Resultados de búsqueda para: care studio– Página 5

Un nuevo método de machine learning busca predecir las consecuencias de apnea del sueño que afecta a millones de personas. El Instituto Nacional del Corazón, los Pulmones y la Sangre de los Institutos Nacionales de Salud de Estados Unidos (NIH, en inglés) ha otorgado una subvención de cinco años por 4.1 millones de dólares a investigadores del Mount Sinai para desarrollar y estudiar un modelo impulsado por inteligencia artificial (IA) que sea capaz de predecir los resultados adversos de la apnea obstructiva del sueño. Los especialistas afirman que el modelo buscará reflejar mejor la fisiología subyacente de la afección y las formas en que afecta el sueño, mejorando la atención y el tratamiento de los pacientes. La apnea del sueño es una afección crónica de obstrucción intermitente del flujo de aire y respiración inadecuada durante el sueño que afecta a casi mil millones de personas en todo el mundo. La herramienta de diagnóstico actual para la apnea obstructiva del sueño es el índice de apnea-hipopnea o apnea hypopnea index, este método mide la frecuencia de apnea o el número de veces que una persona deja de respirar mientras duerme, y las hipopneas, o períodos de flujo de aire reducido. Sin embargo, se trata de una métrica con limitaciones evidentes y carece de precisión en la predicción de resultados. En respuesta a esta problemática a nivel global, investigadores de Mount Sinai desarrollaron un enfoque impulsado por IA que examina las funciones del sueño que se relacionan con la apnea, por ejemplo: la respiración, los niveles de oxígeno y las etapas del sueño. De esta forma, estas categorías se combinan en un puntaje de probabilidad que predice el riesgo de resultados a corto y largo plazo del trastorno. “Nuestra propuesta utiliza un modelo de inteligencia artificial de última generación que perfila el riesgo de los pacientes con apnea del sueño utilizando datos de estudios de sueño de rutina”, dijo el investigador principal el Dr. Ankit Parekh. El Dr. Parekh también explicó que el estudio evaluará el desempeño en el mundo real de un enfoque de IA, y será clave para ofrecer evidencia para traducir meticas que van más allá de la apnea hipopnea en la evaluación de la gravedad de apnea obstructiva del sueño en la práctica clínica. El método impulsado por IA combina métricas automatizadas en categorías independientes como ventilación, hipoxia o despertares con pesos basados en datos para determinar el riesgo de resultados adversos. La investigación actual sugiere que de tres las cohortes de casi 11 mil participantes, el modelo de aprendizaje automático podría predecir la probabilidad de somnolencia debido a la apnea con una precisión de aproximadamente el 87% un porcentaje significativo considerando el 54% de precisión que alcanza la métrica actual. Asimismo, otra cohorte de más de 4 mil 700 participantes podría aprender a predecir la mortalidad cardiovascular con una precisión de casi 81%, en comparación con un modelo de regresión con las métricas existentes que alcanzan hasta 58% de exactitud. De esta forma, los investigadores han mostrado resultados positivos en la investigación, por lo que los hallazgos esperados en los próximos años son prometedores. Por lo tanto, el equipo de investigación planea probar ambos modelos de machine learning en un grupo de pacientes del Mount Sinai Integrative Sleep Center, el cual revisará datos como estudios de sueño de polisomnograma, los cuales registran ondas cerebrales, niveles de oxígeno, frecuencia cardíaca y respiración durante el sueño. Posteriormente, los resultados de validarán retrospectivamente con datos de sueño para análisis estadístico. BIBLIOGRAFÍA MOUNT SINAI https://www.mountsinai.org/about/newsroom/2024/mount-sinai-researchers-awarded-41-million-nih-grant-to-advance-understanding-of-sleep-apnea-using-artificial-intelligence

Investigadores de Cedars-Sinai Cancer, utilizaron una herramienta de medicina de precisión para identificar biomarcadores que podrían relacionarse con el cuidado de cáncer de páncreas. Investigadores de Cedars-Sinai Cancer, han utilizado un nuevo método de medicina de precisión e inteligencia artificial (IA) llamada Molecular Twin Precision Oncology Platfom. Esta herramienta tiene la capacidad de identificar biomarcadores que superan la prueba estándar de predicción de supervivencia de cáncer de páncreas. Además, la plataforma cuenta con el respaldo de un estudio publicado en Nature Cancer, en el cual se demuestra la viabilidad de esta herramienta y su potencial para guiar hacia un mejor tratamiento para los pacientes con cáncer. Según el Dr. Dan Theodorescu director de Cedars-Sinai Cancer, la plataforma de gemelo molecular o Molecular Twin puede ser utilizado en estudios sobre cualquier tipo de tumores, incluyendo cáncer de páncreas que tiene mayor dificultar para su tratamiento. “Utilizando nuestra tecnología Molecular Twin, prevemos crear pruebas que puedan utilizarse incluso en lugares que carecen de acceso a recursos y tecnología avanzados, emparejando a los pacientes con las terapias más eficaces y ampliando la disponibilidad de la medicina de precisión”, agregó. El estudio incluyó el análisis, a través de Molecular Twin, de muestras de tejidos y de sangre de 74 pacientes con los tipos más comunes y más agresivos de cáncer de páncreas. Posteriormente, los investigadores combinaron 6,363 datos biológicos distintos incluyendo información genética y molecular para crear el modelo, el cual predijo con exactitud la supervivencia de la enfermedad en el 87% de los pacientes. A continuación, utilizaron IA para crear un modelo que funcionara de la misma forma, pero solo usando 589 puntos de datos. Estos modelos mejoraron los resultados de la única prueba de cáncer de páncreas aprobada por la Administración de Alimentos y Medicamentos (FDA, en inglés). Además, los resultados fueron validados por conjuntos de datos independientes de The Cancer Genome Atlas, Massachusetts General Hospital, y Johns Hopkins University. “Ya habíamos emprendido una recogida exhaustiva de muestras de sangre y tejidos de pacientes con cáncer de páncreas, lo que nos brindó una buena oportunidad para probar la plataforma Molecular Twin. A medida que ampliemos la plataforma con más pacientes, Molecular Twin se convertirá en una herramienta aún más sólida, no sólo en el cáncer de páncreas, sino en todos los tipos de cáncer”, explicó Arsen Osipov, líder del programa de la Clínica Multidisciplinar de Cáncer de Páncreas y del Programa de Medicina de Precisión del Cedars-Sinai Cancer. Por su parte, la Dra. Jennifer Van Eyk, directora de biosistemas clínicos avanzados en Cedars-Sinai, explicó que las proteínas resultaron ser los principales impulsores de los modelos de cáncer de páncreas y así conocer la respuesta del organismo de los pacientes con cáncer. De esta forma, esta plataforma y estos modelos pueden ayudar al descubrimiento de biomarcadores de otros tipos de cáncer y abrir el camino hacia el desarrollo de nuevos tratamientos contra estas enfermedades. BIBLIOGRAFÍA CEDARS SINAI https://www.cedars-sinai.org/newsroom/cedars-sinai-develops-new-tools-to-improve-pancreatic-cancer-patient-care/ NATURE https://www.nature.com/articles/s43018-023-00697-7

Un algoritmo desarrollado por Mass General Brigham aborda la carencia de información sobre circunstancias sociales en historias clínicas electrónicas. Los determinantes sociales de la salud (SDoH, en inglés), son las condiciones en las que las personas nacen, crecen. Viven, trabajan y envejecen. Estos factores abarcan múltiples aspectos relacionados con el entorno social, económico y físico, además de los recursos disponibles para las personas. Por ejemplo, un SDoH, es el acceso a la educación, al empleado a la vivienda, a la nutrición o a la atención médica de calidad. Los determinantes tienen un impacto muy importante en la salud de las personas y además contribuyen negativamente a las disparidades de salud. Por ejemplo, en el acceso a servicios de salud especializados en zonas rurales. En este sentido, los SDoH, dejan de lado factores médicos y biológicos individuales y se enfocan en el contexto social y ambiental en el que se desenvuelven las personas. Por otra parte, existe un desafío alrededor de los SDoH y su registro. La falta de documentación sobre las circunstancias sociales de los pacientes en registros médicos electrónicos es un problema persistente para los profesionales de la salud, los investigadores e incluso los trabajadores administrativos de centros de salud. En este sentido, investigadores de Mass General Brigham han desarrollado un algoritmo de inteligencia artificial generativa (IA generativa) que, según un estudio reciente publicado en npj Digital Medicine, puede extraer información sobre SDoH de las notas de los médicos. Estos modelos afinados podrían mejorar la identificación de pacientes que podrían beneficiarse de apoyo adicional. El estudio detalla que los grandes modelos de lenguaje (LLM, en inglés) pueden ser entrenados para extraer automáticamente información sobre SDoH de las notas de los médicos. A través del modelo desarrollado, los investigadores identificaron el 93.8% de pacientes con SDoH adversos, en comparación con solo el 2% registrado mediante códigos de diagnóstico oficiales. Además, el estudio encontró que estos modelos especializados eran menos propensos a sesgos que los modelos generalistas como GPT-4. La Dra. Danielle Bitterman, autora principal del estudio, destaca la relevancia clínica de los algoritmos que pueden identificar aspectos sociales relevantes. “Nuestro objetivo es identificar a pacientes que podrían beneficiarse del apoyo social y de trabajo, y llamar la atención sobre el impacto subdocumentado de los factores sociales en los resultados de salud”, explicó. Como se mencionó anteriormente, los SDoH, como empleo, vivienda y otros aspectos no médicos, están vinculados a disparidades de salud. Sin embargo, los médicos pueden resumir SDoH relevantes en sus notas, esta información es clave y no suele organizarse de manera sistemática en los registros de salud electrónicos. Por otra parte, la investigación refleja el potencial transformador de las herramientas de IA en el ámbito de la salud. Mass General Brigham, ha desarrollado diversos estudios relacionados con el uso de LLMs, IA generativa y otras tecnologías emergentes. Finalmente, el estudio detalla que es necesario continuar investigando para comprender y mitigar los sesgos relacionados con el uso de LLM e IA generativa, para poderlos implementar en entornos clínicos, especialmente cuando utiliza información sensible y personal de los pacientes. BIBLIOGRAFÍA MASS GENERAL BRIGHAM https://www.massgeneralbrigham.org/en/about/newsroom/articles/generative-artificial-intelligence-models-effectively-highlight-social-determinants-of-health-in-doctors-notes

El Foro Económico Mundial pondrá en marcha una nueva Iniciativa de Transformación Digital de los sistemas de salud basado en lo digital, los datos y la inteligencia artificial. El Foro Económico Mundial (WEF, en inglés) en colaboración con Boston Consulting Group, elaboró un plan para la Iniciativa de Transformación Digital de la Salud, en la cual detalla los retos en salud que pueden enfrentar las soluciones digitales, los factores clave para la adopción, casos de éxito y las estrategias para acelerar la transformación digital de la salud. El emergente avance de las tecnologías digitales y la inteligencia artificial (IA), ha alcanzado a la atención médica, sin embargo, continúa siendo un desafío importante que las nuevas tecnologías logren el potencial transformador en los sistemas de salud a nivel mundial. El informe del WEF detalla un plan para la transformación digital de los sistemas de salud, detallando los retos sanitarios que las soluciones digitales pueden abordar, los factores clave para su adopción, los casos de éxito y las estrategias para acelerar la transformación digital. El WEF reconoce que las soluciones de Salud Digital pueden ampliarse y abordar los desafíos mediante la colaboración entre partes interesadas del sector salud. Por ejemplo, han surgido iniciativas a nivel mundial para potenciar los beneficios de la Salud Digital y eliminar las barreras. Para continuar por este camino de impacto positivo hacia la transformación digital de la salud, el WEF puso en marcha la Iniciativa de Transformación Digital de la Salud, la cual tiene como objetivo facilitar el compromiso público-privado en materia de Salud Digital y de datos. El documento se divide en seis temas principales:  Lo digital, los datos y la IA pueden abordar tres problemas persistentes y crecientes de la sanidad El documento detalla que los sistemas sanitarios experimentan un aumento demanda y una oferta limitada, lo que amenaza la salud de la población. En este sentido, la IA puede hacer frente a tres retos persistentes y crecientes del sistema sanitario como lo son la escasez de recursos, la creciente carga de las enfermedades crónicas y la desigualdad de resultados y de acceso a la salud. La falta de innovación no es el problema El documento resalta que lo digital, los datos y la IA ya se encuentran impactando los servicios de salud. Sin embargo, los desafíos se encuentran en el viaje del paciente o en la creación de sistemas de salud más eficientes y sostenibles. Existe la oportunidad para os digital, los datos y la IA de hacer más El informe detalla que no hemos alcanzado el potencial de las tecnologías emergentes debido a diversas barreras, no obstante, estas se pueden superar. Para liberar todo embargo, de lo digital, los datos y la IA es necesaria su ampliación y escalabilidad Los sistemas de salud requieren estrategias para priorizar los esfuerzos de transformación digital Para ello es necesario definir una estrategia digital y el WEF propone cinco habilitadores para liberar el potencial de lo digital, los datos y la IA: Datos, tecnología y analítica, incentivos y financiamiento, servicios de salud híbridos, regulación y políticas. Finalmente, el documento presenta casos de estudio exitosos de aplicaciones de lo digital, los datos y la IA en el sector sanitario. Por ejemplo, K Health, una IA avanzada que provee atención sanitaria personalizada guiada por datos; Viz.ai, que utiliza IA para acelerar el diagnóstico y tratamiento de enfermedades; USAID m-mama, un proyecto de la agencia de Cooperación Internacional de Estados Unidos en África, para combatir la mortalidad materna; y Ping An; un sistema integral que integra la atención y servicios de salud digital a gran escala en China, con más de 10 mil hospitales y 220 mil farmacias interconectadas. El sexto tema que aborda el documento es la puesta en marcha de la nueva iniciativa de transformación digital de la salud del WEF. En este sentido, el Centro de Salud y Asistencia Sanitaria del Foro está priorizando las asociaciones público-privadas para acelerar el impacto de lo digital, los datos y la IA en los ecosistemas de salud. Consulta el informe completo en el siguiente enlace: https://www3.weforum.org/docs/WEF_Transforming_Healthcare_2024.pdf BIBLIOGRAFÍA WEF https://www.weforum.org/publications/transforming-healthcare-navigating-digital-health-with-a-value-driven-approach/ https://www3.weforum.org/docs/WEF_Transforming_Healthcare_2024.pdf

Encuesta de Deloitte revela el optimismo de los consumidores respecto a la IA generativa y su impacto en la salud y a favor de la atención médica asequibles. Una encuesta realizada por Deloitte revela que los consumidores están entusiasmados con el potencial de la Inteligencia Artificial (IA) generativa para revolucionar la atención médica. Los resultados destacan la creencia generalizada en que esta tecnología podría mejorar el acceso a la atención médica y hacerla más asequible, abriendo puertas hacia una nueva era en el cuidado de la salud. El estudio, que contó con la participación de 2,014 adultos en Estados Unidos, mostró que más del 50% de los encuestados considera que la IA generativa puede mejorar el acceso a la atención médica, mientras que un 46% opina que puede reducir los costos de atención. En este sentido, los resultados muestran la y la percepción positiva de los consumidores hacia esta nueva tecnología en el ámbito de la salud. De igual manera, los resultados también mostraron que el interés por la salud impulsó a casi la mitad de los encuestados a utilizar la IA generativa. Por ejemplo, el 84% estaba familiarizado con esta tecnología. En cuanto a la fiabilidad percibida de la IA generativa en el campo médico, el 69% de los usuarios la califica como altamente confiable. Además, un 20% de los consumidores empleó esta herramienta para informarse sobre sus condiciones médicas. Por su parte, el Dr. Asif Dhar, líder de ciencias biológicas y atención médica de Deloitte, enfatizó la importancia de estos hallazgos al explicar que la IA generativa puede reducir costos, mejorar el acceso y potenciar el bienestar. También destacó que las percepciones de los consumidores son fundamentales para definir la adopción y el papel de la industria en el uso de esta tecnología en la atención médica. “La IA generativa ofrece la posibilidad de mejorar la salud, pero su implementación debe priorizar la transparencia y la construcción de un marco confiable para lograr verdaderamente el futuro de la salud”, explicó el Dr. Bill Fera de Deloitte. Sin embargo, aunque los consumidores están abiertos a la utilización de la IA generativa por parte de los médicos para proporcionar información adicional sobre sus afecciones, todavía existen ciertas barreras cuando esta tecnología se emplea en la toma de decisiones críticas en el tratamiento. Por ello la transparencia en el uso de la IA generativa es un aspecto fundamental, ya que el 80% de los consumidores considera importante que los proveedores de atención médica revelen su uso para las necesidades de salud. BIBLIOGRAFÍA PR NEWSWIRE https://www.prnewswire.com/news-releases/deloitte-consumers-believe-generative-ai-could-make-health-care-more-affordable-301989943.html

Los datos sintéticos son refieren a información generada artificialmente mediante modelos matemáticos o algoritmos con el propósito de abordar tareas específicas en ciencia de datos. El uso de datos sintéticos en la atención médica es una tendencia emergente que podría resolver problemas de privacidad y facilitar la investigación, la innovación y el desarrollo de tecnologías sanitarias. Los datos sintéticos son datos generados artificialmente que simulan datos del mundo real pero que no contienen información personal identificable de pacientes, ni información sanitaria protegida. El uso de datos sintéticos contempla diversos aspectos y desafíos como la protección de la privacidad; la innovación y la investigación; el intercambio de datos y la colaboración entre profesionales de la salud; entre otros. Los datos son fundamentales en la atención médica actual, ya que tienen el potencial de mejorar la atención al paciente, impulsar la investigación clínica y avanzar en iniciativas de salud pública. No obstante, el acceso a conjuntos de datos de alta calidad no está al alcance de todos, lo que frena la investigación y las innovaciones en salud. En este sentido, los datos sintéticos surgen como una alternativa atractiva que aborda cuestiones de privacidad, utilidad de datos, aprobaciones éticas, y sobre todo facilita la investigación al reducir costos. Uso de datos sintéticos Los datos sintéticos se han utilizado en otras áreas, como finanzas y economía, sin embargo, su aplicación en la toma de decisiones clínicas enfrenta serios desafíos debido a la responsabilidad y a otros aspectos técnicos, por ejemplo, la replicación precisa de registros médicos originales. Recientemente en un artículo publicado en npj Digital Medicine, autores exploraron y revisaron técnicas de generación de datos sintéticos, las aplicaciones de estos datos, las definiciones de datos sintéticos en el contexto de la salud, y desafíos de privacidad. Además, propusieron estrategias para mitigar riesgos y aprovechar el verdadero potencial de los datos sintéticos en la investigación médica. Los autores explican que el término “datos sintéticos” carece de una definición unificada, sin embargo, hace referencia a datos generados artificialmente con el fin de abordar tareas específicas en el campo de ciencia de datos. No obstante, la falta de una definición aceptada universalmente conlleva al uso inconsistente del término. Recientemente, la Royal Society and The Alan Turing Institute definió el término como “datos que han sido generados utilizando un modelo matemático o algoritmo diseñado con el objetivo de resolver una tarea (o conjunto de tareas) de ciencia de datos”. ¿Cómo se generan los datos sintéticos? En términos de la generación de dato, existen diversas metodologías, desde estructuras de aprendizaje profundo como las Redes Generativas Adversariales (GANs, en inglés) y los Codificadores Variacionales (VAEs, en inglés) hasta modelos econométricos basados en agentes o ecuaciones diferenciales que simulan sistemas físicos o económicos. Estas herramientas automatizadas son capaces de generar conjuntos de datos sintéticos de alta calidad y clínicamente realistas. Los datos sintéticos pueden clasificarse como parcialmente sintéticos hasta completamente sintéticos. Los datos parcialmente sintéticos combinan datos del mundo real con datos sintéticos. Este enfoque se ha utilizado en la atención médica para proteger la privacidad de los pacientes mientras permite a los investigadores realizar análisis. Por otro lado, los datos completamente sintéticos se crean desde cero basándose en reglas, modelos o simulaciones predefinidas y no representan datos del mundo real. Estos datos están diseñados para replicar la complejidad y variabilidad que se observa en escenarios del mundo real, lo que puede ser útil en situaciones donde la disponibilidad de datos es limitada. Aplicaciones de los datos sintéticos en atención médica Las aplicaciones de los datos sintéticos en salud son diversas y tienen el potencial de transformar la atención médica. Por ejemplo, tienen el potencial de estimar los beneficios de políticas de detección y atención médica, tratamientos o intervenciones clínicas, mejorar algoritmos de aprendizaje automático, como pipelines de clasificación de imágenes, preentrenar modelos de aprendizaje automático que luego se pueden ajustar para poblaciones de pacientes específicas y mejorar modelos de salud pública para predecir brotes de enfermedades infecciosas. Por ejemplo, en el ámbito de la salud mental, se ha utilizado data sintética en combinación con procesamiento de lenguaje natural (PLN) para predecir diagnósticos y fenotipos de pacientes basados en informes de alta hospitalización. Los registros electrónicos de salud (EHRs, en inglés) contienen datos de PLN que se pueden utilizar para clasificar enfermedades complejas. Dado que la información de salud mental se considera especialmente sensible, el uso de texto sintético evita el riesgo de comprometer información confidencial y sensible. Por otra parte, en el contexto de la pandemia COVID-19, los datos sintéticos también se utilizaron para mejorar la escasez de datos en estudios de imágenes médicas. Estos estudios han demostrado que el uso de datos sintéticos puede mejorar la precisión de la detección de COVID-19 en imágenes de tomografías computarizadas (TC) en comparación con los datos originales. Asimismo, a los datos sintéticos se les relaciona con el concepto de “gemelos digitales” en la atención médica, los cuales representan réplicas virtuales de sistemas físicos o procesos que se utilizan para simular y predecir su comportamiento en tiempo real. En el ámbito de la salud, los gemelos digitales pueden utilizarse para crear modelos personalizados de pacientes, lo que permite optimizar los planes de tratamiento y mejorar los resultados. De igual manera, se han utilizado para optimizar la eficiencia y operaciones hospitalarias. Desafíos y limitaciones Como se mencionó anteriormente, los autores explican otro de los aspectos más importantes en relación con los datos sintéticos, como las preocupaciones de privacidad y seguridad. En este sentido, los autores detallan que la privacidad no debe ser considerada como una idea secundaria una vez que un sistema ya ha sido diseñado e implementado, sino que debe aplicarse un enfoque de “privacidad desde el diseño”, especialmente cuando se trabaja con datos clínicos. El desafío más importante clave es garantizar que los datos sintéticos derivados de información médica sensible no revelen involuntariamente detalles identificables sobre las personas ni conduzcan a una posible reidentificación de estos pacientes, ya que violaría principios de privacidad y protección de datos. Si deseas conocer más

Investigadores de la Facultad de Medicina Icahn y de la Universidad de Michigan evaluaron el impacto de la implementación de modelos predictivos en entornos médicos. Los modelos basados en aprendizaje automático utilizados en entornos sanitarios son aplicaciones de inteligencia artificial (IA) que tienen como objetivo mejorar la atención médica, la toma de decisiones clínicas y la gestión de datos en el sector de la salud. Estos modelos aprovechan grandes conjuntos de datos de pacientes, historiales médicos, imágenes médicas y otros datos relacionados con la salud para realizar tareas específicas, como diagnóstico, pronóstico, tratamiento y gestión de registros médicos. Estos modelos pueden mejorar la precisión de diagnósticos, optimizar los tratamientos y acelerar la investigación médica. Sin embargo, es importante abordar cuestiones éticas y de privacidad relacionadas con la recopilación y el uso de datos de salud. Asimismo, es necesario evaluar el impacto y los resultados de estos modelos luego de aplicarse en entornos clínicos. En este sentido, los modelos basados en el aprendizaje automático en el ámbito sanitario pueden ser víctimas de su propio éxito, según investigadores de la Facultad de Medicina Icahn y de la Universidad de Michigan. Para ello realizaron un estudio en el cual evaluaron el impacto de la implementación de modelos predictivos en el rendimiento posterior de los mismos y otros modelos. “Queríamos explorar lo que sucede cuando un modelo de aprendizaje automático se despliega en un hospital y se le permite influir en las decisiones de los médicos para el beneficio general de los pacientes”, explicó el primer autor, Akhil Vaid, Instructor Clínico de Medicina Digital Impulsada por Datos (D3M, en inglés) en Icahn Mount Sinai. El estudio buscó comprender las consecuencias cuando un paciente supera resultados adversos como daño renal o mortalidad. Los modelos de IA son capaces de aprender y establecer correlación entre los datos de los pacientes y sus resultados correspondientes.  No obstante, el uso de los modelos también puede alterar estas relaciones. El objetivo del estudio fue estimar los cambios en el rendimiento del modelo predictivo con el uso a través de tres escenarios comunes: 1. el reentrenamiento del modelo tras su uso inicial; 2. la implementación secuencial de un modelo tras otro, es decir crear un nuevo modelo cuando ya se ha utilizado uno; y 3. la intervención en respuesta a un modelo cuando se implementan dos modelos simultáneamente, es decir el uso simultáneo de dos modelos de predicción. Para ello reunieron datos de 130 mil admisiones de cuidados críticos del sistema de salud de Mount Sinai en Nueva York y del Beth Israel Deaconess Medical Center de la ciudad de Boston. En el escenario 1, la práctica actual sugiere reentrenar los modelos para hacer frente a la degradación de su rendimiento a lo largo del tiempo. De esta forma, el reentrenamiento es capaz de mejorar inicialmente el rendimiento al adaptarse a condiciones cambiantes, sin embargo, los autores del estudio encontraron que esto puede producir paradójicamente una mayor degradación del modelo. Por otra parte, en el escenario 2, muestra que, puede ser inapropiado entrenar nuevos modelos tomando como base resultados basados en el uso de otro modelo de aprendizaje automático. Y finalmente, en el escenario 3, explica que, si dos modelos realizan predicciones simultáneas, el uso de un conjunto de predicciones deja obsoleto al otro. De esta manera las predicciones deben basarse en datos de reciente obtención, algo costoso y poco práctico según el estudio. Los resultados fueron los siguientes: Escenario 1: Sensibilidad fija del 90%, un modelo de predicción de la mortalidad perdió entre un 9% y un 39% de especificidad tras reentrenarse una vez. Escenario 2: Un modelo de predicción de la mortalidad perdió entre un 8% y un 15% de especificidad cuando se creó tras la implantación de un modelo de predicción de la lesión renal aguda (LRA). Escenario 3: Los modelos de predicción de la LRA y de la mortalidad implantados simultáneamente, cada uno de ellos condujo a una reducción de la precisión efectiva del otro entre un 1% y un 28%. “No debemos considerar que los modelos predictivos no son fiables”, explicó el coautor principal Girish Nadkarni, profesor de medicina en Icahn Mount Sinai. “Por el contrario, se trata de reconocer que estas herramientas requieren un mantenimiento regular, comprensión y contextualización. Descuidar su rendimiento y el seguimiento de su impacto puede socavar su eficacia. Debemos utilizar los modelos predictivos de forma reflexiva, como cualquier otra herramienta médica. Los sistemas de salud que aprenden deben prestar atención al hecho de que el uso indiscriminado y las actualizaciones de dichos modelos provocarán falsas alarmas, pruebas innecesarias y un aumento de los costes”. En este sentido, los autores recomiendan que los sistemas sanitarios adopten un sistema de seguimiento de personas afectadas por predicciones de aprendizaje automático y también hicieron un llamado a los organismos gubernamentales a la publicación de directrices pertinentes sobre estos modelos. Puedes consultar el estudio completo en el siguiente enlace: https://www.acpjournals.org/doi/10.7326/M23-0949 BIBLIOGRAFÍA ACP JOURNALS https://www.acpjournals.org/doi/10.7326/M23-0949 MOUNT SINAI https://www.mountsinai.org/about/newsroom/2023/what-is-the-impact-of-predictive-ai-in-the-health-care-setting