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
Investigadores desarrollan sistema de aprendizaje automático para detectar problemas de salud pública

Investigadores de diversos laboratorios y universidades de Estados Unidos han desarrollado un sistema de aprendizaje automático para la detección de nuevas amenazas de salud pública.

Investigadores de Machine Learning for Good Laboratory (ML4G) de New York University, Carnegie Mellon University, y del Departamento de Salud e Higiene Mental de la ciudad de Nueva York, desarrollaron un sistema de aprendizaje automatizado que permitirá detectar problemas y amenazas de salud pública nunca antes detectadas a través de diversas enfermedades.

Actualmente, los sistemas automatizados utilizan la vigilancia sindrómica, una herramienta para vigilar la aparición de brotes epidémicos en áreas de riesgo elevado de brotes de enfermedades con signos y síntomas similares. No obstante, este tipo de vigilancia no logra identificar amenazas nuevas, ya que su utilidad es justamente para detectar amenazas que ya se han presentado en entornos específicos.

“Los sistemas existentes son buenos para detectar brotes de enfermedades que ya conocemos y que estamos buscando activamente, como la gripe o el COVID”, dijo el Dr. Daniel B. Neill, director del ML4G. La propuesta del laboratorio es utilizar la vigilancia “presindrómica”, ya que proporciona una red de seguridad para identificar amenazas emergentes que otros sistemas no pueden hacer.

El sistema desarrollado por el ML4G permitiría a tomadores de decisiones y funcionarios de salud pública atender rápida y efectivamente nuevas amenazas emergentes o inusuales. Para ello utilizarían datos digitales sobre las condiciones de los pacientes. Esto se distingue de los sistemas actuales que clasifican los casos según enfermedades existentes. Y al clasificarlos en un sistema presindrómico podría favorecer a la detección de enfermedades emergentes.

El laboratorio desarrolló esta solución a través de la Exploración semántica multidimensional (MUSES, en inglés), la cual ofrece avances a instituciones de salud pública y hospitales. Esta herramienta fue entrenada a través de datos anónimos sobre visitas al departamento de emergencias, el sistema utiliza las quejas para analizar las palabas o frases utilizadas por los pacientes.

Es decir, a través del análisis de contenido de las quejas y comentarios de pacientes, sería posible la detección potencial de enfermedades. De igual manera MUSES puede analizar comentarios de profesionales de la salud para la reducción de falsos positivos y mejorar la toma de decisiones.

Noticias destacadas

Noticias por país

Contenidos Relacionados

Secured By miniOrange