{"id":45563,"date":"2024-05-27T09:06:02","date_gmt":"2024-05-27T15:06:02","guid":{"rendered":"https:\/\/saluddigital.com\/?p=45563"},"modified":"2025-10-18T16:08:48","modified_gmt":"2025-10-18T22:08:48","slug":"ia-puede-mejorar-las-decisiones-de-admision-en-salas-de-emergencia","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/ia-puede-mejorar-las-decisiones-de-admision-en-salas-de-emergencia\/","title":{"rendered":"IA puede mejorar las decisiones de admisi\u00f3n en salas de emergencia"},"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 Escuela de Medicina Icahn en Mount Sinai descubren que la IA generativa puede predecir con precisi\u00f3n la necesidad de admisi\u00f3n hospitalaria en pacientes de urgencias.<\/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

Un reciente estudio realizado por investigadores de la Escuela de Medicina Icahn en Mount Sinai ha demostrado que la inteligencia artificial (IA) generativa, espec\u00edficamente el modelo GPT-4, puede predecir con precisi\u00f3n si un paciente en la sala de emergencias necesita ser admitido al hospital. Esto es posible incluso con un entrenamiento m\u00ednimo y utilizando un n\u00famero limitado de registros. Los detalles de la investigaci\u00f3n fueron publicados en la Journal of the American Medical Informatics Association.<\/em><\/p>

En este estudio retrospectivo, los investigadores analizaron registros de siete hospitales del Sistema de Salud Mount Sinai. Utilizaron tanto datos estructurados, como signos vitales, y datos no estructurados, como notas de triaje de enfermer\u00eda, de m\u00e1s de 864 mil visitas a salas de emergencia, excluyendo cualquier dato identificable de los pacientes. De estas visitas, 159,857 (18.5%) resultaron en la admisi\u00f3n del paciente al hospital.<\/p>

De esta forma, los investigadores compararon el desempe\u00f1o de GPT-4 con modelos tradicionales de machine learning, como Bio-Clinical-BERT para datos de texto y XGBoost para datos estructurados. Posteriormente, evaluaron su capacidad para predecir las admisiones hospitalarias tanto de manera independiente como combinada con los m\u00e9todos tradicionales.<\/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

El Dr. Eyal Klang, coautor principal del estudio y director del Programa de Investigaci\u00f3n de IA Generativa en la Divisi\u00f3n de Medicina Digital y Basada en Datos (D3M) en Icahn Mount Sinai, coment\u00f3 que el objetivo del estudio era evaluar si la IA generativa podr\u00eda mejorar la predicci\u00f3n de admisiones en entornos de alto volumen como el Departamento de Emergencias. Klang destac\u00f3 que GPT-4 sorprendi\u00f3 al adaptarse bien al entorno de urgencias y proporcionar razonamientos claros para sus decisiones, algo que diferencia a esta tecnolog\u00eda de los modelos tradicionales.<\/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

\u201cNuestro objetivo es mejorar la toma de decisiones cl\u00ednicas a trav\u00e9s de esta tecnolog\u00eda. Nos sorprendi\u00f3 lo bien que GPT-4 se adapt\u00f3 al entorno de urgencias y proporcion\u00f3 razonamientos para sus decisiones. Esta capacidad de explicar su l\u00f3gica lo distingue de los modelos tradicionales y abre nuevas v\u00edas para la IA en la toma de decisiones m\u00e9dicas\u201d, explic\u00f3 el Dr. Klang.<\/p>

Otros modelos de machine learning tradicionales requieren millones de registros para su entrenamiento, mientras que los grandes modelos de lenguaje o LLMs, pueden aprender con pocos ejemplos. Adem\u00e1s, estos modelos pueden incorporar predicciones de machine learning tradicional, mejorando su rendimiento.<\/p>

El Dr. Girish N. Nadkarni, coautor principal del estudio y Profesor de Medicina en Icahn Mount Sinai, se\u00f1al\u00f3 que la investigaci\u00f3n sugiere que la IA pronto podr\u00eda apoyar a los m\u00e9dicos en las salas de emergencias, ayud\u00e1ndoles a tomar decisiones r\u00e1pidas e informadas sobre la admisi\u00f3n de pacientes. Nadkarni enfatiz\u00f3 que, aunque los resultados son prometedores, la tecnolog\u00eda a\u00fan act\u00faa como un apoyo y no reemplaza la parte humana del cuidado m\u00e9dico.<\/p>

El equipo de investigaci\u00f3n contin\u00faa explorando c\u00f3mo aplicar los LLM a los sistemas de salud, buscando integrarlos con m\u00e9todos tradicionales de machine learning para resolver desaf\u00edos complejos y tomar decisiones en tiempo real en entornos cl\u00ednicos.<\/p>

Por su parte, el Dr. Brendan Carr, coautor del estudio y director ejecutivo del Sistema de Salud Mount Sinai, afirm\u00f3 que el estudio demuestra c\u00f3mo los LLMs pueden integrarse en las operaciones de atenci\u00f3n m\u00e9dica, subrayando su potencial para proporcionar informaci\u00f3n valiosa incluso en entornos complejos. Este estudio allana el camino para futuras investigaciones sobre la integraci\u00f3n de la IA en diversos aspectos de 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\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

MOUNT SINAI<\/strong><\/p>

https:\/\/www.mountsinai.org\/about\/newsroom\/2024\/ai-can-help-improve-er-admission-decisions-mount-sinai-study-finds<\/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":"

Investigadores de la Escuela de Medicina Icahn en Mount Sinai descubren que la IA generativa puede predecir con precisi\u00f3n la necesidad de admisi\u00f3n hospitalaria en pacientes de urgencias. Un reciente estudio realizado por investigadores de la Escuela de Medicina Icahn en Mount Sinai ha demostrado que la inteligencia artificial (IA) generativa, espec\u00edficamente el modelo GPT-4, puede predecir con precisi\u00f3n si un paciente en la sala de emergencias necesita ser admitido al hospital. Esto es posible incluso con un entrenamiento m\u00ednimo y utilizando un n\u00famero limitado de registros. Los detalles de la investigaci\u00f3n fueron publicados en la Journal of the American Medical Informatics Association. En este estudio retrospectivo, los investigadores analizaron registros de siete hospitales del Sistema de Salud Mount Sinai. Utilizaron tanto datos estructurados, como signos vitales, y datos no estructurados, como notas de triaje de enfermer\u00eda, de m\u00e1s de 864 mil visitas a salas de emergencia, excluyendo cualquier dato identificable de los pacientes. De estas visitas, 159,857 (18.5%) resultaron en la admisi\u00f3n del paciente al hospital. De esta forma, los investigadores compararon el desempe\u00f1o de GPT-4 con modelos tradicionales de machine learning, como Bio-Clinical-BERT para datos de texto y XGBoost para datos estructurados. Posteriormente, evaluaron su capacidad para predecir las admisiones hospitalarias tanto de manera independiente como combinada con los m\u00e9todos tradicionales. El Dr. Eyal Klang, coautor principal del estudio y director del Programa de Investigaci\u00f3n de IA Generativa en la Divisi\u00f3n de Medicina Digital y Basada en Datos (D3M) en Icahn Mount Sinai, coment\u00f3 que el objetivo del estudio era evaluar si la IA generativa podr\u00eda mejorar la predicci\u00f3n de admisiones en entornos de alto volumen como el Departamento de Emergencias. Klang destac\u00f3 que GPT-4 sorprendi\u00f3 al adaptarse bien al entorno de urgencias y proporcionar razonamientos claros para sus decisiones, algo que diferencia a esta tecnolog\u00eda de los modelos tradicionales. \u201cNuestro objetivo es mejorar la toma de decisiones cl\u00ednicas a trav\u00e9s de esta tecnolog\u00eda. Nos sorprendi\u00f3 lo bien que GPT-4 se adapt\u00f3 al entorno de urgencias y proporcion\u00f3 razonamientos para sus decisiones. Esta capacidad de explicar su l\u00f3gica lo distingue de los modelos tradicionales y abre nuevas v\u00edas para la IA en la toma de decisiones m\u00e9dicas\u201d, explic\u00f3 el Dr. Klang. Otros modelos de machine learning tradicionales requieren millones de registros para su entrenamiento, mientras que los grandes modelos de lenguaje o LLMs, pueden aprender con pocos ejemplos. Adem\u00e1s, estos modelos pueden incorporar predicciones de machine learning tradicional, mejorando su rendimiento. El Dr. Girish N. Nadkarni, coautor principal del estudio y Profesor de Medicina en Icahn Mount Sinai, se\u00f1al\u00f3 que la investigaci\u00f3n sugiere que la IA pronto podr\u00eda apoyar a los m\u00e9dicos en las salas de emergencias, ayud\u00e1ndoles a tomar decisiones r\u00e1pidas e informadas sobre la admisi\u00f3n de pacientes. Nadkarni enfatiz\u00f3 que, aunque los resultados son prometedores, la tecnolog\u00eda a\u00fan act\u00faa como un apoyo y no reemplaza la parte humana del cuidado m\u00e9dico. El equipo de investigaci\u00f3n contin\u00faa explorando c\u00f3mo aplicar los LLM a los sistemas de salud, buscando integrarlos con m\u00e9todos tradicionales de machine learning para resolver desaf\u00edos complejos y tomar decisiones en tiempo real en entornos cl\u00ednicos. Por su parte, el Dr. Brendan Carr, coautor del estudio y director ejecutivo del Sistema de Salud Mount Sinai, afirm\u00f3 que el estudio demuestra c\u00f3mo los LLMs pueden integrarse en las operaciones de atenci\u00f3n m\u00e9dica, subrayando su potencial para proporcionar informaci\u00f3n valiosa incluso en entornos complejos. Este estudio allana el camino para futuras investigaciones sobre la integraci\u00f3n de la IA en diversos aspectos de la atenci\u00f3n m\u00e9dica. BIBLIOGRAF\u00cdA MOUNT SINAI https:\/\/www.mountsinai.org\/about\/newsroom\/2024\/ai-can-help-improve-er-admission-decisions-mount-sinai-study-finds<\/p>","protected":false},"author":1,"featured_media":45565,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-45563","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\/45563","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=45563"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/45563\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/45565"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=45563"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=45563"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=45563"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}