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
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
Investigación muestra predicción sobre riesgo de suicidio a través de expedientes clínicos electrónicos

El estudio tiene como objetivo entender, predecir y prevenir el riesgo conductas suicidas a través de datos estructurados y no estructurados en expedientes clínicos electrónicos (ECE) y notas de los especialistas, respectivamente.

Investigadores de departamentos de psiquiatría de instituciones de Boston como la Universidad de Harvard, Boston Children’s Hospital y Massachusetts General Hospital, realizaron un estudio sobre la predicción de riesgo de suicidio a través de datos estructurados y no estructurados de pacientes.

El estudio publicado en npj Digital Medicine muestra el desarrollo de un modelo clínico de predicción de riesgo, desarrollado a través de información estructurada de ECE e información no estructurada como las notas de los médicos, que fue interpretada a través de procesamiento de lenguaje natural (PLN).

En este sentido, la información estructurada incluye información como diagnósticos y medicación, por lo que es importante añadir datos no estructurados como las notas médicas, para que el modelo predictivo entienda el valor de cada clasificación de datos y las interacciones entre ambas.

El estudio titulado: Interacciones predictivas estructuradas-no estructuradas en modelos EHR: un estudio de caso de predicción de suicidio, contempló tres objetivos:

  1. Comparar el valor predictivo de los datos de ECE estructurados y no estructurados como conjuntos de datos independientes para predecir el riesgo de suicidio.
  2. Evaluar el aumento en el rendimiento de la predicción al integrar datos estructurados y no estructurados utilizando varios modelos: Naive Bayes Classifier (NBC) y Random Forest (RF).
  3. Identificar pares de características estructuradas y no estructuradas en las que la interacción entre las dos características difiere sustancialmente entre poblaciones con intentos de suicidio y personas sin intentos.

La aplicación de los criterios de inclusión y exclusión produjo 1 millones 625 mil 350 sujetos de entrenamiento para los modelos 99% correspondieron a no casos y 16 mil a casos, es decir el 1%.

Las variables capturadas más encontradas en el conjunto de datos fueron trastorno de control de impulsos, trastorno bipolar, trastorno esquizoafectivo y dependencia o abuso de opioides.

De esta forma fue posible identificar variables de datos estructurados y no estructurados sobre pacientes con riesgo de suicidio o conductas suicidas. A raíz de estos datos es posible desarrollar estrategias eficaces de prevención del suicidio.

Consulta el estudio completo en el siguiente enlace:

https://www.nature.com/articles/s41746-022-00558-0

 

Noticias destacadas

Noticias por país

Comparte el contenido

Salud Digital en el mundo

  • — Science Brief: Omicron (B.1.1.529) Variant/ actualizaciones CDC
    Ver más
  • — Coronavirus resource center / Johns Hopkins
    Ver más
  • — Rastreo epidemiológico de contactos COVID-19 / Curso Johns Hopkins
    Ver más
  • — Comportamiento infección SARS-CoV-2 / Calculadora FCS
    Ver más
  • — Omicron SARS-CoV-2 variant: a new chapter in the COVID-19 pandemic/ Artículo The Lancet
    Ver más
  • — Genomic Epidemiology Tracker / GISAID
    Ver más
  • — Consorcio Mexicano de Vigilancia Genómica
    Ver más
Secured By miniOrange