{"id":51193,"date":"2025-01-27T09:25:19","date_gmt":"2025-01-27T15:25:19","guid":{"rendered":"https:\/\/saluddigital.com\/?p=51193"},"modified":"2025-10-15T19:01:57","modified_gmt":"2025-10-16T01:01:57","slug":"utilizan-machine-learning-para-predecir-el-riesgo-de-depresion-postparto","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/utilizan-machine-learning-para-predecir-el-riesgo-de-depresion-postparto\/","title":{"rendered":"Utilizan machine learning para predecir el riesgo de depresi\u00f3n postparto"},"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

Un estudio de Cedars-Sinai muestra c\u00f3mo mejorar la equidad en el diagn\u00f3stico de trastornos del estado de \u00e1nimo perinatal.<\/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

Investigadores de Cedars-Sinai han evaluado modelos predictivos basados en inteligencia artificial (IA) para identificar trastornos de \u00e1nimo y ansiedad perinatales (PMAD, en ingl\u00e9s), como la depresi\u00f3n posparto. Publicado en JAMA Network Open<\/em><\/a>, el estudio destaca c\u00f3mo el dise\u00f1o y la evaluaci\u00f3n de estos modelos pueden reducir disparidades en el diagn\u00f3stico entre grupos raciales y \u00e9tnicos.<\/p>

El prop\u00f3sito fue desarrollar modelos predictivos de depresi\u00f3n posparto a partir de registros de salud electr\u00f3nicos (EHR, en ingl\u00e9s) y mitigar posibles sesgos cl\u00ednicos derivados de datos hist\u00f3ricos. Los modelos se entrenaron con datos de 19,430 pacientes ingresados en unidades de maternidad y posparto en Cedars-Sinai entre 2020 y 2023.<\/p>

\u201cLos modelos anteriores asum\u00edan que todas las mujeres evaluadas por depresi\u00f3n posparto recib\u00edan el mismo tratamiento y a menudo no ten\u00edan en cuenta las disparidades raciales\u00bb, expres\u00f3 la Dra. Tiffani J. Bright, autora principal del estudio y codirectora del Centro de Investigaci\u00f3n y Educaci\u00f3n en Inteligencia Artificial de Cedars-Sinai. \u201cFuimos capaces de crear modelos que no perpetuaron los mismos sesgos que a menudo se ven en los modelos de predicci\u00f3n anteriores, lo que sugiere el papel cr\u00edtico de las decisiones de modelado centradas en la equidad para garantizar una atenci\u00f3n equitativa al paciente\u201d, a\u00f1adi\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\t\t\t\t\t\t\t\t\"machine\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

Para el estudio se utilizaron tres enfoques: regresi\u00f3n log\u00edstica, bosques aleatorios y extreme gradient boosting, para predecir resultados en dos herramientas de evaluaci\u00f3n psicol\u00f3gica:<\/p>