{"id":41734,"date":"2023-10-23T10:04:26","date_gmt":"2023-10-23T16:04:26","guid":{"rendered":"https:\/\/saluddigital.com\/?p=41734"},"modified":"2025-10-19T00:19:04","modified_gmt":"2025-10-19T06:19:04","slug":"beneficios-y-limitaciones-de-los-datos-sinteticos-en-la-atencion-medica","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/beneficios-y-limitaciones-de-los-datos-sinteticos-en-la-atencion-medica\/","title":{"rendered":"Beneficios y limitaciones de los datos sint\u00e9ticos en la atenci\u00f3n m\u00e9dica"},"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 datos sint\u00e9ticos son refieren a informaci\u00f3n generada artificialmente mediante modelos matem\u00e1ticos o algoritmos con el prop\u00f3sito de abordar tareas espec\u00edficas en ciencia 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

El uso de datos sint\u00e9ticos en la atenci\u00f3n m\u00e9dica es una tendencia emergente que podr\u00eda resolver problemas de privacidad y facilitar la investigaci\u00f3n, la innovaci\u00f3n y el desarrollo de tecnolog\u00edas sanitarias. Los datos sint\u00e9ticos son datos generados artificialmente que simulan datos del mundo real pero que no contienen informaci\u00f3n personal identificable de pacientes, ni informaci\u00f3n sanitaria protegida. El uso de datos sint\u00e9ticos contempla diversos aspectos y desaf\u00edos como la protecci\u00f3n de la privacidad; la innovaci\u00f3n y la investigaci\u00f3n; el intercambio de datos y la colaboraci\u00f3n entre profesionales de la salud; entre otros.<\/p>

Los datos son fundamentales en la atenci\u00f3n m\u00e9dica actual, ya que tienen el potencial de mejorar la atenci\u00f3n al paciente, impulsar la investigaci\u00f3n cl\u00ednica y avanzar en iniciativas de salud p\u00fablica. No obstante, el acceso a conjuntos de datos de alta calidad no est\u00e1 al alcance de todos, lo que frena la investigaci\u00f3n y las innovaciones en salud. En este sentido, los datos sint\u00e9ticos surgen como una alternativa atractiva que aborda cuestiones de privacidad, utilidad de datos, aprobaciones \u00e9ticas, y sobre todo facilita la investigaci\u00f3n al reducir costos.<\/p>

Uso de datos sint\u00e9ticos<\/strong><\/p>

Los datos sint\u00e9ticos se han utilizado en otras \u00e1reas, como finanzas y econom\u00eda, sin embargo, su aplicaci\u00f3n en la toma de decisiones cl\u00ednicas enfrenta serios desaf\u00edos debido a la responsabilidad y a otros aspectos t\u00e9cnicos, por ejemplo, la replicaci\u00f3n precisa de registros m\u00e9dicos originales.<\/p>

Recientemente en un art\u00edculo publicado en npj Digital Medicine journal<\/em>, autores exploraron y revisaron t\u00e9cnicas de generaci\u00f3n de datos sint\u00e9ticos, las aplicaciones de estos datos, las definiciones de datos sint\u00e9ticos en el contexto de la salud, y desaf\u00edos de privacidad. Adem\u00e1s, propusieron estrategias para mitigar riesgos y aprovechar el verdadero potencial de los datos sint\u00e9ticos en la investigaci\u00f3n m\u00e9dica.<\/p>

Los autores explican que el t\u00e9rmino \u201cdatos sint\u00e9ticos\u201d carece de una definici\u00f3n unificada, sin embargo, hace referencia a datos generados artificialmente con el fin de abordar tareas espec\u00edficas en el campo de ciencia de datos. No obstante, la falta de una definici\u00f3n aceptada universalmente conlleva al uso inconsistente del t\u00e9rmino. Recientemente, la Royal Society and The Alan Turing Institute defini\u00f3 el t\u00e9rmino como \u201cdatos que han sido generados utilizando un modelo matem\u00e1tico o algoritmo dise\u00f1ado con el objetivo de resolver una tarea (o conjunto de tareas) de ciencia de datos\u201d. \u00a0<\/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

\u00bfC\u00f3mo se generan los datos sint\u00e9ticos?<\/strong><\/p>

En t\u00e9rminos de la generaci\u00f3n de dato, existen diversas metodolog\u00edas, desde estructuras de aprendizaje profundo como las Redes Generativas Adversariales (GANs, en ingl\u00e9s) y los Codificadores Variacionales (VAEs, en ingl\u00e9s) hasta modelos econom\u00e9tricos basados en agentes o ecuaciones diferenciales que simulan sistemas f\u00edsicos o econ\u00f3micos. Estas herramientas automatizadas son capaces de generar conjuntos de datos sint\u00e9ticos de alta calidad y cl\u00ednicamente realistas.<\/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 datos sint\u00e9ticos pueden clasificarse como parcialmente sint\u00e9ticos hasta completamente sint\u00e9ticos. Los datos parcialmente sint\u00e9ticos combinan datos del mundo real con datos sint\u00e9ticos. Este enfoque se ha utilizado en la atenci\u00f3n m\u00e9dica para proteger la privacidad de los pacientes mientras permite a los investigadores realizar an\u00e1lisis. Por otro lado, los datos completamente sint\u00e9ticos se crean desde cero bas\u00e1ndose en reglas, modelos o simulaciones predefinidas y no representan datos del mundo real. Estos datos est\u00e1n dise\u00f1ados para replicar la complejidad y variabilidad que se observa en escenarios del mundo real, lo que puede ser \u00fatil en situaciones donde la disponibilidad de datos es limitada.<\/p>

Aplicaciones de los datos sint\u00e9ticos en atenci\u00f3n m\u00e9dica<\/strong><\/p>

Las aplicaciones de los datos sint\u00e9ticos en salud son diversas y tienen el potencial de transformar la atenci\u00f3n m\u00e9dica. Por ejemplo, tienen el potencial de estimar los beneficios de pol\u00edticas de detecci\u00f3n y atenci\u00f3n m\u00e9dica, tratamientos o intervenciones cl\u00ednicas, mejorar algoritmos de aprendizaje autom\u00e1tico, como pipelines<\/em> de clasificaci\u00f3n de im\u00e1genes, preentrenar modelos de aprendizaje autom\u00e1tico que luego se pueden ajustar para poblaciones de pacientes espec\u00edficas y mejorar modelos de salud p\u00fablica para predecir brotes de enfermedades infecciosas.<\/p>

Por ejemplo, en el \u00e1mbito de la salud mental, se ha utilizado data sint\u00e9tica en combinaci\u00f3n con procesamiento de lenguaje natural (PLN) para predecir diagn\u00f3sticos y fenotipos de pacientes basados en informes de alta hospitalizaci\u00f3n. Los registros electr\u00f3nicos de salud (EHRs, en ingl\u00e9s) contienen datos de PLN que se pueden utilizar para clasificar enfermedades complejas. Dado que la informaci\u00f3n de salud mental se considera especialmente sensible, el uso de texto sint\u00e9tico evita el riesgo de comprometer informaci\u00f3n confidencial y sensible.<\/p>

Por otra parte, en el contexto de la pandemia COVID-19, los datos sint\u00e9ticos tambi\u00e9n se utilizaron para mejorar la escasez de datos en estudios de im\u00e1genes m\u00e9dicas. Estos estudios han demostrado que el uso de datos sint\u00e9ticos puede mejorar la precisi\u00f3n de la detecci\u00f3n de COVID-19 en im\u00e1genes de tomograf\u00edas computarizadas (TC) en comparaci\u00f3n con los datos originales.<\/p>

Asimismo, a los datos sint\u00e9ticos se les relaciona con el concepto de \u201cgemelos digitales\u201d en la atenci\u00f3n m\u00e9dica, los cuales representan r\u00e9plicas virtuales de sistemas f\u00edsicos o procesos que se utilizan para simular y predecir su comportamiento en tiempo real. En el \u00e1mbito de la salud, los gemelos digitales pueden utilizarse para crear modelos personalizados de pacientes, lo que permite optimizar los planes de tratamiento y mejorar los resultados. De igual manera, se han utilizado para optimizar la eficiencia y operaciones hospitalarias.<\/p>

Desaf\u00edos y limitaciones<\/strong><\/p>

Como se mencion\u00f3 anteriormente, los autores explican otro de los aspectos m\u00e1s importantes en relaci\u00f3n con los datos sint\u00e9ticos, como las preocupaciones de privacidad y seguridad. En este sentido, los autores detallan que la privacidad no debe ser considerada como una idea secundaria una vez que un sistema ya ha sido dise\u00f1ado e implementado, sino que debe aplicarse un enfoque de \u201cprivacidad desde el dise\u00f1o\u201d, especialmente cuando se trabaja con datos cl\u00ednicos. El desaf\u00edo m\u00e1s importante clave es garantizar que los datos sint\u00e9ticos derivados de informaci\u00f3n m\u00e9dica sensible no revelen involuntariamente detalles identificables sobre las personas ni conduzcan a una posible reidentificaci\u00f3n de estos pacientes, ya que violar\u00eda principios de privacidad y protecci\u00f3n de datos.<\/p>

Si deseas conocer m\u00e1s sobre este tema puedes consultar el estudio completo: https:\/\/www.nature.com\/articles\/s41746-023-00927-3<\/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

NATURE<\/strong><\/p>

https:\/\/www.nature.com\/articles\/s41746-023-00927-3<\/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":"

Los datos sint\u00e9ticos son refieren a informaci\u00f3n generada artificialmente mediante modelos matem\u00e1ticos o algoritmos con el prop\u00f3sito de abordar tareas espec\u00edficas en ciencia de datos. El uso de datos sint\u00e9ticos en la atenci\u00f3n m\u00e9dica es una tendencia emergente que podr\u00eda resolver problemas de privacidad y facilitar la investigaci\u00f3n, la innovaci\u00f3n y el desarrollo de tecnolog\u00edas sanitarias. Los datos sint\u00e9ticos son datos generados artificialmente que simulan datos del mundo real pero que no contienen informaci\u00f3n personal identificable de pacientes, ni informaci\u00f3n sanitaria protegida. El uso de datos sint\u00e9ticos contempla diversos aspectos y desaf\u00edos como la protecci\u00f3n de la privacidad; la innovaci\u00f3n y la investigaci\u00f3n; el intercambio de datos y la colaboraci\u00f3n entre profesionales de la salud; entre otros. Los datos son fundamentales en la atenci\u00f3n m\u00e9dica actual, ya que tienen el potencial de mejorar la atenci\u00f3n al paciente, impulsar la investigaci\u00f3n cl\u00ednica y avanzar en iniciativas de salud p\u00fablica. No obstante, el acceso a conjuntos de datos de alta calidad no est\u00e1 al alcance de todos, lo que frena la investigaci\u00f3n y las innovaciones en salud. En este sentido, los datos sint\u00e9ticos surgen como una alternativa atractiva que aborda cuestiones de privacidad, utilidad de datos, aprobaciones \u00e9ticas, y sobre todo facilita la investigaci\u00f3n al reducir costos. Uso de datos sint\u00e9ticos Los datos sint\u00e9ticos se han utilizado en otras \u00e1reas, como finanzas y econom\u00eda, sin embargo, su aplicaci\u00f3n en la toma de decisiones cl\u00ednicas enfrenta serios desaf\u00edos debido a la responsabilidad y a otros aspectos t\u00e9cnicos, por ejemplo, la replicaci\u00f3n precisa de registros m\u00e9dicos originales. Recientemente en un art\u00edculo publicado en npj Digital Medicine, autores exploraron y revisaron t\u00e9cnicas de generaci\u00f3n de datos sint\u00e9ticos, las aplicaciones de estos datos, las definiciones de datos sint\u00e9ticos en el contexto de la salud, y desaf\u00edos de privacidad. Adem\u00e1s, propusieron estrategias para mitigar riesgos y aprovechar el verdadero potencial de los datos sint\u00e9ticos en la investigaci\u00f3n m\u00e9dica. Los autores explican que el t\u00e9rmino \u201cdatos sint\u00e9ticos\u201d carece de una definici\u00f3n unificada, sin embargo, hace referencia a datos generados artificialmente con el fin de abordar tareas espec\u00edficas en el campo de ciencia de datos. No obstante, la falta de una definici\u00f3n aceptada universalmente conlleva al uso inconsistente del t\u00e9rmino. Recientemente, la Royal Society and The Alan Turing Institute defini\u00f3 el t\u00e9rmino como \u201cdatos que han sido generados utilizando un modelo matem\u00e1tico o algoritmo dise\u00f1ado con el objetivo de resolver una tarea (o conjunto de tareas) de ciencia de datos\u201d. \u00bfC\u00f3mo se generan los datos sint\u00e9ticos? En t\u00e9rminos de la generaci\u00f3n de dato, existen diversas metodolog\u00edas, desde estructuras de aprendizaje profundo como las Redes Generativas Adversariales (GANs, en ingl\u00e9s) y los Codificadores Variacionales (VAEs, en ingl\u00e9s) hasta modelos econom\u00e9tricos basados en agentes o ecuaciones diferenciales que simulan sistemas f\u00edsicos o econ\u00f3micos. Estas herramientas automatizadas son capaces de generar conjuntos de datos sint\u00e9ticos de alta calidad y cl\u00ednicamente realistas. Los datos sint\u00e9ticos pueden clasificarse como parcialmente sint\u00e9ticos hasta completamente sint\u00e9ticos. Los datos parcialmente sint\u00e9ticos combinan datos del mundo real con datos sint\u00e9ticos. Este enfoque se ha utilizado en la atenci\u00f3n m\u00e9dica para proteger la privacidad de los pacientes mientras permite a los investigadores realizar an\u00e1lisis. Por otro lado, los datos completamente sint\u00e9ticos se crean desde cero bas\u00e1ndose en reglas, modelos o simulaciones predefinidas y no representan datos del mundo real. Estos datos est\u00e1n dise\u00f1ados para replicar la complejidad y variabilidad que se observa en escenarios del mundo real, lo que puede ser \u00fatil en situaciones donde la disponibilidad de datos es limitada. Aplicaciones de los datos sint\u00e9ticos en atenci\u00f3n m\u00e9dica Las aplicaciones de los datos sint\u00e9ticos en salud son diversas y tienen el potencial de transformar la atenci\u00f3n m\u00e9dica. Por ejemplo, tienen el potencial de estimar los beneficios de pol\u00edticas de detecci\u00f3n y atenci\u00f3n m\u00e9dica, tratamientos o intervenciones cl\u00ednicas, mejorar algoritmos de aprendizaje autom\u00e1tico, como pipelines de clasificaci\u00f3n de im\u00e1genes, preentrenar modelos de aprendizaje autom\u00e1tico que luego se pueden ajustar para poblaciones de pacientes espec\u00edficas y mejorar modelos de salud p\u00fablica para predecir brotes de enfermedades infecciosas. Por ejemplo, en el \u00e1mbito de la salud mental, se ha utilizado data sint\u00e9tica en combinaci\u00f3n con procesamiento de lenguaje natural (PLN) para predecir diagn\u00f3sticos y fenotipos de pacientes basados en informes de alta hospitalizaci\u00f3n. Los registros electr\u00f3nicos de salud (EHRs, en ingl\u00e9s) contienen datos de PLN que se pueden utilizar para clasificar enfermedades complejas. Dado que la informaci\u00f3n de salud mental se considera especialmente sensible, el uso de texto sint\u00e9tico evita el riesgo de comprometer informaci\u00f3n confidencial y sensible. Por otra parte, en el contexto de la pandemia COVID-19, los datos sint\u00e9ticos tambi\u00e9n se utilizaron para mejorar la escasez de datos en estudios de im\u00e1genes m\u00e9dicas. Estos estudios han demostrado que el uso de datos sint\u00e9ticos puede mejorar la precisi\u00f3n de la detecci\u00f3n de COVID-19 en im\u00e1genes de tomograf\u00edas computarizadas (TC) en comparaci\u00f3n con los datos originales. Asimismo, a los datos sint\u00e9ticos se les relaciona con el concepto de \u201cgemelos digitales\u201d en la atenci\u00f3n m\u00e9dica, los cuales representan r\u00e9plicas virtuales de sistemas f\u00edsicos o procesos que se utilizan para simular y predecir su comportamiento en tiempo real. En el \u00e1mbito de la salud, los gemelos digitales pueden utilizarse para crear modelos personalizados de pacientes, lo que permite optimizar los planes de tratamiento y mejorar los resultados. De igual manera, se han utilizado para optimizar la eficiencia y operaciones hospitalarias. Desaf\u00edos y limitaciones Como se mencion\u00f3 anteriormente, los autores explican otro de los aspectos m\u00e1s importantes en relaci\u00f3n con los datos sint\u00e9ticos, como las preocupaciones de privacidad y seguridad. En este sentido, los autores detallan que la privacidad no debe ser considerada como una idea secundaria una vez que un sistema ya ha sido dise\u00f1ado e implementado, sino que debe aplicarse un enfoque de \u201cprivacidad desde el dise\u00f1o\u201d, especialmente cuando se trabaja con datos cl\u00ednicos. El desaf\u00edo m\u00e1s importante clave es garantizar que los datos sint\u00e9ticos derivados de informaci\u00f3n m\u00e9dica sensible no revelen involuntariamente detalles identificables sobre las personas ni conduzcan a una posible reidentificaci\u00f3n de estos pacientes, ya que violar\u00eda principios de privacidad y protecci\u00f3n de datos. Si deseas conocer m\u00e1s … Read more<\/a><\/p>","protected":false},"author":1,"featured_media":41736,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-41734","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\/41734","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=41734"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/41734\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/41736"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=41734"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=41734"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=41734"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}