\u00f3n se encuentra dispersa en publicaciones cient\u00edficas, repositorios de datos no estandarizados, ontolog\u00edas y pautas cl\u00ednicas. La falta de una integraci\u00f3n coherente y sistematizada de este conocimiento dificulta la investigaci\u00f3n y el desarrollo de la atenci\u00f3n m\u00e9dica personalizada a gran escala.<\/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

Para atender esta problem\u00e1tica y conducir hacia una medicina de precisi\u00f3n m\u00e1s objetiva y al alcance de m\u00e1s personas, un grupo de cient\u00edficos del MIT, Stanford y Harvard desarrollaron un modelo que tendr\u00eda el potencial de revolucionar la medicina de precisi\u00f3n.<\/p>

El art\u00edculo \u201cCreaci\u00f3n de un grafo de conocimiento para la medicina de precisi\u00f3n\u201d publicado en Scientific<\/em> Data<\/em> aborda el tema de la fragmentaci\u00f3n de la informaci\u00f3n y el conocimiento en la medicina de precisi\u00f3n. Para abordar esto, los autores proponen la construcci\u00f3n de un \u201cKnowledge Graph\u201d o grafo de conocimiento que describa las relaciones de las enfermedades con otras entidades biom\u00e9dicas, lo que permitir\u00eda un estudio sistem\u00e1tico de las enfermedades humanas y abrir\u00eda la puerta a diversas investigaciones en medicina de precisi\u00f3n.<\/p>

Los grafos de conocimiento son importantes para construir sistemas de informaci\u00f3n que requieren acceso a conocimiento estructurado. Adem\u00e1s, son considerados como un aspecto clave para la b\u00fasqueda de informaci\u00f3n en la web e incluso en modelos de inteligencia artificial (IA). Su uso radica en que se pueden integrar diferentes fuentes de datos, lo que facilita la gesti\u00f3n y la organizaci\u00f3n de datos.<\/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 autores hacen \u00e9nfasis en que este recurso integrar\u00eda informaci\u00f3n de diversas fuentes de datos para abordar enfermedades a gran escala. Aunque existen desaf\u00edos en la consolidaci\u00f3n de esta informaci\u00f3n, como la falta de una representaci\u00f3n consistente de enfermedades en diferentes bases de datos y la ambig\u00fcedad en la definici\u00f3n de enfermedades como unidades de an\u00e1lisis, buscan que el desarrollo de este grafo de conocimiento ser\u00eda de gran utilidad para impulsar investigaciones en medicina de precisi\u00f3n.<\/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

Dentro de su an\u00e1lisis y estudio los autores presentan el \u201cPrecision Medicine Knowledge Graph\u201d o PrimeKG, como un ejemplo de este recurso, destacando su extensa cobertura de enfermedades y la integraci\u00f3n de informaci\u00f3n multimodal para facilitar an\u00e1lisis inteligentes en el campo de la medicina.<\/p>

PrimeKG facilitar\u00eda la comprensi\u00f3n de las interconexiones entre enfermedades, f\u00e1rmacos, fenotipos y m\u00e1s. Asimismo, abrir\u00eda la puerta a diversas l\u00edneas de investigaci\u00f3n, incluida la identificaci\u00f3n de nuevos objetivos terap\u00e9uticos, el estudio de la etiolog\u00eda de enfermedades y la personalizaci\u00f3n de tratamientos.<\/p>

PrimeKG integra datos de m\u00e1s de 20 fuentes de alta calidad, biorepositorios y ontolog\u00edas para construir un grafo de conocimiento completo y funcional. Con miles de relaciones entre m\u00e1s de cien mil nodos, PrimeKG abarca diez escalas biol\u00f3gicas importantes, lo que permite una representaci\u00f3n completa y detallada de las enfermedades y sus interacciones con otras entidades biom\u00e9dicas.<\/p>

De esta manera, el desarrollo de un grafo de conocimiento para la medicina de precisi\u00f3n tiene el potencial de transformar la investigaci\u00f3n y la atenci\u00f3n m\u00e9dica, ya que es capaz de proporcionar una plataforma integral y accesible para abordar la complejidad de las enfermedades y mejorar la toma de decisiones cl\u00ednicas. En PrimeKG y otros esfuerzos similares, la comunidad biom\u00e9dica se encuentra el camino hacia una medicina personalizada m\u00e1s s\u00f3lida y fundamentada en la evidencia.<\/p>

Consulta el art\u00edculo completo para conocer m\u00e1s sobre este tema:<\/p>

https:\/\/www.nature.com\/articles\/s41597-023-01960-3<\/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

NOMBRE DE LA P\u00c1GINA<\/strong><\/p>

http:\/\/scielo.sld.cu\/scielo.php?script=sci_arttext&pid=S2307-21132021000400002<\/a><\/p>

https:\/\/www.nature.com\/articles\/s41597-023-01960-3<\/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":"

La medicina de precisi\u00f3n tiene un gran potencial que podr\u00eda ser perfeccionado a trav\u00e9s de grafos de conocimiento que facilitar\u00edan la gesti\u00f3n de la informaci\u00f3n m\u00e9dica de diversas fuentes de datos. La medicina de precisi\u00f3n o medicina personalizada es un enfoque emergente para la prevenci\u00f3n y tratamiento de enfermedades bas\u00e1ndose en las condiciones y variables individuales y gen\u00e9ticas de cada paciente con el fin de brindar una atenci\u00f3n m\u00e9dica m\u00e1s completa. Este novedoso enfoque ha permitido mejorar los diagn\u00f3sticos y tratamientos de enfermedades, al reconocer la diversidad gen\u00e9tica, ambiental y de estilo de vida que influye en la salud de los individuos. La clave para lograr la precisi\u00f3n en la atenci\u00f3n m\u00e9dica reside en el uso de datos biom\u00e9dicos y el conocimiento detallado de la salud. Sin embargo, existen desaf\u00edos para aprovechar de manera eficiente la informaci\u00f3n en las diversas escalas biol\u00f3gicas y proporcionar una atenci\u00f3n personalizada y basada en la evidencia. En este sentido, una de las principales barreras que enfrenta la medicina de precisi\u00f3n es la fragmentaci\u00f3n del conocimiento m\u00e9dico y biom\u00e9dico, especialmente en enfermedades complejas. La informaci\u00f3n sobre enfermedades proviene de diversas fuentes, como estudios gen\u00f3micos, datos de expresi\u00f3n g\u00e9nica, v\u00edas moleculares, fenotipos cl\u00ednicos, efectos ambientales y terapias m\u00e9dicas. Esta informaci\u00f3n se encuentra dispersa en publicaciones cient\u00edficas, repositorios de datos no estandarizados, ontolog\u00edas y pautas cl\u00ednicas. La falta de una integraci\u00f3n coherente y sistematizada de este conocimiento dificulta la investigaci\u00f3n y el desarrollo de la atenci\u00f3n m\u00e9dica personalizada a gran escala. Para atender esta problem\u00e1tica y conducir hacia una medicina de precisi\u00f3n m\u00e1s objetiva y al alcance de m\u00e1s personas, un grupo de cient\u00edficos del MIT, Stanford y Harvard desarrollaron un modelo que tendr\u00eda el potencial de revolucionar la medicina de precisi\u00f3n. El art\u00edculo \u201cCreaci\u00f3n de un grafo de conocimiento para la medicina de precisi\u00f3n\u201d publicado en Scientific Data aborda el tema de la fragmentaci\u00f3n de la informaci\u00f3n y el conocimiento en la medicina de precisi\u00f3n. Para abordar esto, los autores proponen la construcci\u00f3n de un \u201cKnowledge Graph\u201d o grafo de conocimiento que describa las relaciones de las enfermedades con otras entidades biom\u00e9dicas, lo que permitir\u00eda un estudio sistem\u00e1tico de las enfermedades humanas y abrir\u00eda la puerta a diversas investigaciones en medicina de precisi\u00f3n. Los grafos de conocimiento son importantes para construir sistemas de informaci\u00f3n que requieren acceso a conocimiento estructurado. Adem\u00e1s, son considerados como un aspecto clave para la b\u00fasqueda de informaci\u00f3n en la web e incluso en modelos de inteligencia artificial (IA). Su uso radica en que se pueden integrar diferentes fuentes de datos, lo que facilita la gesti\u00f3n y la organizaci\u00f3n de datos. Los autores hacen \u00e9nfasis en que este recurso integrar\u00eda informaci\u00f3n de diversas fuentes de datos para abordar enfermedades a gran escala. Aunque existen desaf\u00edos en la consolidaci\u00f3n de esta informaci\u00f3n, como la falta de una representaci\u00f3n consistente de enfermedades en diferentes bases de datos y la ambig\u00fcedad en la definici\u00f3n de enfermedades como unidades de an\u00e1lisis, buscan que el desarrollo de este grafo de conocimiento ser\u00eda de gran utilidad para impulsar investigaciones en medicina de precisi\u00f3n. Dentro de su an\u00e1lisis y estudio los autores presentan el \u201cPrecision Medicine Knowledge Graph\u201d o PrimeKG, como un ejemplo de este recurso, destacando su extensa cobertura de enfermedades y la integraci\u00f3n de informaci\u00f3n multimodal para facilitar an\u00e1lisis inteligentes en el campo de la medicina. PrimeKG facilitar\u00eda la comprensi\u00f3n de las interconexiones entre enfermedades, f\u00e1rmacos, fenotipos y m\u00e1s. Asimismo, abrir\u00eda la puerta a diversas l\u00edneas de investigaci\u00f3n, incluida la identificaci\u00f3n de nuevos objetivos terap\u00e9uticos, el estudio de la etiolog\u00eda de enfermedades y la personalizaci\u00f3n de tratamientos. PrimeKG integra datos de m\u00e1s de 20 fuentes de alta calidad, biorepositorios y ontolog\u00edas para construir un grafo de conocimiento completo y funcional. Con miles de relaciones entre m\u00e1s de cien mil nodos, PrimeKG abarca diez escalas biol\u00f3gicas importantes, lo que permite una representaci\u00f3n completa y detallada de las enfermedades y sus interacciones con otras entidades biom\u00e9dicas. De esta manera, el desarrollo de un grafo de conocimiento para la medicina de precisi\u00f3n tiene el potencial de transformar la investigaci\u00f3n y la atenci\u00f3n m\u00e9dica, ya que es capaz de proporcionar una plataforma integral y accesible para abordar la complejidad de las enfermedades y mejorar la toma de decisiones cl\u00ednicas. En PrimeKG y otros esfuerzos similares, la comunidad biom\u00e9dica se encuentra el camino hacia una medicina personalizada m\u00e1s s\u00f3lida y fundamentada en la evidencia. Consulta el art\u00edculo completo para conocer m\u00e1s sobre este tema: https:\/\/www.nature.com\/articles\/s41597-023-01960-3 BIBLIOGRAF\u00cdA NOMBRE DE LA P\u00c1GINA http:\/\/scielo.sld.cu\/scielo.php?script=sci_arttext&pid=S2307-21132021000400002 https:\/\/www.nature.com\/articles\/s41597-023-01960-3<\/p>","protected":false},"author":1,"featured_media":40110,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-40108","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\/40108","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=40108"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/40108\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/40110"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=40108"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=40108"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=40108"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}