{"id":66771,"date":"2026-01-19T09:58:02","date_gmt":"2026-01-19T15:58:02","guid":{"rendered":"https:\/\/saluddigital.com\/?p=66771"},"modified":"2026-01-19T10:04:31","modified_gmt":"2026-01-19T16:04:31","slug":"cientificos-de-oxford-desarrollan-dynagraph-un-modelo-ia-para-entender-la-evolucion-de-la-salud-de-los-pacientes","status":"publish","type":"post","link":"https:\/\/saluddigital.com\/en\/big-data\/cientificos-de-oxford-desarrollan-dynagraph-un-modelo-ia-para-entender-la-evolucion-de-la-salud-de-los-pacientes\/","title":{"rendered":"Cient\u00edficos de Oxford desarrollan DynaGraph, un modelo IA para entender la evoluci\u00f3n de la salud de los pacientes"},"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

Nuevo modelo de IA aprende c\u00f3mo cambian las relaciones entre variables cl\u00ednicas a lo largo del tiempo para mejorar la predicci\u00f3n de riesgos y hacer m\u00e1s comprensibles las decisiones m\u00e9dicas.<\/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 la Universidad de Oxford presentaron DynaGraph<\/strong>, un nuevo modelo de inteligencia artificial (IA) dise\u00f1ado para analizar los expedientes cl\u00ednicos electr\u00f3nicos y mejorar la predicci\u00f3n de riesgos en pacientes. El avance, publicado en npj Digital Medicine journal<\/em><\/a>, propone una novedosa forma de interpretar c\u00f3mo cambian las relaciones entre variables cl\u00ednicas, como lo son signos vitales y resultados de laboratorio, a lo largo del tiempo.<\/p>

A diferencia de muchos modelos actuales, que tratan los datos m\u00e9dicos como listas est\u00e1ticas o secuencias independientes, DynaGraph parte de que la salud no evoluciona de manera lineal<\/strong>. Cuando un paciente empeora, distintos sistemas del cuerpo interact\u00faan entre s\u00ed y esas relaciones cambian conforme avanza la enfermedad o inicia la recuperaci\u00f3n. Captar esa din\u00e1mica ha sido un desaf\u00edo significativo para la IA aplicada a la medicina.<\/p>

El modelo utiliza grafos din\u00e1micos<\/strong>, una estructura matem\u00e1tica en la que cada variable cl\u00ednica, por ejemplo, presi\u00f3n arterial, creatinina o frecuencia card\u00edaca, se representa como un nodo, y las conexiones entre ellas reflejan c\u00f3mo se influyen mutuamente. En este sentido, DynaGraph aprende estas conexiones directamente de los datos<\/strong>, sin depender de reglas m\u00e9dicas predefinidas, y permite que dichas relaciones se modifiquen con el paso del 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\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

Para lograrlo, el sistema divide la evoluci\u00f3n del paciente en ventanas temporales y construye un grafo distinto para cada una. As\u00ed, puede identificar, por ejemplo, que la relaci\u00f3n entre la funci\u00f3n renal y la presi\u00f3n arterial se vuelve m\u00e1s fuerte antes de que ocurra una complicaci\u00f3n grave, o que ciertos marcadores inflamatorios pierden relevancia cuando el paciente comienza a estabilizarse. Esta capacidad de adaptaci\u00f3n refleja mejor la realidad cl\u00ednica que 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

Uno de los aspectos m\u00e1s relevantes del estudio es la interpretabilidad<\/strong> del modelo. DynaGraph no solo predice riesgos, sino que tambi\u00e9n muestra qu\u00e9 variables y qu\u00e9 relaciones entre ellas influyen m\u00e1s en cada momento<\/strong>. Esto se logra mediante un mecanismo que asigna pesos de importancia a los nodos y conexiones del grafo, ofreciendo explicaciones alineadas con el razonamiento m\u00e9dico y facilitando la confianza en los resultados.<\/p>

El equipo evalu\u00f3 DynaGraph en cuatro grandes bases de datos de expedientes cl\u00ednicos MIMIC-III, elCU, HiRID-ICO y EHRSHOT, que en conjunto incluyen informaci\u00f3n de m\u00e1s de 40 mil pacientes<\/strong> en unidades de cuidados intensivos y atenci\u00f3n primaria. En las primeras tres tuvo un desempe\u00f1o superior a 85% en sensibilidad, mientras que en EHRSHOT alcanz\u00f3 un79.4% en m\u00e9tricas clave para detectar eventos poco frecuentes, como complicaciones graves o riesgo de muerte.<\/p>

Adem\u00e1s de su precisi\u00f3n, el modelo matuvo un buen desempe\u00f1o en distintos grupos de edad, sexos y momentos de la estancia hospitalaria. Su tiempo de respuesta es de apenas milisegundos, lo que abre la puerta a su uso en sistemas de apoyo a la decisi\u00f3n cl\u00ednica en tiempo casi real.<\/p>

Los autores se\u00f1alan que, DynaGraph no establece relaciones causales directas, es decir, no prueba que una variable cause otra<\/strong>, pero s\u00ed ofrece una representaci\u00f3n m\u00e1s fiel y comprensible de la evoluci\u00f3n cl\u00ednica<\/strong>. En el futuro, el enfoque podr\u00eda ampliarse para integrar notas m\u00e9dicas, estudios de imagen o incluso datos gen\u00f3micos.<\/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\/s41746-025-02328-0<\/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":"

Cient\u00edficos de Oxford desarrollan DynaGraph, un nuevo modelo IA para entender la evoluci\u00f3n de la salud de los pacientes.<\/p>","protected":false},"author":1,"featured_media":66774,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[156,160],"tags":[145],"class_list":["post-66771","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\/66771","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=66771"}],"version-history":[{"count":4,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/66771\/revisions"}],"predecessor-version":[{"id":66778,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/posts\/66771\/revisions\/66778"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media\/66774"}],"wp:attachment":[{"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/media?parent=66771"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/categories?post=66771"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/saluddigital.com\/en\/wp-json\/wp\/v2\/tags?post=66771"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}