{"id":57585,"date":"2025-07-04T10:11:55","date_gmt":"2025-07-04T16:11:55","guid":{"rendered":"https:\/\/saluddigital.com\/?p=57585"},"modified":"2025-07-04T10:18:32","modified_gmt":"2025-07-04T16:18:32","slug":"modelo-de-ia-convierte-registros-hospitalarios-en-texto-para-mejorar-la-toma-de-decisiones","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/modelo-de-ia-convierte-registros-hospitalarios-en-texto-para-mejorar-la-toma-de-decisiones\/","title":{"rendered":"Modelo de IA convierte registros hospitalarios en texto para mejorar la toma de decisiones"},"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 UCLA desarrollan un sistema que convierte registros m\u00e9dicos en texto para mejorar el diagn\u00f3stico y la toma de decisiones m\u00e9dicas en tiempo real.<\/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 nuevo modelo con inteligencia artificial (IA) mejora el apoyo cl\u00ednico en salas de urgencias al convertir registros electr\u00f3nicos de salud (EHR, en ingl\u00e9s), en texto para favorecer la mejor toma de decisiones. Un equipo de cient\u00edficos del Departamento de Medicina Computacional de UCLA ha desarrollado un nuevo sistema basado en IA llamado Multiple Embedding Model for EHR<\/em> o MEME, dise\u00f1ado para mejorar el apoyo a la toma de decisiones cl\u00ednicas en servicios de urgencias. El estudio fue publicado en npj Digital Medicine journal<\/em><\/a>. Utilizando una t\u00e9cnica que transforma datos m\u00e9dicos estructurados en texto, este modelo demostr\u00f3 un rendimiento superior frente a otros enfoques tradicionales y modernos en predicciones como el destino del paciente despu\u00e9s de ser atendido, la necesidad de cuidados intensivos y la mortalidad.<\/p>

Los EHR contienen informaci\u00f3n valiosa pero dispersa, como diagn\u00f3sticos, signos vitales y medicamentos. Sin embargo, integrar estos datos diversos en un solo modelo de IA es un gran desaf\u00edo t\u00e9cnico. Para resolverlo, el equipo liderado por Jeffrey Chiang y Simon Lee introdujo el concepto de \u201cpseudo-notas cl\u00ednicas\u201d, que convierten los registros tabulares en texto utilizando plantillas predefinidas. Esto permite usar modelos de lenguaje entrenados con grandes cantidades de texto m\u00e9dico para analizar informaci\u00f3n cl\u00ednica como si se tratara de una narrativa.<\/p>

MEME no solo traduce estos datos a texto, sino que procesa por separado diferentes tipos de informaci\u00f3n m\u00e9dica, como signos vitales, medicamentos y antecedentes del paciente. Luego los combina usando un mecanismo de atenci\u00f3n, una t\u00e9cnica que ayuda a identificar qu\u00e9 partes de la informaci\u00f3n son m\u00e1s relevantes para cada decisi\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

Lee, estudiante de doctorado en Medicina Computacional de la UCLA, explic\u00f3: \u201cEsto salva una brecha cr\u00edtica entre los modelos de IA m\u00e1s potentes disponibles en la actualidad y la compleja realidad de los datos sanitarios\u201d. Asimismo, detall\u00f3 que al convertir los registros hospitalarios a un formato que los modelos ling\u00fc\u00edsticos avanzados pueden entender, se desbloquean capacidades que antes eran inaccesibles para los profesionales de la salud. \u201cEl hecho de que este enfoque sea m\u00e1s port\u00e1til y adaptable que los sistemas de IA sanitaria existentes podr\u00eda hacerlo especialmente valioso para las instituciones que trabajan con diferentes est\u00e1ndares de datos\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

\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

El modelo fue entrenado y evaluado con registros de dos grandes bases de datos hospitalarias en Estados Unidos, MIMIC y UCLA Health, que contienen informaci\u00f3n de m\u00e1s de un mill\u00f3n de visitas a salas de urgencias. En tareas como predecir si un paciente necesitar\u00e1 hospitalizaci\u00f3n o si corre riesgo de fallecer, MEME super\u00f3 a modelos tradicionales como la regresi\u00f3n log\u00edstica o redes neuronales, as\u00ed como a modelos m\u00e1s recientes como GPT-4 ajustado para tareas m\u00e9dicas. Por ejemplo, MEME alcanz\u00f3 un AUC de 0.900, superando a modelos tradicionales como la regresi\u00f3n log\u00edstica (AUC ~0.857) y a modelos de deep learning<\/em> multimodal como Med-BERT o TabTransformer.<\/p>

A diferencia de otras soluciones que requieren estandarizar los datos hospitalarios, MEME es compatible con cualquier sistema que pueda convertir sus datos a texto. Esto lo hace m\u00e1s flexible y f\u00e1cil de adaptar a distintos hospitales. Adem\u00e1s, se demostr\u00f3 que el modelo puede mantener una alta precisi\u00f3n usando pocos ejemplos nuevos cuando se aplica en instituciones diferentes a aquellas en las que fue entrenado, una capacidad conocida como aprendizaje con pocos datos o \u00a0few-shot learning.<\/em>\u00a0<\/em><\/p>

El estudio detalla que los resultados subrayan que MEME no solo supera a modelos tradicionales, sino que tambi\u00e9n rivaliza con tecnolog\u00edas de vanguardia, manteniendo su precisi\u00f3n con menos datos y en distintos contextos cl\u00ednicos.<\/p>

Ahora, el equipo de investigaci\u00f3n tiene previsto probar la eficacia de MEME en otros entornos cl\u00ednicos, adem\u00e1s de los servicios de urgencias, para validar su mayor aplicabilidad. De igual forma, buscan abordar las limitaciones observadas en la generalizaci\u00f3n de modelos entre centros, trabajando para garantizar que el sistema funcione de forma coherente en diferentes instituciones y sistemas de salud. El trabajo a futuro ampliar\u00e1 su enfoque para a\u00f1adir nuevos conceptos m\u00e9dicos y de IA avanzada en sistemas sanitarios.<\/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

UCLA<\/strong><\/p>

https:\/\/www.uclahealth.org\/news\/release\/ai-model-converts-hospital-records-text-better-emergency<\/a>\u00a0<\/strong><\/p>

NATURE<\/strong><\/p>

https:\/\/www.nature.com\/articles\/s41746-025-01777-x<\/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":"

Nuevo modelo de IA convierte registros hospitalarios en texto para mejorar la toma de decisiones y obtiene resultados prometedores.<\/p>","protected":false},"author":1,"featured_media":57587,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-57585","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\/57585","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=57585"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/57585\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/57587"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=57585"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=57585"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=57585"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}