{"id":44213,"date":"2024-03-05T09:37:47","date_gmt":"2024-03-05T15:37:47","guid":{"rendered":"https:\/\/saluddigital.com\/?p=44213"},"modified":"2025-10-18T22:03:58","modified_gmt":"2025-10-19T04:03:58","slug":"ia-comercial-obtuvo-exito-moderado-en-la-prediccion-de-lesiones-renales","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/ia-comercial-obtuvo-exito-moderado-en-la-prediccion-de-lesiones-renales\/","title":{"rendered":"IA comercial obtuvo \u00e9xito moderado en la predicci\u00f3n de lesiones renales\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

Una herramienta de machine learning comercial probada para predecir el riesgo de lesi\u00f3n renal adquirida en el hospital mostr\u00f3 resultados moderadamente exitosos, seg\u00fan estudio de Mass General Brigham.<\/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

La lesi\u00f3n renal aguda adquirida en el hospital (HA-AKI, en ingl\u00e9s) es una complicaci\u00f3n com\u00fan en pacientes hospitalizados que puede conducir a enfermedad renal cr\u00f3nica y est\u00e1 asociada con estad\u00edas hospitalarias m\u00e1s largas, mayores costos de atenci\u00f3n m\u00e9dica y mayor mortalidad. La prevenci\u00f3n de HA-AKI puede mejorar los resultados de los pacientes hospitalizados, sin embargo, anticipar el inicio de esta lesi\u00f3n es dif\u00edcil debido a m\u00faltiples factores.<\/p>

Investigadores de Mass General Brigham Digital probaron una herramienta comercial de machine learning, el modelo predictivo de riesgo de HA-AKI de Epic<\/span><\/a>, y encontraron que tuvo \u00e9xito moderado en predecir el riesgo de HA-AKI en datos de pacientes registrados. El estudio, publicado en NEJM AI<\/span><\/a> mostr\u00f3 un rendimiento inferior al registrado por la validaci\u00f3n interna de Epic Systems Corporation, resaltando la importancia de validar modelos de IA antes de la implementaci\u00f3n cl\u00ednica.<\/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, el modelo de Epic funciona evaluando encuentros de pacientes adultos hospitalizados para el riesgo de HA-AKI, marcado por aumentos predefinidos en los niveles de creatinina s\u00e9rica. Despu\u00e9s de entrenar el modelo utilizando datos de hospitales de Mass General Brigham, los investigadores lo probaron en datos de casi 40,000 estad\u00edas hospitalarias de pacientes durante un per\u00edodo de cinco meses entre agosto de 2022 y enero de 2023. El conjunto de datos fue extenso con muchos puntos recopilados en encuentros de pacientes, incluyendo informaci\u00f3n como datos demogr\u00e1ficos del paciente, comorbilidades, diagn\u00f3sticos principales, niveles de creatinina s\u00e9rica y duraci\u00f3n de la estancia hospitalaria. Se completaron dos an\u00e1lisis que examinaron el rendimiento del modelo a nivel de encuentro y de predicci\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\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 investigadores observaron que la herramienta fue m\u00e1s confiable al evaluar pacientes con menor riesgo de HA-AKI. Aunque el modelo pod\u00eda identificar con confianza qu\u00e9 pacientes de bajo riesgo no desarrollar\u00edan HA-AKI, luch\u00f3 por predecir cu\u00e1ndo podr\u00edan desarrollar HA-AKI pacientes de mayor riesgo. Los resultados tambi\u00e9n variaron seg\u00fan la etapa de HA-AKI que se evaluaba: las predicciones fueron m\u00e1s exitosas para el HA-AKI en Etapa 1 en comparaci\u00f3n con casos m\u00e1s graves.<\/p>

\u201cDescubrimos que el modelo predictivo de Epic fue mejor para descartar pacientes de bajo riesgo que para identificar pacientes de alto riesgo\u201d, explic\u00f3 el autor principal del estudio, el Dr. Sayon Dutta, del equipo de Inform\u00e1tica Cl\u00ednica de Mass General Brigham Digital \u201cIdentificar el riesgo de HA-AKI con modelos predictivos podr\u00eda ayudar a respaldar decisiones cl\u00ednicas, como advertir a los proveedores contra la orden de medicamentos nefrot\u00f3xicos, pero se necesita m\u00e1s estudio antes de la implementaci\u00f3n cl\u00ednica\u201d, agreg\u00f3.<\/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

MASS GENERAL BRIGHAM <\/b><\/p>

https:\/\/www.massgeneralbrigham.org\/en\/about\/newsroom\/articles\/ai-tool-moderately-successful-at-predicting-hospitalization-related-kidney-injury<\/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":"

Una herramienta de machine learning comercial probada para predecir el riesgo de lesi\u00f3n renal adquirida en el hospital mostr\u00f3 resultados moderadamente exitosos, seg\u00fan estudio de Mass General Brigham. La lesi\u00f3n renal aguda adquirida en el hospital (HA-AKI, en ingl\u00e9s) es una complicaci\u00f3n com\u00fan en pacientes hospitalizados que puede conducir a enfermedad renal cr\u00f3nica y est\u00e1 asociada con estad\u00edas hospitalarias m\u00e1s largas, mayores costos de atenci\u00f3n m\u00e9dica y mayor mortalidad. La prevenci\u00f3n de HA-AKI puede mejorar los resultados de los pacientes hospitalizados, sin embargo, anticipar el inicio de esta lesi\u00f3n es dif\u00edcil debido a m\u00faltiples factores. Investigadores de Mass General Brigham Digital probaron una herramienta comercial de machine learning, el modelo predictivo de riesgo de HA-AKI de Epic, y encontraron que tuvo \u00e9xito moderado en predecir el riesgo de HA-AKI en datos de pacientes registrados. El estudio, publicado en NEJM AI mostr\u00f3 un rendimiento inferior al registrado por la validaci\u00f3n interna de Epic Systems Corporation, resaltando la importancia de validar modelos de IA antes de la implementaci\u00f3n cl\u00ednica. En este sentido, el modelo de Epic funciona evaluando encuentros de pacientes adultos hospitalizados para el riesgo de HA-AKI, marcado por aumentos predefinidos en los niveles de creatinina s\u00e9rica. Despu\u00e9s de entrenar el modelo utilizando datos de hospitales de Mass General Brigham, los investigadores lo probaron en datos de casi 40,000 estad\u00edas hospitalarias de pacientes durante un per\u00edodo de cinco meses entre agosto de 2022 y enero de 2023. El conjunto de datos fue extenso con muchos puntos recopilados en encuentros de pacientes, incluyendo informaci\u00f3n como datos demogr\u00e1ficos del paciente, comorbilidades, diagn\u00f3sticos principales, niveles de creatinina s\u00e9rica y duraci\u00f3n de la estancia hospitalaria. Se completaron dos an\u00e1lisis que examinaron el rendimiento del modelo a nivel de encuentro y de predicci\u00f3n. Los investigadores observaron que la herramienta fue m\u00e1s confiable al evaluar pacientes con menor riesgo de HA-AKI. Aunque el modelo pod\u00eda identificar con confianza qu\u00e9 pacientes de bajo riesgo no desarrollar\u00edan HA-AKI, luch\u00f3 por predecir cu\u00e1ndo podr\u00edan desarrollar HA-AKI pacientes de mayor riesgo. Los resultados tambi\u00e9n variaron seg\u00fan la etapa de HA-AKI que se evaluaba: las predicciones fueron m\u00e1s exitosas para el HA-AKI en Etapa 1 en comparaci\u00f3n con casos m\u00e1s graves. \u201cDescubrimos que el modelo predictivo de Epic fue mejor para descartar pacientes de bajo riesgo que para identificar pacientes de alto riesgo\u201d, explic\u00f3 el autor principal del estudio, el Dr. Sayon Dutta, del equipo de Inform\u00e1tica Cl\u00ednica de Mass General Brigham Digital \u201cIdentificar el riesgo de HA-AKI con modelos predictivos podr\u00eda ayudar a respaldar decisiones cl\u00ednicas, como advertir a los proveedores contra la orden de medicamentos nefrot\u00f3xicos, pero se necesita m\u00e1s estudio antes de la implementaci\u00f3n cl\u00ednica\u201d, agreg\u00f3. BIBLIOGRAF\u00cdA MASS GENERAL BRIGHAM https:\/\/www.massgeneralbrigham.org\/en\/about\/newsroom\/articles\/ai-tool-moderately-successful-at-predicting-hospitalization-related-kidney-injury<\/p>","protected":false},"author":1,"featured_media":44215,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-44213","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\/44213","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=44213"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/44213\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/44215"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=44213"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=44213"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=44213"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}