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
La Inteligencia Artificial podría mejorar el acceso a servicios de salud mental

Investigadoras del MIT y del Hospital General de Massachusetts (MGH), proponen el uso de aprendizaje automático e Inteligencia Artificial (IA), para mejorar el acceso a servicios de cuidado de la salud mental.

Investigadoras del MIT, plantean que la IA puede ser capaz de ayudar a que los servicios de salud mental sean más accesibles para los pacientes. La psicóloga e investigadora Paola Pedrelli, del MGH, explicó que, desde su experiencia, ha encontrado diversas barreras para el acceso a la salud mental, entre ellas el cuándo y dónde buscar ayuda.

En este sentido, Pedrelli, en colaboración con la investigadora del MIT, Rosalind Picard, han trabajado los últimos cinco años, en un proyecto basado en algoritmos de aprendizaje automático, que busca ayudar al diagnóstico y monitoreo de síntomas de pacientes con depresión.

“Estamos tratando de construir modelos sofisticados que tengan la capacidad no solo de aprender lo que es común entre las personas, sino también de aprender categorías de lo que está cambiando en la vida de un individuo”, explicó Picard. Además, resaltó que buscan brindarles a las personas la oportunidad de acceder a información personalizada basada en evidencia que realmente marque la diferencia en su salud.

Las investigadoras realizaron un estudio inicial con participantes del MGH, con trastornos depresivos mayores y que habían cambiado su tratamiento recientemente. A través del uso de wearables, los participantes recolectan información sobre datos biométricos como actividad electrodérmica, asimismo, se recopilaron datos de los teléfonos móviles de los participantes como mensajes de texto, llamadas telefónicas, uso de aplicaciones, ubicación y una encuesta quincenal sobre la depresión.

“Ponemos todos los datos que recopilamos del dispositivo portátil y el teléfono inteligente en nuestro algoritmo de aprendizaje automático, y tratamos de ver qué tan bien el aprendizaje automático predice las etiquetas dadas por los médicos”, explica Picard.

No obstante, otro de los retos de la aplicación de aprendizaje automático es la creación y desarrollo de una herramienta que le dé el control a los usuarios, por ejemplo, un dispositivo nuevo, una app móvil u otros métodos.

“Lo que podría ser efectivo es una herramienta que le diga a un individuo ‘La razón por la que te sientes deprimido podría ser que los datos relacionados con tu sueño hayan cambiado, y los datos se relacionen con tu actividad social, y no hayas tenido tiempo con tus amigos, tu actividad física se ha reducido. La recomendación es que encuentre una manera de aumentar esas cosas”, explicó Picard.

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