{"id":41244,"date":"2023-10-19T09:26:57","date_gmt":"2023-10-19T15:26:57","guid":{"rendered":"https:\/\/saluddigital.com\/?p=41244"},"modified":"2025-10-19T00:29:21","modified_gmt":"2025-10-19T06:29:21","slug":"el-impacto-y-las-implicaciones-de-la-ia-predictiva-en-los-entornos-sanitarios","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/el-impacto-y-las-implicaciones-de-la-ia-predictiva-en-los-entornos-sanitarios\/","title":{"rendered":"El impacto y las implicaciones de la IA predictiva en los entornos sanitarios"},"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 Facultad de Medicina Icahn y de la Universidad de Michigan evaluaron el impacto de la implementaci\u00f3n de modelos predictivos en entornos m\u00e9dicos.<\/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 basados en aprendizaje autom\u00e1tico utilizados en entornos sanitarios son aplicaciones de inteligencia artificial (IA) que tienen como objetivo mejorar la atenci\u00f3n m\u00e9dica, la toma de decisiones cl\u00ednicas y la gesti\u00f3n de datos en el sector de la salud. Estos modelos aprovechan grandes conjuntos de datos de pacientes, historiales m\u00e9dicos, im\u00e1genes m\u00e9dicas y otros datos relacionados con la salud para realizar tareas espec\u00edficas, como diagn\u00f3stico, pron\u00f3stico, tratamiento y gesti\u00f3n de registros m\u00e9dicos.<\/p>

Estos modelos pueden mejorar la precisi\u00f3n de diagn\u00f3sticos, optimizar los tratamientos y acelerar la investigaci\u00f3n m\u00e9dica. Sin embargo, es importante abordar cuestiones \u00e9ticas y de privacidad relacionadas con la recopilaci\u00f3n y el uso de datos de salud. Asimismo, es necesario evaluar el impacto y los resultados de estos modelos luego de aplicarse en entornos cl\u00ednicos.<\/p>

En este sentido, los modelos basados en el aprendizaje autom\u00e1tico en el \u00e1mbito sanitario pueden ser v\u00edctimas de su propio \u00e9xito, seg\u00fan investigadores de la Facultad de Medicina Icahn y de la Universidad de Michigan.<\/p>

Para ello realizaron un estudio en el cual evaluaron el impacto de la implementaci\u00f3n de modelos predictivos en el rendimiento posterior de los mismos y otros modelos. \u201cQuer\u00edamos explorar lo que sucede cuando un modelo de aprendizaje autom\u00e1tico se despliega en un hospital y se le permite influir en las decisiones de los m\u00e9dicos para el beneficio general de los pacientes”, explic\u00f3 el primer autor, Akhil Vaid, Instructor Cl\u00ednico de Medicina Digital Impulsada por Datos (D3M, en ingl\u00e9s) en Icahn Mount Sinai.<\/p>

El estudio busc\u00f3 comprender las consecuencias cuando un paciente supera resultados adversos como da\u00f1o renal o mortalidad. Los modelos de IA son capaces de aprender y establecer correlaci\u00f3n entre los datos de los pacientes y sus resultados correspondientes.\u00a0 No obstante, el uso de los modelos tambi\u00e9n puede alterar estas relaciones.<\/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 objetivo del estudio fue estimar los cambios en el rendimiento del modelo predictivo con el uso a trav\u00e9s de tres escenarios comunes: 1. el reentrenamiento del modelo tras su uso inicial; 2. la implementaci\u00f3n secuencial de un modelo tras otro, es decir crear un nuevo modelo cuando ya se ha utilizado uno; y 3. la intervenci\u00f3n en respuesta a un modelo cuando se implementan dos modelos simult\u00e1neamente, es decir el uso simult\u00e1neo de dos modelos de predicci\u00f3n. Para ello reunieron datos de 130 mil admisiones de cuidados cr\u00edticos del sistema de salud de Mount Sinai en Nueva York y del Beth Israel Deaconess Medical Center de la ciudad de Boston.<\/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

En el escenario 1, la pr\u00e1ctica actual sugiere reentrenar los modelos para hacer frente a la degradaci\u00f3n de su rendimiento a lo largo del tiempo. De esta forma, el reentrenamiento es capaz de mejorar inicialmente el rendimiento al adaptarse a condiciones cambiantes, sin embargo, los autores del estudio encontraron que esto puede producir parad\u00f3jicamente una mayor degradaci\u00f3n del modelo. Por otra parte, en el escenario 2, muestra que, puede ser inapropiado entrenar nuevos modelos tomando como base resultados basados en el uso de otro modelo de aprendizaje autom\u00e1tico. Y finalmente, en el escenario 3, explica que, si dos modelos realizan predicciones simult\u00e1neas, el uso de un conjunto de predicciones deja obsoleto al otro. De esta manera las predicciones deben basarse en datos de reciente obtenci\u00f3n, algo costoso y poco pr\u00e1ctico seg\u00fan el estudio.<\/p>

Los resultados fueron los siguientes:<\/p>