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
Registros de salud electrónicos sintéticos para mejorar la investigación clínica

Los registros médicos electrónicos son utilizados para mejorar la atención de los pacientes, medir el rendimiento de prácticas clínicas o facilitar la investigación clínica.

Los modelos de aprendizaje automático pueden ser entrenados a través de datos de registros de salud electrónicos (EHR, en inglés). De esta forma se pueden realizar predicciones sobre la probabilidad de desarrollar enfermedades como la diabetes, realizar seguimientos de los pacientes o predecir cómo responderán a medicamentos específicos.

Sin embargo, para llevar a cabo esta tarea es necesario tener acceso a datos de EHR, lo que es un gran desafío ya que están protegidos por regulaciones de confidencialidad que garantizan su privacidad. Para tomar datos de EHR y realizar estudios, es necesario que los investigadores obtengan el consentimiento de los pacientes.

No obstante, existen métodos para anonimizar datos, por ejemplo, la desidentificación, pero son costosos y pueden eliminar o distorsionar características importantes de los conjuntos de datos originales, disminuyendo su utilidad.

En este sentido, científicos de Google Research desarrollaron EHR-Safe: Generación de registros de salud electrónicos sintéticos de alta fidelidad y preservación de la privacidad un modelo para la generación de datos sintéticos con las propiedades que su nombre menciona: alta fidelidad, es decir que son útiles para una tarea de interés especifico y cuentan con medidas privacidad, es decir que no revelan información real de los pacientes.

Los científicos de Google Research se enfrentaron con múltiples desafíos para la generación de EHR sintéticos, específicamente relacionados con las características de los EHR reales. Las características pueden ser numéricas o categóricas algunas variables son estáticas otras cambian con el tiempo, por ejemplo, a través de exámenes de laboratorio regulares o esporádicas. Es decir, algunos pacientes dependiendo de su condición de salud, realizan visitas clínicas de manera regular y sus datos cambian constantemente.

El modelo EHR-Safe está construida en una arquitectura de codificador-descodificador secuencial y redes antagónicas (GAN en inglés). Es decir, el modelo aprende el mapeo de los datos brutos de los EHR.

“Las métricas de fidelidad se centran en la calidad de los datos generados sintéticamente al medir la realidad de los datos sintéticos. Una mayor fidelidad implica que es más difícil diferenciar entre datos sintéticos y reales. Evaluamos la fidelidad de los datos sintéticos en términos de múltiples análisis cuantitativos y cualitativos”, explican los autores.

Consulta el artículo con los detalles completos en el siguiente enlace:

https://www.researchsquare.com/article/rs-2347130/v1

Eventos más importantes en Salud Digital

junio 2023

L
M
Mi
J
V
S
D
29
30
31
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
1
2
Eventos para junio

1

Sin Eventos
Eventos para junio

2

Sin Eventos
Eventos para junio

3

Sin Eventos
Eventos para junio

4

Eventos para junio

5

Eventos para junio

6

Eventos para junio

7

Eventos para junio

8

Sin Eventos
Eventos para junio

9

Sin Eventos
Eventos para junio

10

Sin Eventos
Eventos para junio

11

Sin Eventos
Eventos para junio

12

Sin Eventos
Eventos para junio

13

Sin Eventos
Eventos para junio

14

Sin Eventos
Eventos para junio

18

Sin Eventos
Eventos para junio

19

Sin Eventos
Eventos para junio

20

Sin Eventos
Eventos para junio

21

Sin Eventos
Eventos para junio

22

Sin Eventos
Eventos para junio

23

Sin Eventos
Eventos para junio

24

Sin Eventos
Eventos para junio

25

Sin Eventos
Eventos para junio

26

Sin Eventos
Eventos para junio

27

Sin Eventos
Eventos para junio

28

Sin Eventos
Eventos para junio

29

Sin Eventos
Eventos para junio

30

Sin Eventos

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

Contenido Protegido

Skip to content Secured By miniOrange