{"id":43124,"date":"2023-12-08T10:04:17","date_gmt":"2023-12-08T16:04:17","guid":{"rendered":"https:\/\/saluddigital.com\/?p=43124"},"modified":"2025-10-19T00:07:58","modified_gmt":"2025-10-19T06:07:58","slug":"desarrollan-modelo-de-ia-para-responder-ante-nuevas-pandemias-y-emergencias-sanitarias","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/avance-de-la-ciencia\/desarrollan-modelo-de-ia-para-responder-ante-nuevas-pandemias-y-emergencias-sanitarias\/","title":{"rendered":"Desarrollan modelo de IA para responder ante nuevas pandemias y emergencias sanitarias\u00a0"},"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 desarrollaron un modelo m\u00e9dico multimodal de gran lenguaje o Med-MLLM, para mejorar la toma de decisiones en respuesta a brotes de nuevas enfermedades. <\/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

Las redes neuronales profundas o deep neural netwoks<\/i>, ha logrado aplicarse en procedimientos de decisi\u00f3n cl\u00ednica, esto puede favorecer a la eficacia del diagn\u00f3stico de enfermedades, y adem\u00e1s aliviar la carga de trabajo de los profesionales de la salud. Sin embargo, generalmente la mayor\u00eda de estas redes son supervisadas y su rendimiento depende en gran medida del volumen y la calidad de informaci\u00f3n que dispone de un tema en espec\u00edfico. Es decir, puede ser \u00fatil ante enfermedades comunes o de las que se tiene menos informaci\u00f3n.<\/p>

En este sentido, investigadores de Oxford University, Yale University, YuLab, Shanghai Jiao Tong University School of Medicine y Peking University, desarrollaron un gran modelo de lenguaje (LLM, en ingl\u00e9s) basado en o inteligencia artificial (IA), capaz de brindar apoyo en la toma de decisiones ante el brote de nuevas enfermedades o pandemias. El modelo es capaz deprender de diferentes tipos de datos m\u00e9dicos, como lo son im\u00e1genes de rayos X, tomograf\u00edas computarizadas, informes m\u00e9dicos e incluso notas cl\u00ednicas escritas para mejorar la toma de decisiones. Este modelo es capaz de ayudar en la toma de decisiones aun cuando la informaci\u00f3n sobre nuevas enfermedades sea limitada.<\/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

De esta forma, el modelo logra adaptarse a nuevas enfermedades a pesar de contar con poca informaci\u00f3n. Esto fue probado al recibir informaci\u00f3n sobre COVID-19 en distintos idiomas como, ingl\u00e9s, chino y espa\u00f1ol; con diferentes tipos de datos m\u00e9dicos, como im\u00e1genes y textos; y con reportes sobre pron\u00f3stico y diagn\u00f3stico de la enfermedad. Los resultados mostraron que el LLM logr\u00f3 tomar decisiones precisas y s\u00f3lidas incluso con poca informaci\u00f3n disponible.<\/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 autores explican las tres principales contribuciones de su trabajo:<\/p>

Los investigadores evaluaron la eficacia del Med-MLLM utilizando informaci\u00f3n sobre la pandemia COVID-19. El modelo fue capaz de realizar tareas precisas de apoyo en la toma de decisiones cl\u00ednicas incluso con una cantidad de datos limitada.<\/p>

Por otra parte, el Med-MLLM fue capaz de manejar datos de s\u00f3lo imagen, de s\u00f3lo texto y de imagen-texto, abordando m\u00faltiples tareas m\u00e9dicas, como la elaboraci\u00f3n de informes, el diagn\u00f3stico y el pron\u00f3stico. Para su eficacia, llevaron a cabo experimentos retrospectivos y prospectivos, al pre entrenar el modelo a partir datos de COVID-19 y despu\u00e9s una predicci\u00f3n para la variante \u00f3micron es decir en diversos idiomas, modalidades, idiomas y regiones.<\/p>

Finalmente, para evaluar la escalabilidad de Med-MLLM, los autores investigaron otras 14 enfermedades comunes del t\u00f3rax y la tuberculosis. \u201cNuestros resultados muestran que Med-MLLM alcanza rendimientos competitivos con respecto a trabajos anteriores con el 1% de los datos de entrenamiento etiquetados, y un rendimiento comparable cuando se utiliza el conjunto de entrenamiento completo\u201d, explicaron en el estudio.<\/p>

Check the full study at the following link:<\/p>

https:\/\/www.nature.com\/articles\/s41746-023-00952-2<\/a><\/span><\/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<\/b><\/p>

https:\/\/www.nature.com\/articles\/s41746-023-00952-2<\/a><\/span><\/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 desarrollaron un modelo m\u00e9dico multimodal de gran lenguaje o Med-MLLM, para mejorar la toma de decisiones en respuesta a brotes de nuevas enfermedades. Las redes neuronales profundas o deep neural netwoks, ha logrado aplicarse en procedimientos de decisi\u00f3n cl\u00ednica, esto puede favorecer a la eficacia del diagn\u00f3stico de enfermedades, y adem\u00e1s aliviar la carga de trabajo de los profesionales de la salud. Sin embargo, generalmente la mayor\u00eda de estas redes son supervisadas y su rendimiento depende en gran medida del volumen y la calidad de informaci\u00f3n que dispone de un tema en espec\u00edfico. Es decir, puede ser \u00fatil ante enfermedades comunes o de las que se tiene menos informaci\u00f3n. En este sentido, investigadores de Oxford University, Yale University, YuLab, Shanghai Jiao Tong University School of Medicine y Peking University, desarrollaron un gran modelo de lenguaje (LLM, en ingl\u00e9s) basado en o inteligencia artificial (IA), capaz de brindar apoyo en la toma de decisiones ante el brote de nuevas enfermedades o pandemias. El modelo es capaz deprender de diferentes tipos de datos m\u00e9dicos, como lo son im\u00e1genes de rayos X, tomograf\u00edas computarizadas, informes m\u00e9dicos e incluso notas cl\u00ednicas escritas para mejorar la toma de decisiones. Este modelo es capaz de ayudar en la toma de decisiones aun cuando la informaci\u00f3n sobre nuevas enfermedades sea limitada. De esta forma, el modelo logra adaptarse a nuevas enfermedades a pesar de contar con poca informaci\u00f3n. Esto fue probado al recibir informaci\u00f3n sobre COVID-19 en distintos idiomas como, ingl\u00e9s, chino y espa\u00f1ol; con diferentes tipos de datos m\u00e9dicos, como im\u00e1genes y textos; y con reportes sobre pron\u00f3stico y diagn\u00f3stico de la enfermedad. Los resultados mostraron que el LLM logr\u00f3 tomar decisiones precisas y s\u00f3lidas incluso con poca informaci\u00f3n disponible. Los autores explican las tres principales contribuciones de su trabajo: Los investigadores evaluaron la eficacia del Med-MLLM utilizando informaci\u00f3n sobre la pandemia COVID-19. El modelo fue capaz de realizar tareas precisas de apoyo en la toma de decisiones cl\u00ednicas incluso con una cantidad de datos limitada. Por otra parte, el Med-MLLM fue capaz de manejar datos de s\u00f3lo imagen, de s\u00f3lo texto y de imagen-texto, abordando m\u00faltiples tareas m\u00e9dicas, como la elaboraci\u00f3n de informes, el diagn\u00f3stico y el pron\u00f3stico. Para su eficacia, llevaron a cabo experimentos retrospectivos y prospectivos, al pre entrenar el modelo a partir datos de COVID-19 y despu\u00e9s una predicci\u00f3n para la variante \u00f3micron es decir en diversos idiomas, modalidades, idiomas y regiones. Finalmente, para evaluar la escalabilidad de Med-MLLM, los autores investigaron otras 14 enfermedades comunes del t\u00f3rax y la tuberculosis. \u201cNuestros resultados muestran que Med-MLLM alcanza rendimientos competitivos con respecto a trabajos anteriores con el 1% de los datos de entrenamiento etiquetados, y un rendimiento comparable cuando se utiliza el conjunto de entrenamiento completo\u201d, explicaron en el estudio. Consulta el estudio completo en el siguiente enlace: https:\/\/www.nature.com\/articles\/s41746-023-00952-2 BIBLIOGRAF\u00cdA NATURE https:\/\/www.nature.com\/articles\/s41746-023-00952-2<\/p>","protected":false},"author":1,"featured_media":43125,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[3399,152,160],"tags":[145],"class_list":["post-43124","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-ai-analitica","category-avance-de-la-ciencia","category-noticias","tag-noticias"],"aioseo_notices":[],"_links":{"self":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/43124","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=43124"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/43124\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/43125"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=43124"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=43124"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=43124"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}