Filtrar por tipo de entrada
Seleccionar todo
Noticias
Páginas
Eventos
Filtrar por categorías
Seleccionar todo
AI ANALITICA
Apps móviles e Internet de las Cosas
Avance de la ciencia
Big data
Comunidades conectadas
Coronavirus
Cursos y capacitaciones
DIAGNOSTICO
Editorial inicial
Editoriales
El mundo en la nube
Eventos
Infografías
Inteligencia Artificial y Ciencia
IoTApps
Noticias
Plataformas digitales
Redes sociales
Reseña de publicaciones científicas
Resumen de Cursos
Sinopsis de ensayo
Sinopsis de Marcos de Referencia
Sinopsis de publicaciones recientes
Uso de Plataformas Digitales
Estudio detalla el uso de aprendizaje profundo para la detección de cirrosis

Investigadores de la Universidad Medica de Carolina del Sur publicaron un estudio que explora el uso de aprendizaje profundo para identificar a pacientes con cirrosis a partir de textos clínicos en expedientes clínicos electrónicos.

Esta investigación publicada en Journal of Gastroenterology explora cómo se puede identificar de manera precisa la cirrosis a través de datos en historias clínicas electrónicas y que además es un factor importante para la investigación epidemiológica. La investigación también explica que estos intentos se alinean a los códigos de la Clasificación Internacional de Enfermedad, sin embargo, presentan un éxito limitado.

En este sentido el objetivo del estudio fue evaluar un enfoque de Inteligencia Artificial (IA) basado en aprendizaje profundo, sobre texto clínico en historias clínicas electrónicas para así identificar pacientes con cirrosis.

“Entrenamos varios modelos de aprendizaje automático utilizando resúmenes de alta de pacientes con cirrosis conocida de un registro de pacientes y controles aleatorios sin cirrosis o sus complicaciones basados en códigos CIE”, explica el estudio.

Los modelos entrenados fueron validados en pacientes cuyos resúmenes de alta se revisaron manualmente de manera previa. Asimismo, los investigadores probaron diferentes modelos de aprendizaje profundo que utilizan incrustación de palabras Naive Bayes y Random Forest y una red neuronal convolucional (CNN, en inglés).

El entrenamiento del modelo incluyó 446 pacientes con cirrosis y 689 controles, y el conjunto de prueba de referencia 139 y 152 respectivamente. La CNN tuvo la mayor área bajo la curva, logrando una precisión de 0.965, fuente a los 0.879 y 0.981 de Naive Bayes y Random Forest.

De esta manera, el estudio concluye que “un modelo CNN entrenado en resúmenes de alta identificó pacientes con cirrosis con alta precisión. Este enfoque para la genotipificación de la cirrosis en las historias clínicas electrónicas puede proporcionar una evaluación más precisa de la carga de la enfermedad en una variedad de estudios”

Contenidos Relacionados

Secured By miniOrange