{"id":63805,"date":"2025-10-22T10:10:44","date_gmt":"2025-10-22T16:10:44","guid":{"rendered":"https:\/\/saluddigital.com\/?p=63805"},"modified":"2025-10-22T10:14:35","modified_gmt":"2025-10-22T16:14:35","slug":"desarrollan-infehr-un-modelo-de-ia-que-reduce-la-incertidumbre-clinica-utilizando-aprendizaje-geometrico-profundo-en-historiales-medicos","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/desarrollan-infehr-un-modelo-de-ia-que-reduce-la-incertidumbre-clinica-utilizando-aprendizaje-geometrico-profundo-en-historiales-medicos\/","title":{"rendered":"Desarrollan InfEHR, un modelo de IA que reduce la incertidumbre cl\u00ednica utilizando aprendizaje geom\u00e9trico profundo en historiales m\u00e9dicos"},"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

El modelo desarrollado por investigadores de Mount Sinai transforma los registros m\u00e9dicos en grafos temporales para estimar con precisi\u00f3n la probabilidad de enfermedades, incluso en padecimientos poco frecuentes.<\/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

Uno de los principales desaf\u00edos en la pr\u00e1ctica m\u00e9dica es la incertidumbre que acompa\u00f1a la toma de decisiones cl\u00ednicas. Los m\u00e9dicos deben integrar m\u00faltiples fuentes de informaci\u00f3n como an\u00e1lisis, signos vitales, antecedentes y observaciones, para establecer diagn\u00f3sticos y definir tratamientos. Sin embargo, las herramientas tradicionales, como pruebas de laboratorio o modelos estad\u00edsticos, suelen ofrecer resultados limitados, sobre todo en enfermedades de baja prevalencia o con manifestaciones variables. El estudio, publicado en Nature Communications<\/em><\/a>.<\/em><\/p>

En este sentido, un grupo de cient\u00edficos de la Facultad de Medicina Icahn de Mount Sinai present\u00f3 InfEHR<\/strong>, un marco computacional que utiliza aprendizaje geom\u00e9trico profundo<\/strong> para interpretar registros electr\u00f3nicos de salud (EHR, en ingl\u00e9s) y generar inferencias cl\u00ednicas m\u00e1s confiables, reduciendo la dependencia de datos etiquetados y de la experiencia individual del m\u00e9dico.<\/p>

\u201cNos intrigaba la frecuencia con la que el sistema redescubr\u00eda patrones que los m\u00e9dicos sospechaban, pero sobre los que no pod\u00edan actuar porque las pruebas no estaban completamente establecidas\u201d, explic\u00f3 el autor principal Dr. Girish N. Nadkarni. \u201cAl cuantificar esas intuiciones, InfEHR nos ofrece una forma de validar lo que antes era solo una corazonada y abre la puerta a descubrimientos completamente nuevos\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

El modelo InfEHR convierte los registros m\u00e9dicos de cada paciente en grafos temporales<\/strong>, donde los nodos representan eventos cl\u00ednicos, como an\u00e1lisis, medicamentos o diagn\u00f3sticos, as\u00ed como las conexiones entre ellos reflejan relaciones temporales y causales. A trav\u00e9s de t\u00e9cnicas de aprendizaje profundo o deep learning<\/em>, la red neuronal identifica patrones complejos y genera representaciones vectoriales que resumen la evoluci\u00f3n del paciente en el tiempo.<\/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

Seg\u00fan el estudio, una de las principales ventajas de InfEHR es que no requiere grandes vol\u00famenes de datos etiquetados, ya que puede aprender relaciones cl\u00ednicas mediante m\u00e9todos auto-supervisados. El sistema genera estimaciones probabil\u00edsticas sobre la presencia o riesgo de enfermedades y revisa autom\u00e1ticamente sus propias predicciones conforme recibe m\u00e1s informaci\u00f3n.<\/p>

\u201cLa IA tradicional se pregunta: \u2018\u00bfEste paciente se parece a otros con la misma enfermedad?\u2019. InfEHR adopta un enfoque diferente: \u2018\u00bfPodr\u00eda la trayectoria m\u00e9dica \u00fanica de este paciente ser el resultado de un proceso patol\u00f3gico subyacente?\u2019. Es la diferencia entre simplemente comparar patrones y descubrir la causalidad\u201d, explic\u00f3 el autor principal, Justin Kauffman especialista en IA en Icahn.<\/p>

Los investigadores evaluaron el desempe\u00f1o de InfEHR utilizando registros de los hospitales Mount Sinai y la Universidad de California en Irvine. En comparaci\u00f3n con heur\u00edsticas m\u00e9dicas convencionales, el sistema mostr\u00f3 una sensibilidad hasta 15 veces mayor en el diagn\u00f3stico de sepsis neonatal sin cultivo positivo y un incremento notable en la precisi\u00f3n para predecir lesiones renales agudas postoperatorias. A diferencia de los modelos discriminativos tradicionales, que pueden emitir resultados con alta confianza pero sin fundamento en casos raros, InfEHR proporciona probabilidades calibradas que reflejan el grado de certeza y la suficiencia de informaci\u00f3n en cada caso.<\/p>

Seg\u00fan el equipo, esta arquitectura permite que el modelo indique cu\u00e1ndo los datos disponibles son insuficientes para una conclusi\u00f3n, ayudando al personal m\u00e9dico a reconocer l\u00edmites en la evidencia y reduciendo riesgos derivados de diagn\u00f3sticos prematuros. Adem\u00e1s, su estructura generativa facilita la adaptaci\u00f3n a diferentes entornos hospitalarios sin requerir reentrenamiento masivo.<\/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

NATURE <\/strong><\/p>

https:\/\/www.nature.com\/articles\/s41467-025-63366-6<\/a><\/p>

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

https:\/\/www.mountsinai.org\/about\/newsroom\/2025\/ai-system-finds-crucial-clues-for-diagnoses-in-electronic-health-records<\/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":"

Desarrollan InfEHR, un modelo de IA que reduce la incertidumbre cl\u00ednica utilizando aprendizaje geom\u00e9trico profundo en historiales m\u00e9dicos.<\/p>","protected":false},"author":1,"featured_media":63807,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-63805","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\/63805","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=63805"}],"version-history":[{"count":0,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/63805\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/63807"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=63805"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=63805"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=63805"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}