{"id":45071,"date":"2024-05-20T10:15:56","date_gmt":"2024-05-20T16:15:56","guid":{"rendered":"https:\/\/saluddigital.com\/?p=45071"},"modified":"2025-10-18T16:07:37","modified_gmt":"2025-10-18T22:07:37","slug":"ia-podria-emular-ensayos-clinicos-para-determinar-opciones-de-tratamiento","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/ia-podria-emular-ensayos-clinicos-para-determinar-opciones-de-tratamiento\/","title":{"rendered":"IA podr\u00eda emular ensayos cl\u00ednicos para determinar opciones de tratamiento"},"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

Modelo de IA desarrollado por la Universidad Estatal de Ohio, compara la efectividad de medicamentos sin necesidad de ensayos cl\u00ednicos.<\/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

Cient\u00edficos de la Universidad Estatal de Ohio (OSU, en ingl\u00e9s) dise\u00f1aron un nuevo modelo de inteligencia artificial (IA), que emula los ensayos cl\u00ednicos para determinar las mejores opciones de tratamiento para prevenir infartos en personas con enfermedades cardiovasculares. El modelo fue elaborado con datos de millones de pacientes.<\/p>

El modelo, que utiliza datos de millones de pacientes obtenidos de solicitudes de salud presentadas por empleadores, planes de salud y hospitales, se basa en una estrategia similar a las herramientas de IA generativa como ChatGPT. Inicialmente, se pre-entren\u00f3 el modelo con un gran volumen de datos generales y, posteriormente, se ajust\u00f3 con informaci\u00f3n espec\u00edfica sobre condiciones de salud y tratamientos, enfoc\u00e1ndose en el riesgo de accidentes cerebrovasculares.<\/p>

El equipo de la OSU, liderado por Ping Zhang, profesor asociado de inform\u00e1tica e ingenier\u00eda biom\u00e9dica, report\u00f3 en un estudio publicado en la revista Patterns<\/i> que su modelo super\u00f3 a siete modelos existentes y ofreci\u00f3 recomendaciones de tratamiento consistentes con cuatro ensayos cl\u00ednicos aleatorios. Seg\u00fan Zhang explic\u00f3 que: \u201cNing\u00fan algoritmo existente puede realizar este trabajo\u201d.<\/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

\u201cCuantitativamente, nuestro m\u00e9todo aument\u00f3 el rendimiento entre un 7% y un 8% con respecto a otros m\u00e9todos. Y la comparaci\u00f3n demostr\u00f3 que otros m\u00e9todos pod\u00edan inferir resultados similares, pero no pueden producir un resultado exactamente igual al de un ensayo cl\u00ednico aleatorizado. Nuestro m\u00e9todo s\u00ed puede\u201d, agreg\u00f3 Zhang.<\/p>

Cabe destacar que, el prop\u00f3sito del modelo no es reemplazar los ensayos cl\u00ednicos tradicionales, sino acelerar el proceso de identificaci\u00f3n de tratamientos efectivos, ahorrando tiempo y dinero, y personalizar la atenci\u00f3n m\u00e9dica.<\/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

Por su parte, Ruoqi Liu, estudiante de doctorado y primera autora del estudio, se\u00f1al\u00f3 que el modelo podr\u00eda ayudar a identificar un peque\u00f1o grupo de medicamentos candidatos para ensayos cl\u00ednicos a menor escala.<\/p>

El marco propuesto, denominado CURE (CaUsal tReatment Effect estimation), se pre-entrena con grandes vol\u00famenes de datos no etiquetados del mundo real, lo que le permite adaptarse r\u00e1pidamente a diferentes enfermedades y medicamentos mediante ajustes espec\u00edficos. Este enfoque fue posible gracias a datos des-identificados de MarketScan Commercial Claims y Encounters entre 2012 y 2017, que incluyeron informaci\u00f3n sobre 3 millones de pacientes.<\/p>

Asimismo, este modelo utiliza t\u00e9cnicas avanzadas como el uso de gr\u00e1ficos de conocimiento biom\u00e9dico para llenar lagunas en los registros de pacientes y pre-entrenar un modelo de datos sin\u00e9rgicos a escala. Estas t\u00e9cnicas mejoraron a\u00fan m\u00e1s el rendimiento del modelo.<\/p>

Zhang visualiza un futuro en el que, con la aprobaci\u00f3n de la Adminsitracion de Alimentos y Medicamentos (FDA, en ingl\u00e9s) los m\u00e9dicos puedan utilizar este tipo de algoritmo como una herramienta de apoyo en la toma de decisiones, cargada con datos de registros electr\u00f3nicos de salud de millones de personas. Este prometedor modelo aprovechar\u00eda las capacidades que la IA basada en grandes datos y modelos fundacionales tiene para proporcionar estrategias de tratamiento confiables.<\/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

OSU<\/b><\/p>

https:\/\/news.osu.edu\/with-huge-patient-dataset-ai-accurately-predicts-treatment-outcomes\/<\/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":"

Modelo de IA desarrollado por la Universidad Estatal de Ohio, compara la efectividad de medicamentos sin necesidad de ensayos cl\u00ednicos. Cient\u00edficos de la Universidad Estatal de Ohio (OSU, en ingl\u00e9s) dise\u00f1aron un nuevo modelo de inteligencia artificial (IA), que emula los ensayos cl\u00ednicos para determinar las mejores opciones de tratamiento para prevenir infartos en personas con enfermedades cardiovasculares. El modelo fue elaborado con datos de millones de pacientes. El modelo, que utiliza datos de millones de pacientes obtenidos de solicitudes de salud presentadas por empleadores, planes de salud y hospitales, se basa en una estrategia similar a las herramientas de IA generativa como ChatGPT. Inicialmente, se pre-entren\u00f3 el modelo con un gran volumen de datos generales y, posteriormente, se ajust\u00f3 con informaci\u00f3n espec\u00edfica sobre condiciones de salud y tratamientos, enfoc\u00e1ndose en el riesgo de accidentes cerebrovasculares. El equipo de la OSU, liderado por Ping Zhang, profesor asociado de inform\u00e1tica e ingenier\u00eda biom\u00e9dica, report\u00f3 en un estudio publicado en la revista Patterns que su modelo super\u00f3 a siete modelos existentes y ofreci\u00f3 recomendaciones de tratamiento consistentes con cuatro ensayos cl\u00ednicos aleatorios. Seg\u00fan Zhang explic\u00f3 que: \u201cNing\u00fan algoritmo existente puede realizar este trabajo\u201d. \u201cCuantitativamente, nuestro m\u00e9todo aument\u00f3 el rendimiento entre un 7% y un 8% con respecto a otros m\u00e9todos. Y la comparaci\u00f3n demostr\u00f3 que otros m\u00e9todos pod\u00edan inferir resultados similares, pero no pueden producir un resultado exactamente igual al de un ensayo cl\u00ednico aleatorizado. Nuestro m\u00e9todo s\u00ed puede\u201d, agreg\u00f3 Zhang. Cabe destacar que, el prop\u00f3sito del modelo no es reemplazar los ensayos cl\u00ednicos tradicionales, sino acelerar el proceso de identificaci\u00f3n de tratamientos efectivos, ahorrando tiempo y dinero, y personalizar la atenci\u00f3n m\u00e9dica. Por su parte, Ruoqi Liu, estudiante de doctorado y primera autora del estudio, se\u00f1al\u00f3 que el modelo podr\u00eda ayudar a identificar un peque\u00f1o grupo de medicamentos candidatos para ensayos cl\u00ednicos a menor escala. El marco propuesto, denominado CURE (CaUsal tReatment Effect estimation), se pre-entrena con grandes vol\u00famenes de datos no etiquetados del mundo real, lo que le permite adaptarse r\u00e1pidamente a diferentes enfermedades y medicamentos mediante ajustes espec\u00edficos. Este enfoque fue posible gracias a datos des-identificados de MarketScan Commercial Claims y Encounters entre 2012 y 2017, que incluyeron informaci\u00f3n sobre 3 millones de pacientes. Asimismo, este modelo utiliza t\u00e9cnicas avanzadas como el uso de gr\u00e1ficos de conocimiento biom\u00e9dico para llenar lagunas en los registros de pacientes y pre-entrenar un modelo de datos sin\u00e9rgicos a escala. Estas t\u00e9cnicas mejoraron a\u00fan m\u00e1s el rendimiento del modelo. Zhang visualiza un futuro en el que, con la aprobaci\u00f3n de la Adminsitracion de Alimentos y Medicamentos (FDA, en ingl\u00e9s) los m\u00e9dicos puedan utilizar este tipo de algoritmo como una herramienta de apoyo en la toma de decisiones, cargada con datos de registros electr\u00f3nicos de salud de millones de personas. Este prometedor modelo aprovechar\u00eda las capacidades que la IA basada en grandes datos y modelos fundacionales tiene para proporcionar estrategias de tratamiento confiables. BIBLIOGRAF\u00cdA OSU https:\/\/news.osu.edu\/with-huge-patient-dataset-ai-accurately-predicts-treatment-outcomes\/<\/p>","protected":false},"author":1,"featured_media":45073,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-45071","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\/45071","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=45071"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/45071\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/45073"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=45071"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=45071"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=45071"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}