{"id":46321,"date":"2024-06-06T09:26:39","date_gmt":"2024-06-06T15:26:39","guid":{"rendered":"https:\/\/saluddigital.com\/?p=46321"},"modified":"2025-10-18T15:59:39","modified_gmt":"2025-10-18T21:59:39","slug":"prueban-machine-learning-para-predecir-diabetes-tipo-1-en-ninos","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/prueban-machine-learning-para-predecir-diabetes-tipo-1-en-ninos\/","title":{"rendered":"Prueban machine learning para predecir diabetes tipo 1 en ni\u00f1os"},"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 investigaci\u00f3n reciente publicada en The Lancet digital Heath prob\u00f3 el uso de un algoritmo de machine learning para predecir diabetes tipo 1 en ni\u00f1os a trav\u00e9s de datos de registros m\u00e9dicos.<\/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 diabetes tipo 1 es una enfermedad cr\u00f3nica que afecta la capacidad del cuerpo para producir insulina, una hormona esencial para la regulaci\u00f3n de los niveles de glucosa en la sangre. A diferencia de la diabetes tipo 2, que se asocia com\u00fanmente al estilo de vida de los pacientes y a la obesidad, la diabetes tipo 1 es una condici\u00f3n autoinmune que suele diagnosticarse en la infancia o en la adolescencia. El diagn\u00f3stico temprano, el tratamiento y control adecuado de esta condici\u00f3n evita las complicaciones a largo plazo y garantiza una calidad de vida optima para los pacientes que viven con esta condici\u00f3n.<\/p>

Los ni\u00f1os que acuden a atenci\u00f3n primaria con sospecha de diabetes tipo 1 son remitidos a atenci\u00f3n secundaria para evitar complicaciones m\u00e1s graves como la cetoacidosis diab\u00e9tica. Es importante el reconocimiento temprano de los ni\u00f1os con diabetes, sin embargo, tambi\u00e9n es un gran desaf\u00edo, ya que es posible que algunos pacientes pedi\u00e1tricos no presenten s\u00edntomas comunes o que estos puedan atribuirse a afecciones m\u00e1s comunes.<\/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

Un estudio reciente publicado en la edici\u00f3n de junio de The Lancet Digital Health<\/em><\/a>, explora el uso de un algoritmo de machine learning para la predicci\u00f3n de diabetes tipo 1 en ni\u00f1os mediante registros m\u00e9dicos electr\u00f3nicos en atenci\u00f3n primaria. El objetivo del estudio fue investigar si un algoritmo podr\u00eda conducir a una detecci\u00f3n m\u00e1s temprana de la diabetes tipo1 en la atenci\u00f3n primaria. Para ello utilizaron registros m\u00e9dicos electr\u00f3nicos de pacientes pedi\u00e1tricos de Gales, Reino Unido.<\/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

El algoritmo predictivo fue desarrollado utilizando los datos de ni\u00f1os reci\u00e9n diagnosticados con diabetes tipo 1. Los ni\u00f1os incluidos fueron agregados desde su primer registro de atenci\u00f3n primaria dentro del periodo del 1 de enero de 2000 hasta el 31 de diciembre de 2016, hasta el diagn\u00f3stico de diabetes tipo 1, cuando cumplieron 15 a\u00f1os o finalizaron el estudio.<\/p>

\u201cDesarrollamos un conjunto (SuperLearner) utilizando 26 predictores potenciales. La validaci\u00f3n del algoritmo se realiz\u00f3 en registros m\u00e9dicos electr\u00f3nicos del Hospital Clinical Practice Research Datalink (atenci\u00f3n primaria) y Hospital Statistics Episode, centr\u00e1ndose en la capacidad del algoritmo para identificar a los ni\u00f1os que desarrollaron diabetes tipo 1 y el momento en el que se podr\u00eda realizar el diagn\u00f3stico anticipado\u201d, detalla el estudio.<\/p>

El SuperLearner compendi\u00f3 de m\u00e1s de 34 millones de contactos de atenci\u00f3n primaria relacionados con m\u00e1s de 952 mil ni\u00f1os, asimismo el conjunto de datos de validaci\u00f3n comprendi\u00f3 de m\u00e1s de 43 millones de contactos de atenci\u00f3n primaria de alrededor de 1.5 millones de ni\u00f1os.<\/p>

Los resultados arrojaron que, 1829 ni\u00f1os menores de 15 a\u00f1os (0.19%) en el conjunto de datos de desarrollo y 1516 (0.10%) en el conjunto de datos de validaci\u00f3n, ten\u00edan una fecha confiable de diagn\u00f3stico de diabetes tipo 1. En t\u00e9rminos generales si se configura para dar una alerta en el 10% de los contactos, se estima que el 71,6% de los ni\u00f1os con diabetes tipo 1 recibir\u00edan una alerta mediante el algoritmo en los 90 d\u00edas previos al diagn\u00f3stico, con un diagn\u00f3stico anticipado, en promedio, aproximadamente 9.34 d\u00edas.<\/p>

\u201cSi se implementa en entornos de atenci\u00f3n primaria, este algoritmo predictivo podr\u00eda reducir sustancialmente la proporci\u00f3n de pacientes con diabetes tipo 1 de nueva aparici\u00f3n que presentan cetoacidosis diab\u00e9tica, que es una urgencia m\u00e9dica. La aceptabilidad de los umbrales de alerta debe explorarse en atenci\u00f3n primaria\u201d, concluyen los autores.<\/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

THE LANCET<\/strong><\/p>

https:\/\/www.thelancet.com\/journals\/landig\/article\/PIIS2589-7500(24)00050-5\/fulltext<\/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":"

Una investigaci\u00f3n reciente publicada en The Lancet digital Heath prob\u00f3 el uso de un algoritmo de machine learning para predecir diabetes tipo 1 en ni\u00f1os a trav\u00e9s de datos de registros m\u00e9dicos. La diabetes tipo 1 es una enfermedad cr\u00f3nica que afecta la capacidad del cuerpo para producir insulina, una hormona esencial para la regulaci\u00f3n de los niveles de glucosa en la sangre. A diferencia de la diabetes tipo 2, que se asocia com\u00fanmente al estilo de vida de los pacientes y a la obesidad, la diabetes tipo 1 es una condici\u00f3n autoinmune que suele diagnosticarse en la infancia o en la adolescencia. El diagn\u00f3stico temprano, el tratamiento y control adecuado de esta condici\u00f3n evita las complicaciones a largo plazo y garantiza una calidad de vida optima para los pacientes que viven con esta condici\u00f3n. Los ni\u00f1os que acuden a atenci\u00f3n primaria con sospecha de diabetes tipo 1 son remitidos a atenci\u00f3n secundaria para evitar complicaciones m\u00e1s graves como la cetoacidosis diab\u00e9tica. Es importante el reconocimiento temprano de los ni\u00f1os con diabetes, sin embargo, tambi\u00e9n es un gran desaf\u00edo, ya que es posible que algunos pacientes pedi\u00e1tricos no presenten s\u00edntomas comunes o que estos puedan atribuirse a afecciones m\u00e1s comunes. Un estudio reciente publicado en la edici\u00f3n de junio de The Lancet Digital Health, explora el uso de un algoritmo de machine learning para la predicci\u00f3n de diabetes tipo 1 en ni\u00f1os mediante registros m\u00e9dicos electr\u00f3nicos en atenci\u00f3n primaria. El objetivo del estudio fue investigar si un algoritmo podr\u00eda conducir a una detecci\u00f3n m\u00e1s temprana de la diabetes tipo1 en la atenci\u00f3n primaria. Para ello utilizaron registros m\u00e9dicos electr\u00f3nicos de pacientes pedi\u00e1tricos de Gales, Reino Unido. El algoritmo predictivo fue desarrollado utilizando los datos de ni\u00f1os reci\u00e9n diagnosticados con diabetes tipo 1. Los ni\u00f1os incluidos fueron agregados desde su primer registro de atenci\u00f3n primaria dentro del periodo del 1 de enero de 2000 hasta el 31 de diciembre de 2016, hasta el diagn\u00f3stico de diabetes tipo 1, cuando cumplieron 15 a\u00f1os o finalizaron el estudio. \u201cDesarrollamos un conjunto (SuperLearner) utilizando 26 predictores potenciales. La validaci\u00f3n del algoritmo se realiz\u00f3 en registros m\u00e9dicos electr\u00f3nicos del Hospital Clinical Practice Research Datalink (atenci\u00f3n primaria) y Hospital Statistics Episode, centr\u00e1ndose en la capacidad del algoritmo para identificar a los ni\u00f1os que desarrollaron diabetes tipo 1 y el momento en el que se podr\u00eda realizar el diagn\u00f3stico anticipado\u201d, detalla el estudio. El SuperLearner compendi\u00f3 de m\u00e1s de 34 millones de contactos de atenci\u00f3n primaria relacionados con m\u00e1s de 952 mil ni\u00f1os, asimismo el conjunto de datos de validaci\u00f3n comprendi\u00f3 de m\u00e1s de 43 millones de contactos de atenci\u00f3n primaria de alrededor de 1.5 millones de ni\u00f1os. Los resultados arrojaron que, 1829 ni\u00f1os menores de 15 a\u00f1os (0.19%) en el conjunto de datos de desarrollo y 1516 (0.10%) en el conjunto de datos de validaci\u00f3n, ten\u00edan una fecha confiable de diagn\u00f3stico de diabetes tipo 1. En t\u00e9rminos generales si se configura para dar una alerta en el 10% de los contactos, se estima que el 71,6% de los ni\u00f1os con diabetes tipo 1 recibir\u00edan una alerta mediante el algoritmo en los 90 d\u00edas previos al diagn\u00f3stico, con un diagn\u00f3stico anticipado, en promedio, aproximadamente 9.34 d\u00edas. \u201cSi se implementa en entornos de atenci\u00f3n primaria, este algoritmo predictivo podr\u00eda reducir sustancialmente la proporci\u00f3n de pacientes con diabetes tipo 1 de nueva aparici\u00f3n que presentan cetoacidosis diab\u00e9tica, que es una urgencia m\u00e9dica. La aceptabilidad de los umbrales de alerta debe explorarse en atenci\u00f3n primaria\u201d, concluyen los autores. BIBLIOGRAF\u00cdA THE LANCET https:\/\/www.thelancet.com\/journals\/landig\/article\/PIIS2589-7500(24)00050-5\/fulltext<\/p>","protected":false},"author":1,"featured_media":46323,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-46321","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\/46321","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=46321"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/46321\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/46323"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=46321"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=46321"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=46321"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}