La telesalud ha mejorado la capacidad de los proveedores de atención médica de atender un volumen mayor de pacientes sin estar allí personalmente.
La telesalud a través de simples videoconferencias, la próxima generación de tecnología para telemedicina tendrá mucho más que ofrecer. Los médicos clínicos utilizarán el procesamiento de lenguaje natural para tomar notas automáticamente durante una visita. Los especialistas intervendrán a distancia durante los procedimientos de emergencia. Y los pacientes en todas partes se beneficiarán con un alto nivel de atención, sin importar dónde estén.
Beneficios de la telemedicina
La telemedicina está posibilitando un nuevo estándar de atención al mantener a los pacientes mejor conectados con sus proveedores, mejorar el acceso a médicos clínicos y especialistas y permitir que tanto los pacientes como los proveedores eviten entornos de alto riesgo.
• Mejor acceso a la atención
• Atención de alta calidad
• Eficacia clínica
• Entorno seguro para pacientes y proveedores
• Seguridad y privacidad en la telemedicina
IoT e IA en telemedicina
Los dispositivos que se llevan puestos hacen un seguimiento de las constantes vitales de un paciente a lo largo del día y transmiten datos a la nube para una evaluación sencilla y continua, tanto por parte del paciente mismo como de los proveedores de atención. Este nivel de monitoreo puede ayudar a los pacientes con condiciones crónicas a controlar mejor su propia salud e incluso podría ayudar a prevenir visitas al departamento de emergencia o para atención de urgencia. Cuando los pacientes no se sienten bien o tienen dudas, pueden programar una cita de telesalud. Un proveedor puede acceder a las lecturas continuas para brindar atención. Los puestos de autoservicio en diferentes lugares (en un centro médico, en una farmacia o en un lugar público) ofrecen a los pacientes otra manera de conectarse con los proveedores. Los puestos también podrían permitir que los pacientes programen citas y paguen sus facturas. Quienes trabajan en respuesta de emergencia pueden utilizar dispositivos de telemedicina para hacer electroencefalogramas, electrocardiogramas y otras lecturas y enviarlos al personal del hospital mientras van en camino. Los especialistas pueden brindar asesoramiento sobre el tratamiento inmediato, y el personal puede prepararse mejor para la llegada del paciente. La capacidad de responder de inmediato a emergencias puede salvar vidas, particularmente en el caso de un ataque cardíaco o un accidente cerebrovascular.
Aplicación de la (IA)
La inteligencia artificial (IA) también está aportando nuevas capacidades a la telemedicina. Por ejemplo, la IA puede dar indicaciones para que resulte más fácil obtener el historial del paciente durante una consulta de telemedicina, ajustando dinámicamente las preguntas según las respuestas.
Los algoritmos de IA también pueden ayudar en el diagnóstico, especialmente para condiciones como el melanoma. Otras herramientas basadas en IA pueden ofrecer recordatorios personalizados para medicamentos y recomendar controles rutinarios de condiciones sobre la base de los datos de monitoreo personal.
La tecnología para telemedicina permite un monitoreo y una interacción con el paciente más frecuentes con una recopilación regular de datos. Los proveedores pueden responder rápidamente a la nueva información e incentivar el autocuidado de los pacientes.
Monitoreo y consulta de pacientes a distancia
La telemedicina y otras formas de monitoreo de telesalud pueden ayudar a los pacientes y sus proveedores a trabajar juntos para manejar condiciones de salud crónicas, como una enfermedad cardiovascular, diabetes y asma. Los proveedores también pueden monitorear a los pacientes que están en su casa después de una estadía hospitalaria o mientras se recuperan de una lesión.
La próxima generación de capacidades de IA permitirá integrar aún más datos de salud a estos sistemas, ayudando a detectar patrones que señalan posibles problemas. Por ejemplo, los sistemas pueden ayudar a monitorear la presión arterial y los niveles de glucosa diariamente. Tomar la temperatura del paciente de forma regular cuando se está recuperando en su casa después de una cirugía permite que los médicos actúen rápidamente en caso de infección. Todas estas capacidades son especialmente beneficiosas para los pacientes que viven en entornos rurales, en los cuales las visitas de seguimiento presenciales requieren de un viaje significativo.
Robots de telesalud
La robótica en la atención médica puede ayudar a monitorear a los pacientes a distancia y permitir que los especialistas consulten sobre casos en hospitales rurales. Por ejemplo, los robots de telesalud autónomos pueden desplazarse hasta los pacientes en salas de examen o de hospital, lo que permite que los médicos interactúen con pacientes a distancia. Un paciente que está en cuidado intensivo puede comunicarse con un enfermero desde su cama mientras el enfermero atiende a otros pacientes y realiza otras tareas. Algunos robots pueden seguir a los médicos cuando realizan rondas, compartiendo ingresos de información en vivo con especialistas a distancia que pueden contribuir mediante consultas en pantalla. En los hospitales rurales, los médicos y especialistas pueden realizar controles a distancia. En otros casos, los médicos cubren el turno noche para los hospitales rurales desde diferentes zonas horarias. La mayoría de los robots de telesalud con autoconducción controlan sus propias baterías y regresan a la estación de carga cuando es necesario, permitiendo que los trabajadores de salud se centren en otras tareas.
Otros robots permiten que los cirujanos ayuden con las operaciones a distancia, viendo lo mismo que el cirujano que está realizando el procedimiento.
Tecnologías Intel para telemedicina
Para implementar una arquitectura de telemedicina exitosa, los proveedores y los sistemas de atención médica deben tener un plan para abordar cada una de las siguientes consideraciones:
• Adopción de políticas de seguridad y privacidad sólidas, que incluyan las que cumplan con la ley HIPAA
• Integración con software de EHR
• Implementación de una infraestructura de TI flexible y segura, que incluya capacidades de red resilientes
• Interoperabilidad entre los dispositivos y las soluciones de software
• Interfaces sencillas para el paciente y el proveedor, lo que incluye un portal de servicio al cliente fácil de usar
• Soluciones para flujos de trabajo, planificación y validación clínica
• Intel trabaja con un ecosistema diverso de fabricantes de hardware y proveedores de software para respaldar los sistemas de telemedicina que cumplen con estos requisitos. Desde los dispositivos que se llevan puestos hasta los servidores periféricos en la clínica, las tecnologías Intel® están ayudando a crear una arquitectura escalable en todo el ecosistema de tecnología médica.
Intel para Telemedicina
Unidades de procesamiento de visión Intel Movidius e Intel Distribution of OpenVINO toolkit
El hardware y el software Intel ayudan a llevar la visión computarizada a la telemedicina, lo que posibilita capacidades como el monitoreo de constantes vitales a distancia. Las unidades de procesamiento de visión Intel® Movidius™ ofrecen una variedad de capacidades informáticas para la visión computarizada en el perímetro. Intel® Distribution of OpenVINO™ toolkit simplifica el desarrollo de aplicaciones para visión en las plataformas Intel, lo que incluye VPUs y CPUs.
Intel Wi-Fi 6 e Intel 5G
La conectividad desempeña un papel fundamental en la tecnología para telemedicina. Las redes inalámbricas y los dispositivos de puntos terminales habilitados para Intel® Wi-Fi 6 ofrecen lo más reciente en desempeño Wi-Fi. Para la conectividad móvil, las tecnologías Intel® están ayudando a las redes 5G a lograr una infraestructura virtualizada y escalable. InTouch Health, por ejemplo, está ayudando a que la atención virtual sea segura, fácil y escalable al proporcionar una plataforma de nube global con tecnología Intel® para ofrecer atención para cualquier caso de uso, en cualquier entorno.
Procesadores Intel Core y procesadores Intel Atom
Los procesadores Intel vienen en una variedad de opciones de desempeño informático y consumo de energía, lo que habilita desde videochats entre los pacientes y sus médicos hasta robots de telemedicina autónomos.
Procesadores escalables Intel Xeon
Los procesadores escalables Intel Xeon ofrecen un alto desempeño para servidores periféricos en hospitales y clínicas. Esto le brinda una base sólida para administrar las grandes cantidades de datos generados por los dispositivos y sistemas conectados.
Mini PC Intel NUC
Las mini PCs Intel NUC permiten que los fabricantes creen soluciones de telesalud de formato pequeño para usar en hospitales y clínicas y en la casa de los pacientes.Tecnologías de seguridad basadas en hardware Para ayudar a los sistemas de suministro de telesalud a cumplir con la ley HIPAA y otras regulaciones de seguridad de la industria, los productos Intel® han sido diseñados con tecnologías de seguridad incorporadas y habilitadas por hardware.
Conclusiones
Una solución de telesalud impulsada por la tecnología Intel es Medical Informatics Corp. Plataforma (MIC) Sickbay.
Esta plataforma de software aprobada por la FDA recopila datos de pacientes de proveedores y equipos de unidades de cuidado intensivo para posibilitar el monitoreo de pacientes a distancia. En consecuencia, los sistemas de salud podrían estar en condiciones de ampliar rápidamente la capacidad de las unidades de cuidado intensivo, ayudando a reducir la exposición a los patógenos. Además, los proveedores pueden acceder a datos completos de los pacientes desde cualquier PC, tableta o teléfono para monitorear hasta 100 pacientes en los establecimientos.
Houston Methodist Hospital amplió su uso de la plataforma Sickbay para preparar las unidades de cuidado intensivo como parte de la respuesta del hospital al COVID-19.
Otra solución para socios de InTouch Health utiliza la tecnología Intel® para ofrecer una plataforma de nube global para la atención virtual. La plataforma es compatible con una variedad de dispositivos y servicios administrados que hacen que la atención virtual sea fácil y escalable.
Durante la pandemia de COVID-19, la tecnología para telemedicina se convirtió en una defensa crítica contra el virus. Pero también ha demostrado su capacidad de mejorar el suministro de atención en general. La telemedicina conecta a especialistas a distancia para obtener asistencia de emergencia, permite que los trabajadores de la salud eviten la exposición a los patógenos y proporciona continuidad de la atención para los pacientes con enfermedades crónicas. Los proveedores, los administradores de salud y los pacientes por igual se han dado cuenta de la comodidad, el nivel de calidad y la innovación que la tecnología para telemedicina puede aportar al modo en que se suministra atención médica.
La telemedicina permite que los equipos de salud simplifiquen los controles de rutina y el monitoreo continuo de los pacientes y que proporcionen más atención presencial donde resulta más necesario. A medida que la tecnología para telemedicina evoluciona, los avances en IA y en la informática del perímetro permitirán un mayor uso de los análisis en tiempo real para hacer diagnósticos, responder rápidamente ante emergencias y compartir información. Al trabajar con los desarrolladores de hardware y software dentro del ecosistema de salud, Intel apoya la tecnología para telemedicina que se escalará para satisfacer una variedad más amplia de necesidades de atención médica.
La tecnología para telemedicina integra comunicaciones, equipos médicos y otros dispositivos de puntos terminales para distribuir servicios de salud a distancia. Las tecnologías de IA, IoT y perímetros más recientes están la realización de análisis detallados de datos de salud a distancia en tiempo real, lo que puede mejorar la calidad de la atención.
Biografía
https://www.ambit-bst.com/
https://www.intel.la/
Se encontraron 4 coincidencias
- 21 Dic 2022, 23:16
- Foros: Inteligencia Artificial
- Tema: Telemedicina impulsada por IA e IOT
- Respuestas: 0
- Vistas: 416
- 21 Dic 2022, 23:10
- Foros: Inteligencia Artificial
- Tema: Machine Learning aplicado a la medicina
- Respuestas: 0
- Vistas: 451
Machine Learning aplicado a la medicina
Estas aplicaciones en salud demuestran ser un complemento de la práctica clínica con buenos resultados. Sin embargo, incorporar tecnologías disruptivas en medicina no resulta fácil, por los principios de no maleficencia, beneficencia, autonomía y justicia que debe velar el acto médico, y por ser complejo y difícil romper paradigmas en un entorno donde la experiencia y la percepción clínica son fundamentales.
Hasta hace poco al solicitar datos de registros médicos electrónicos a las unidades de informática o estadística, estas se condicionaban a entregar solo texto estructurado tabulado (tablas), dejando de lado el “texto libre” argumentando, además de la dificultad técnica de su obtención en algunos casos, que no serían de utilidad porque “no se podían procesar”, perdiéndose valiosa información referente a situaciones clínicas que se encuentra en evoluciones, informes, protocolos operatorios, etc. Los sistemas de registros clínicos electrónicos como Electronic Health Record y EHR fueron concebidos inicialmente con fines de gestión administrativa-financiera, más que clínica. Con el desarrollo en el mundo médico y de la administración en salud han visto la utilidad de los datos y de su correcto análisis e interpretación en pro de realizar una medicina más eficiente y segura. No es si no hasta las últimas décadas donde, además de estar logrando importantes avances en la estandarización e interoperabilidad de los sistemas de registros a nivel global es que se le está dando la valiosa utilidad de procesar esos grandes e incrementales volúmenes de datos almacenados en forma diaria.
Para los médicos clínicos comienza a ser una poderosa herramienta de la que podemos valernos en distintos aspectos y con la cual debemos familiarizarnos. Es relevante y satisfactorio a la vez saber que con esta manera de modelar datos podemos reencontrarnos con una utilidad real (del punto de vista del análisis) de largos textos de evoluciones clínicas, interconsultas, informes, protocolos, etc. Al mismo tiempo, despierta el interés en líneas de investigación donde podamos encontrar asociaciones o incluso nueva información que de otra manera no veríamos, que puedan responder a hipótesis o ayudarnos a encontrar respuestas a problemas de la práctica diaria. A medida que estos modelos de texto libre va -ya evolucionando (“aprendiendo” con nuestros propios datos) nos van a ayudar, a su vez, a “mejorar” la propia escritura, en el sentido de entender o interpretar mejor las abreviaturas, planteamientos diagnósticos o terapéuticos, y corregir errores involuntarios en la redacción o escritura de terminología y semiología médica que los procesadores actuales aún no comprende.
La predicción no es algo nuevo en medicina. Desde puntajes de riesgo para guiar la anticoagulación (CHADS2) y el uso de fármacos para el colesterol alto (ASCVD), a la estratificación de riesgo de pacientes de unidades de cuidados intensivos (APACHE), entre muchas otras, las predicciones clínicas basadas en datos son pruebas rutinarias en la práctica clínica. Actualmente, en combinación con técnicas modernas de aprendizaje automático, diversas fuentes de datos clínicos nos permiten generar rápidamente o en tiempo real modelos de predicciones para miles de tareas o problemas clínicos similares. Además, se ha podido incluir en la elaboración de estos modelos distintos tipos de datos no estructurados que antes no era posible procesar como parte de un modelo predictivo con métodos tradicionales (por ejemplo, gran cantidad de texto libre ampliamente usado en los registros clínicos, imágenes directas desde su captura, visión por computadora, etc.)
En salud, el tiempo del diagnóstico es un factor crucial en el pronóstico del paciente. El potencial de aplicabilidad de esta aproximación del uso de los datos clínicos es sustancial, tanto para sistemas de alertas críticas tempranas como en el diagnóstico por imágenes de alta precisión, optimizar la gestión de citas clínicas, entre otros. A pesar de que evidentemente los algoritmos predictivos no pueden eliminar la incertidumbre de la toma de decisiones en medicina, sí logran mejorar u optimizar la asignación de recursos en la atención médica, tanto humanos como físicos. Por ejemplo, el índice de gravedad de embolia pulmonar (PESI - Pulmonary Embolism Severity Index) es un modelo predictivo
ampliamente validado como riesgo de muerte por esta condición y otras priorizan de una manera adecuada a pacientes en esperade trasplante de hígado por medio del puntaje MELD (Model forEnd-stage Liver Disease). sistemas de alerta temprana, que con técnicas tradicionales hubieran demorado años en desarrollarse, ahora pueden aplicarse y optimizarse de forma rápida a partir de datos del mundo real y de forma continua a medida que ocurren. Igualmente, las redes neuronales de aprendizaje profundo son capaces de reconocer de manera rutinaria imágenes patológicas con una alta precisión que antes se creía imposible. Se debe enfatizar que estos modelos, como otros, en las distintas áreas del aprendizaje automático, no son infalibles y al igual que cualquier humano se equivocan en sus resultados en un porcentaje de veces. De hecho, las métricas con las que se entrenan y evalúa el rendimiento de un algoritmo en desarrollo se basan principalmente en “minimizar el error” (como el promedio de error cuadrático-RMSE, Root Mean Square Error). En la transición contemporánea que estamos viviendo de incorporar cada vez más estas técnicas a la práctica clínica diaria, se tiende a esperar que no cometan errores por el sólo hecho de ser realizadas por máquinas o computadores modernos denominados inteligentes, y que pueden llegar a ser erróneamente desestimados por no tener una precisión del 100%.
Discutir si los modelos predictivos de aprendizaje de máquina van a llegar a ser “más inteligentes” que los mismos profesionales de salud pareciera ser irrelevante. Es indiscutible que, en la salud, como en todas las otras industrias, los expertos del dominio son un eslabón fundamental e irremplazable en el modelo de trabajo de la ciencia de datos, que le dan sentido y modulan tanto la creación como el uso clínico de estos algoritmos. Sin duda, cada vez más, el resultado final de estas herramientas puede asemejarse o acercarse a un “comportamiento humano”, integrando varios modelos predictivos (eligiendo incluso cuáles se debe usar dependiendo del caso específico) en un mismo momento y en muy corto tiempo para tomar decisiones complejas (de diagnósticos o tratamientos) de forma casi automática o en tiempo real. No obstante, no hay que olvidar que en su lógica más básica no son más que operaciones matemáticas de matrices y tensores de alta dimensionalidad que no piensan, no sienten, ni tienen la intangible interacción humana ni sus virtudes (“ojo clínico”) que ninguna máquina ha reemplazado ni reemplazará, desde los trabajos de Alan Turing a nuestros días y en el futuro.
Aplicación de algortimos en esclerosis múltiple u otras enfermedades
La revisión se realizó empleando el motor de búsqueda “PubMed” de libre acceso que permite consultar la base de datos MEDLINE. La selección de estudios se realizó introduciendo como conceptos de búsqueda Machine Learning para uso de esclerosis, unidos por el operador booleano”AND” para limitar la búsqueda a aquellos estudios que contuviera ambos conceptos. La búsqueda se realizó sin límite inferior en el año de publicación y con fecha de cierre. Se rechazaron aquellos estudios que tuvieran un carácter técnico y sin una aportación específica a la esclerosis múltiple (criterio 1); aquellos que estuvieran en otro idioma que no fuera el castellano o el inglés (criterio 2); y aquellos trabajos que fueran revisiones (criterio 3). Sin embargo, en este último caso, se rastreó entre sus referencias, para localizar estudios que trataran de la aplicación de ML en la EM y que no hubieran sido mostrados por el motor de búsqueda inicialmente. Las características de esta investigación (criterios de selección de los estudios) establecen a priori un bajo nivel de sesgo, sin embargo, algunas consideraciones se tuvieron en cuenta para minimizar esta posible amenaza.
Por un lado, no se establecieron limitaciones en cuanto al tipo de revista (aspectos como la posición de cuartil o el factor de impacto) o en los años de publicación. Sí se eliminaron las revisiones como referencias elegibles (para evitar posibles duplicaciones), aunque sí se emplearon para poder rastrear referencias no halladas por el motor de búsqueda. Por último, no se han incluido aquellos trabajos enfocados a la mejora en la exploración de resonancia magnética nuclear (RMN) aunque se ha realizado un comentario específico al respecto.
En las herramientas de la inteligencia artificial liderarán parte de los avances más relevantes en la práctica clínica. Entre las limitaciones de este estudio debemos destacar algunas consideraciones. El motor de búsqueda PubMed puede cometer errores en su rastreo de los artículos publicados hasta la fecha.
Sin embargo, el análisis de los apartados de bibliografía de los diferentes artículos analizados minimiza la posibilidad de que un número elevado de artículos relacionados con el ML y la EM no hayan sido incluidos en la revisión. Otro aspecto que puede tenerse en cuenta es que existen otros conceptos como” Deep Learning” que pueden ser de interés en su aplicación en la EM y están relacionados con el ML. En futuras revisiones sobre el ML y su aplicación sobre la EM u otras patologías, deberá contemplarse la posibilidad de ampliar las palabras clave a otras posibles acepciones como “Deep Learning” o “Network representation learning”
Resultados
Tras la búsqueda, se obtuvieron 107 estudios de los cuales:
31 fueron rechazados en atención al criterio de exclusión 1;
Ninguno fue retirado por el criterio de exclusión 2.
7 fueron excluidos por el criterio de exclusión 3 (revisiones).
En el caso de los estudios rechazados por el criterio 3, el rastreo posterior de sus propias referencias rindió 7 estudios no hallados en la búsqueda inicial y que por tanto fueron añadidos a la muestra seleccionada para esta revisión.
El total de estudios aceptados finalmente en esta revisión fue de 76 y el número de rechazados 38.
Respecto de las diversas revisiones halladas en la búsqueda, es necesario destacar que muestran ya un cierto grado de madurez del campo del ML en la disciplina de la Neurología. Sin embargo, la mayoría de estas revisiones abordan múltiples patologías neurológicas.
Bibliografía
• REVISTA MÉDICA CLÍNICA LAS CONDES
Javier Mora Pineda
https://www.journals.elsevier.com/revis ... las-condes
• Revisión sistemática de la aplicación de algoritmos de «machine learning» en la esclerosis múltiple M. Vázquez-Marrufoa, E. Sarrias-Arrabal a, M. García-Torres b, R. Martín-Clementec y G. Izquierdo
Hasta hace poco al solicitar datos de registros médicos electrónicos a las unidades de informática o estadística, estas se condicionaban a entregar solo texto estructurado tabulado (tablas), dejando de lado el “texto libre” argumentando, además de la dificultad técnica de su obtención en algunos casos, que no serían de utilidad porque “no se podían procesar”, perdiéndose valiosa información referente a situaciones clínicas que se encuentra en evoluciones, informes, protocolos operatorios, etc. Los sistemas de registros clínicos electrónicos como Electronic Health Record y EHR fueron concebidos inicialmente con fines de gestión administrativa-financiera, más que clínica. Con el desarrollo en el mundo médico y de la administración en salud han visto la utilidad de los datos y de su correcto análisis e interpretación en pro de realizar una medicina más eficiente y segura. No es si no hasta las últimas décadas donde, además de estar logrando importantes avances en la estandarización e interoperabilidad de los sistemas de registros a nivel global es que se le está dando la valiosa utilidad de procesar esos grandes e incrementales volúmenes de datos almacenados en forma diaria.
Para los médicos clínicos comienza a ser una poderosa herramienta de la que podemos valernos en distintos aspectos y con la cual debemos familiarizarnos. Es relevante y satisfactorio a la vez saber que con esta manera de modelar datos podemos reencontrarnos con una utilidad real (del punto de vista del análisis) de largos textos de evoluciones clínicas, interconsultas, informes, protocolos, etc. Al mismo tiempo, despierta el interés en líneas de investigación donde podamos encontrar asociaciones o incluso nueva información que de otra manera no veríamos, que puedan responder a hipótesis o ayudarnos a encontrar respuestas a problemas de la práctica diaria. A medida que estos modelos de texto libre va -ya evolucionando (“aprendiendo” con nuestros propios datos) nos van a ayudar, a su vez, a “mejorar” la propia escritura, en el sentido de entender o interpretar mejor las abreviaturas, planteamientos diagnósticos o terapéuticos, y corregir errores involuntarios en la redacción o escritura de terminología y semiología médica que los procesadores actuales aún no comprende.
La predicción no es algo nuevo en medicina. Desde puntajes de riesgo para guiar la anticoagulación (CHADS2) y el uso de fármacos para el colesterol alto (ASCVD), a la estratificación de riesgo de pacientes de unidades de cuidados intensivos (APACHE), entre muchas otras, las predicciones clínicas basadas en datos son pruebas rutinarias en la práctica clínica. Actualmente, en combinación con técnicas modernas de aprendizaje automático, diversas fuentes de datos clínicos nos permiten generar rápidamente o en tiempo real modelos de predicciones para miles de tareas o problemas clínicos similares. Además, se ha podido incluir en la elaboración de estos modelos distintos tipos de datos no estructurados que antes no era posible procesar como parte de un modelo predictivo con métodos tradicionales (por ejemplo, gran cantidad de texto libre ampliamente usado en los registros clínicos, imágenes directas desde su captura, visión por computadora, etc.)
En salud, el tiempo del diagnóstico es un factor crucial en el pronóstico del paciente. El potencial de aplicabilidad de esta aproximación del uso de los datos clínicos es sustancial, tanto para sistemas de alertas críticas tempranas como en el diagnóstico por imágenes de alta precisión, optimizar la gestión de citas clínicas, entre otros. A pesar de que evidentemente los algoritmos predictivos no pueden eliminar la incertidumbre de la toma de decisiones en medicina, sí logran mejorar u optimizar la asignación de recursos en la atención médica, tanto humanos como físicos. Por ejemplo, el índice de gravedad de embolia pulmonar (PESI - Pulmonary Embolism Severity Index) es un modelo predictivo
ampliamente validado como riesgo de muerte por esta condición y otras priorizan de una manera adecuada a pacientes en esperade trasplante de hígado por medio del puntaje MELD (Model forEnd-stage Liver Disease). sistemas de alerta temprana, que con técnicas tradicionales hubieran demorado años en desarrollarse, ahora pueden aplicarse y optimizarse de forma rápida a partir de datos del mundo real y de forma continua a medida que ocurren. Igualmente, las redes neuronales de aprendizaje profundo son capaces de reconocer de manera rutinaria imágenes patológicas con una alta precisión que antes se creía imposible. Se debe enfatizar que estos modelos, como otros, en las distintas áreas del aprendizaje automático, no son infalibles y al igual que cualquier humano se equivocan en sus resultados en un porcentaje de veces. De hecho, las métricas con las que se entrenan y evalúa el rendimiento de un algoritmo en desarrollo se basan principalmente en “minimizar el error” (como el promedio de error cuadrático-RMSE, Root Mean Square Error). En la transición contemporánea que estamos viviendo de incorporar cada vez más estas técnicas a la práctica clínica diaria, se tiende a esperar que no cometan errores por el sólo hecho de ser realizadas por máquinas o computadores modernos denominados inteligentes, y que pueden llegar a ser erróneamente desestimados por no tener una precisión del 100%.
Discutir si los modelos predictivos de aprendizaje de máquina van a llegar a ser “más inteligentes” que los mismos profesionales de salud pareciera ser irrelevante. Es indiscutible que, en la salud, como en todas las otras industrias, los expertos del dominio son un eslabón fundamental e irremplazable en el modelo de trabajo de la ciencia de datos, que le dan sentido y modulan tanto la creación como el uso clínico de estos algoritmos. Sin duda, cada vez más, el resultado final de estas herramientas puede asemejarse o acercarse a un “comportamiento humano”, integrando varios modelos predictivos (eligiendo incluso cuáles se debe usar dependiendo del caso específico) en un mismo momento y en muy corto tiempo para tomar decisiones complejas (de diagnósticos o tratamientos) de forma casi automática o en tiempo real. No obstante, no hay que olvidar que en su lógica más básica no son más que operaciones matemáticas de matrices y tensores de alta dimensionalidad que no piensan, no sienten, ni tienen la intangible interacción humana ni sus virtudes (“ojo clínico”) que ninguna máquina ha reemplazado ni reemplazará, desde los trabajos de Alan Turing a nuestros días y en el futuro.
Aplicación de algortimos en esclerosis múltiple u otras enfermedades
La revisión se realizó empleando el motor de búsqueda “PubMed” de libre acceso que permite consultar la base de datos MEDLINE. La selección de estudios se realizó introduciendo como conceptos de búsqueda Machine Learning para uso de esclerosis, unidos por el operador booleano”AND” para limitar la búsqueda a aquellos estudios que contuviera ambos conceptos. La búsqueda se realizó sin límite inferior en el año de publicación y con fecha de cierre. Se rechazaron aquellos estudios que tuvieran un carácter técnico y sin una aportación específica a la esclerosis múltiple (criterio 1); aquellos que estuvieran en otro idioma que no fuera el castellano o el inglés (criterio 2); y aquellos trabajos que fueran revisiones (criterio 3). Sin embargo, en este último caso, se rastreó entre sus referencias, para localizar estudios que trataran de la aplicación de ML en la EM y que no hubieran sido mostrados por el motor de búsqueda inicialmente. Las características de esta investigación (criterios de selección de los estudios) establecen a priori un bajo nivel de sesgo, sin embargo, algunas consideraciones se tuvieron en cuenta para minimizar esta posible amenaza.
Por un lado, no se establecieron limitaciones en cuanto al tipo de revista (aspectos como la posición de cuartil o el factor de impacto) o en los años de publicación. Sí se eliminaron las revisiones como referencias elegibles (para evitar posibles duplicaciones), aunque sí se emplearon para poder rastrear referencias no halladas por el motor de búsqueda. Por último, no se han incluido aquellos trabajos enfocados a la mejora en la exploración de resonancia magnética nuclear (RMN) aunque se ha realizado un comentario específico al respecto.
En las herramientas de la inteligencia artificial liderarán parte de los avances más relevantes en la práctica clínica. Entre las limitaciones de este estudio debemos destacar algunas consideraciones. El motor de búsqueda PubMed puede cometer errores en su rastreo de los artículos publicados hasta la fecha.
Sin embargo, el análisis de los apartados de bibliografía de los diferentes artículos analizados minimiza la posibilidad de que un número elevado de artículos relacionados con el ML y la EM no hayan sido incluidos en la revisión. Otro aspecto que puede tenerse en cuenta es que existen otros conceptos como” Deep Learning” que pueden ser de interés en su aplicación en la EM y están relacionados con el ML. En futuras revisiones sobre el ML y su aplicación sobre la EM u otras patologías, deberá contemplarse la posibilidad de ampliar las palabras clave a otras posibles acepciones como “Deep Learning” o “Network representation learning”
Resultados
Tras la búsqueda, se obtuvieron 107 estudios de los cuales:
31 fueron rechazados en atención al criterio de exclusión 1;
Ninguno fue retirado por el criterio de exclusión 2.
7 fueron excluidos por el criterio de exclusión 3 (revisiones).
En el caso de los estudios rechazados por el criterio 3, el rastreo posterior de sus propias referencias rindió 7 estudios no hallados en la búsqueda inicial y que por tanto fueron añadidos a la muestra seleccionada para esta revisión.
El total de estudios aceptados finalmente en esta revisión fue de 76 y el número de rechazados 38.
Respecto de las diversas revisiones halladas en la búsqueda, es necesario destacar que muestran ya un cierto grado de madurez del campo del ML en la disciplina de la Neurología. Sin embargo, la mayoría de estas revisiones abordan múltiples patologías neurológicas.
Bibliografía
• REVISTA MÉDICA CLÍNICA LAS CONDES
Javier Mora Pineda
https://www.journals.elsevier.com/revis ... las-condes
• Revisión sistemática de la aplicación de algoritmos de «machine learning» en la esclerosis múltiple M. Vázquez-Marrufoa, E. Sarrias-Arrabal a, M. García-Torres b, R. Martín-Clementec y G. Izquierdo
- 21 Dic 2022, 23:03
- Foros: Inteligencia Artificial
- Tema: Machine Learning aplicados a la Medicina en el Perú
- Respuestas: 0
- Vistas: 394
Machine Learning aplicados a la Medicina en el Perú
Estas aplicaciones en salud demuestran ser un complemento de la práctica clínica con buenos resultados. Sin embargo, incorporar tecnologías disruptivas en medicina no resulta fácil, por los principios de no maleficencia, beneficencia, autonomía y justicia que debe velar el acto médico, y por ser complejo y difícil romper paradigmas en un entorno donde la experiencia y la percepción clínica son fundamentales.
Hasta hace poco al solicitar datos de registros médicos electrónicos a las unidades de informática o estadística, estas se condicionaban a entregar solo texto estructurado tabulado (tablas), dejando de lado el “texto libre” argumentando, además de la dificultad técnica de su obtención en algunos casos, que no serían de utilidad porque “no se podían procesar”, perdiéndose valiosa información referente a situaciones clínicas que se encuentra en evoluciones, informes, protocolos operatorios, etc. Los sistemas de registros clínicos electrónicos como Electronic Health Record y EHR fueron concebidos inicialmente con fines de gestión administrativa-financiera, más que clínica. Con el desarrollo en el mundo médico y de la administración en salud han visto la utilidad de los datos y de su correcto análisis e interpretación en pro de realizar una medicina más eficiente y segura. No es si no hasta las últimas décadas donde, además de estar logrando importantes avances en la estandarización e interoperabilidad de los sistemas de registros a nivel global es que se le está dando la valiosa utilidad de procesar esos grandes e incrementales volúmenes de datos almacenados en forma diaria.
Para los médicos clínicos comienza a ser una poderosa herramienta de la que podemos valernos en distintos aspectos y con la cual debemos familiarizarnos. Es relevante y satisfactorio a la vez saber que con esta manera de modelar datos podemos reencontrarnos con una utilidad real (del punto de vista del análisis) de largos textos de evoluciones clínicas, interconsultas, informes, protocolos, etc. Al mismo tiempo, despierta el interés en líneas de investigación donde podamos encontrar asociaciones o incluso nueva información que de otra manera no veríamos, que puedan responder a hipótesis o ayudarnos a encontrar respuestas a problemas de la práctica diaria. A medida que estos modelos de texto libre va -ya evolucionando (“aprendiendo” con nuestros propios datos) nos van a ayudar, a su vez, a “mejorar” la propia escritura, en el sentido de entender o interpretar mejor las abreviaturas, planteamientos diagnósticos o terapéuticos, y corregir errores involuntarios en la redacción o escritura de terminología y semiología médica que los procesadores actuales aún “no entienden
La predicción no es algo nuevo en medicina. Desde puntajes de riesgo para guiar la anticoagulación (CHADS2) y el uso de fármacos para el colesterol alto (ASCVD), a la estratificación de riesgo de pacientes de unidades de cuidados intensivos (APACHE), entre muchas otras, las predicciones clínicas basadas en datos son pruebas rutinarias en la práctica clínica. Actualmente, en combinación con técnicas modernas de aprendizaje automático, diversas fuentes de datos clínicos nos permiten generar rápidamente o en tiempo real modelos de predicciones para miles de tareas o problemas clínicos similares. Además, se ha podido incluir en la elaboración de estos modelos distintos tipos de datos no estructurados que antes no era posible procesar como parte de un modelo predictivo con métodos tradicionales (por ejemplo, gran cantidad de texto libre ampliamente usado en los registros clínicos, imágenes directas desde su captura, visión por computadora, etc.)
En salud, el tiempo del diagnóstico es un factor crucial en el pronóstico del paciente. El potencial de aplicabilidad de esta aproximación del uso de los datos clínicos es sustancial, tanto para sistemas de alertas críticas tempranas como en el diagnóstico por imágenes de alta precisión, optimizar la gestión de citas clínicas, entre otros. A pesar de que evidentemente los algoritmos predictivos no pueden eliminar la incertidumbre de la toma de decisiones en medicina, sí logran mejorar u optimizar la asignación de recursos en la atención médica, tanto humanos como físicos. Por ejemplo, el índice de gravedad de embolia pulmonar (PESI - Pulmonary Embolism Severity Index) es un modelo predictivo ampliamente validado como riesgo de muerte por esta condición y otras priorizan de una manera adecuada a pacientes en esperade trasplante de hígado por medio del puntaje MELD (Model forEnd-stage Liver Disease). sistemas de alerta temprana, que con técnicas tradicionales hubieran demorado años en desarrollarse, ahora pueden aplicarse y optimizarse de forma rápida a partir de datos del mundo real y de forma continua a medida que ocurren. Igualmente, las redes neuronales de aprendizaje profundo son capaces de reconocer de manera rutinaria imágenes patológicas con una alta precisión que antes se creía imposible. Se debe enfatizar que estos modelos, como otros, en las distintas áreas del aprendizaje automático, no son infalibles y al igual que cualquier humano se equivocan en sus resultados en un porcentaje de veces. De hecho, las métricas con las que se entrenan y evalúa el rendimiento de un algoritmo en desarrollo se basan principalmente en “minimizar el error” (como el promedio de error cuadrático-RMSE, Root Mean Square Error). En la transición contemporánea que estamos viviendo de incorporar cada vez más estas técnicas a la práctica clínica diaria, se tiende a esperar que no cometan errores por el sólo hecho de ser realizadas por máquinas o computadores modernos denominados inteligentes, y que pueden llegar a ser erróneamente desestimados por no tener una precisión del 100%.
Discutir si los modelos predictivos de aprendizaje de máquina van a llegar a ser “más inteligentes” que los mismos profesionales de salud pareciera ser irrelevante. Es indiscutible que, en la salud, como en todas las otras industrias, los expertos del dominio son un eslabón fundamental e irremplazable en el modelo de trabajo de la ciencia de datos, que le dan sentido y modulan tanto la creación como el uso clínico de estos algoritmos. Sin duda, cada vez más, el resultado final de estas herramientas puede asemejarse o acercarse a un “comportamiento humano”, integrando varios modelos predictivos (eligiendo incluso cuáles se debe usar dependiendo del caso específico) en un mismo momento y en muy corto tiempo para tomar decisiones complejas (de diagnósticos o tratamientos) de forma casi automática o en tiempo real. No obstante, no hay que olvidar que en su lógica más básica no son más que operaciones matemáticas de matrices y tensores de alta dimensionalidad que no piensan, no sienten, ni tienen la intangible interacción humana ni sus virtudes (“ojo clínico”) que ninguna máquina ha reemplazado ni reemplazará, desde los trabajos de Alan Turing a nuestros días y en el futuro.
Aplicación de algortimos en esclerosis múltiple u otras enfermedades
La revisión se realizó empleando el motor de búsqueda “PubMed” de libre acceso que permite consultar la base de datos MEDLINE. La selección de estudios se realizó introduciendo como conceptos de búsqueda Machine Learning para uso de esclerosis, unidos por el operador booleano”AND” para limitar la búsqueda a aquellos estudios que contuviera ambos conceptos. La búsqueda se realizó sin límite inferior en el año de publicación y con fecha de cierre. Se rechazaron aquellos estudios que tuvieran un carácter técnico y sin una aportación específica a la esclerosis múltiple (criterio 1); aquellos que estuvieran en otro idioma que no fuera el castellano o el inglés (criterio 2); y aquellos trabajos que fueran revisiones (criterio 3). Sin embargo, en este último caso, se rastreó entre sus referencias, para localizar estudios que trataran de la aplicación de ML en la EM y que no hubieran sido mostrados por el motor de búsqueda inicialmente. Las características de esta investigación (criterios de selección de los estudios) establecen a priori un bajo nivel de sesgo, sin embargo, algunas consideraciones se tuvieron en cuenta para minimizar esta posible amenaza.
Por un lado, no se establecieron limitaciones en cuanto al tipo de revista (aspectos como la posición de cuartil o el factor de impacto) o en los años de publicación. Sí se eliminaron las revisiones como referencias elegibles (para evitar posibles duplicaciones), aunque sí se emplearon para poder rastrear referencias no halladas por el motor de búsqueda. Por último, no se han incluido aquellos trabajos enfocados a la mejora en la exploración de resonancia magnética nuclear (RMN) aunque se ha realizado un comentario específico al respecto.
En las herramientas de la inteligencia artificial liderarán parte de los avances más relevantes en la práctica clínica. Entre las limitaciones de este estudio debemos destacar algunas consideraciones. El motor de búsqueda PubMed puede cometer errores en su rastreo de los artículos publicados hasta la fecha.
Sin embargo, el análisis de los apartados de bibliografía de los diferentes artículos analizados minimiza la posibilidad de que un número elevado de artículos relacionados con el ML y la EM no hayan sido incluidos en la revisión. Otro aspecto que puede tenerse en cuenta es que existen otros conceptos como” Deep Learning” que pueden ser de interés en su aplicación en la EM y están relacionados con el ML. En futuras revisiones sobre el ML y su aplicación sobre la EM u otras patologías, deberá contemplarse la posibilidad de ampliar las palabras clave a otras posibles acepciones como “Deep Learning” o “Network representation learning”
Resultados
Tras la búsqueda, se obtuvieron 107 estudios de los cuales:
31 fueron rechazados en atención al criterio de exclusión 1;
Ninguno fue retirado por el criterio de exclusión 2.
7 fueron excluidos por el criterio de exclusión 3 (revisiones).
En el caso de los estudios rechazados por el criterio 3, el rastreo posterior de sus propias referencias rindió 7 estudios no hallados en la búsqueda inicial y que por tanto fueron añadidos a la muestra seleccionada para esta revisión.
El total de estudios aceptados finalmente en esta revisión fue de 76 y el número de rechazados 38.
Respecto de las diversas revisiones halladas en la búsqueda, es necesario destacar que muestran ya un cierto grado de madurez del campo del ML en la disciplina de la Neurología. Sin embargo, la mayoría de estas revisiones abordan múltiples patologías neurológicas.
Bibliografía
• REVISTA MÉDICA CLÍNICA LAS CONDES
Javier Mora Pineda
https://www.journals.elsevier.com/revis ... las-condes
• Revisión sistemática de la aplicación de algoritmos de «machine learning» en la esclerosis múltiple M. Vázquez-Marrufoa, E. Sarrias-Arrabal a, M. García-Torres b, R. Martín-Clementec y G. Izquierdo
Hasta hace poco al solicitar datos de registros médicos electrónicos a las unidades de informática o estadística, estas se condicionaban a entregar solo texto estructurado tabulado (tablas), dejando de lado el “texto libre” argumentando, además de la dificultad técnica de su obtención en algunos casos, que no serían de utilidad porque “no se podían procesar”, perdiéndose valiosa información referente a situaciones clínicas que se encuentra en evoluciones, informes, protocolos operatorios, etc. Los sistemas de registros clínicos electrónicos como Electronic Health Record y EHR fueron concebidos inicialmente con fines de gestión administrativa-financiera, más que clínica. Con el desarrollo en el mundo médico y de la administración en salud han visto la utilidad de los datos y de su correcto análisis e interpretación en pro de realizar una medicina más eficiente y segura. No es si no hasta las últimas décadas donde, además de estar logrando importantes avances en la estandarización e interoperabilidad de los sistemas de registros a nivel global es que se le está dando la valiosa utilidad de procesar esos grandes e incrementales volúmenes de datos almacenados en forma diaria.
Para los médicos clínicos comienza a ser una poderosa herramienta de la que podemos valernos en distintos aspectos y con la cual debemos familiarizarnos. Es relevante y satisfactorio a la vez saber que con esta manera de modelar datos podemos reencontrarnos con una utilidad real (del punto de vista del análisis) de largos textos de evoluciones clínicas, interconsultas, informes, protocolos, etc. Al mismo tiempo, despierta el interés en líneas de investigación donde podamos encontrar asociaciones o incluso nueva información que de otra manera no veríamos, que puedan responder a hipótesis o ayudarnos a encontrar respuestas a problemas de la práctica diaria. A medida que estos modelos de texto libre va -ya evolucionando (“aprendiendo” con nuestros propios datos) nos van a ayudar, a su vez, a “mejorar” la propia escritura, en el sentido de entender o interpretar mejor las abreviaturas, planteamientos diagnósticos o terapéuticos, y corregir errores involuntarios en la redacción o escritura de terminología y semiología médica que los procesadores actuales aún “no entienden
La predicción no es algo nuevo en medicina. Desde puntajes de riesgo para guiar la anticoagulación (CHADS2) y el uso de fármacos para el colesterol alto (ASCVD), a la estratificación de riesgo de pacientes de unidades de cuidados intensivos (APACHE), entre muchas otras, las predicciones clínicas basadas en datos son pruebas rutinarias en la práctica clínica. Actualmente, en combinación con técnicas modernas de aprendizaje automático, diversas fuentes de datos clínicos nos permiten generar rápidamente o en tiempo real modelos de predicciones para miles de tareas o problemas clínicos similares. Además, se ha podido incluir en la elaboración de estos modelos distintos tipos de datos no estructurados que antes no era posible procesar como parte de un modelo predictivo con métodos tradicionales (por ejemplo, gran cantidad de texto libre ampliamente usado en los registros clínicos, imágenes directas desde su captura, visión por computadora, etc.)
En salud, el tiempo del diagnóstico es un factor crucial en el pronóstico del paciente. El potencial de aplicabilidad de esta aproximación del uso de los datos clínicos es sustancial, tanto para sistemas de alertas críticas tempranas como en el diagnóstico por imágenes de alta precisión, optimizar la gestión de citas clínicas, entre otros. A pesar de que evidentemente los algoritmos predictivos no pueden eliminar la incertidumbre de la toma de decisiones en medicina, sí logran mejorar u optimizar la asignación de recursos en la atención médica, tanto humanos como físicos. Por ejemplo, el índice de gravedad de embolia pulmonar (PESI - Pulmonary Embolism Severity Index) es un modelo predictivo ampliamente validado como riesgo de muerte por esta condición y otras priorizan de una manera adecuada a pacientes en esperade trasplante de hígado por medio del puntaje MELD (Model forEnd-stage Liver Disease). sistemas de alerta temprana, que con técnicas tradicionales hubieran demorado años en desarrollarse, ahora pueden aplicarse y optimizarse de forma rápida a partir de datos del mundo real y de forma continua a medida que ocurren. Igualmente, las redes neuronales de aprendizaje profundo son capaces de reconocer de manera rutinaria imágenes patológicas con una alta precisión que antes se creía imposible. Se debe enfatizar que estos modelos, como otros, en las distintas áreas del aprendizaje automático, no son infalibles y al igual que cualquier humano se equivocan en sus resultados en un porcentaje de veces. De hecho, las métricas con las que se entrenan y evalúa el rendimiento de un algoritmo en desarrollo se basan principalmente en “minimizar el error” (como el promedio de error cuadrático-RMSE, Root Mean Square Error). En la transición contemporánea que estamos viviendo de incorporar cada vez más estas técnicas a la práctica clínica diaria, se tiende a esperar que no cometan errores por el sólo hecho de ser realizadas por máquinas o computadores modernos denominados inteligentes, y que pueden llegar a ser erróneamente desestimados por no tener una precisión del 100%.
Discutir si los modelos predictivos de aprendizaje de máquina van a llegar a ser “más inteligentes” que los mismos profesionales de salud pareciera ser irrelevante. Es indiscutible que, en la salud, como en todas las otras industrias, los expertos del dominio son un eslabón fundamental e irremplazable en el modelo de trabajo de la ciencia de datos, que le dan sentido y modulan tanto la creación como el uso clínico de estos algoritmos. Sin duda, cada vez más, el resultado final de estas herramientas puede asemejarse o acercarse a un “comportamiento humano”, integrando varios modelos predictivos (eligiendo incluso cuáles se debe usar dependiendo del caso específico) en un mismo momento y en muy corto tiempo para tomar decisiones complejas (de diagnósticos o tratamientos) de forma casi automática o en tiempo real. No obstante, no hay que olvidar que en su lógica más básica no son más que operaciones matemáticas de matrices y tensores de alta dimensionalidad que no piensan, no sienten, ni tienen la intangible interacción humana ni sus virtudes (“ojo clínico”) que ninguna máquina ha reemplazado ni reemplazará, desde los trabajos de Alan Turing a nuestros días y en el futuro.
Aplicación de algortimos en esclerosis múltiple u otras enfermedades
La revisión se realizó empleando el motor de búsqueda “PubMed” de libre acceso que permite consultar la base de datos MEDLINE. La selección de estudios se realizó introduciendo como conceptos de búsqueda Machine Learning para uso de esclerosis, unidos por el operador booleano”AND” para limitar la búsqueda a aquellos estudios que contuviera ambos conceptos. La búsqueda se realizó sin límite inferior en el año de publicación y con fecha de cierre. Se rechazaron aquellos estudios que tuvieran un carácter técnico y sin una aportación específica a la esclerosis múltiple (criterio 1); aquellos que estuvieran en otro idioma que no fuera el castellano o el inglés (criterio 2); y aquellos trabajos que fueran revisiones (criterio 3). Sin embargo, en este último caso, se rastreó entre sus referencias, para localizar estudios que trataran de la aplicación de ML en la EM y que no hubieran sido mostrados por el motor de búsqueda inicialmente. Las características de esta investigación (criterios de selección de los estudios) establecen a priori un bajo nivel de sesgo, sin embargo, algunas consideraciones se tuvieron en cuenta para minimizar esta posible amenaza.
Por un lado, no se establecieron limitaciones en cuanto al tipo de revista (aspectos como la posición de cuartil o el factor de impacto) o en los años de publicación. Sí se eliminaron las revisiones como referencias elegibles (para evitar posibles duplicaciones), aunque sí se emplearon para poder rastrear referencias no halladas por el motor de búsqueda. Por último, no se han incluido aquellos trabajos enfocados a la mejora en la exploración de resonancia magnética nuclear (RMN) aunque se ha realizado un comentario específico al respecto.
En las herramientas de la inteligencia artificial liderarán parte de los avances más relevantes en la práctica clínica. Entre las limitaciones de este estudio debemos destacar algunas consideraciones. El motor de búsqueda PubMed puede cometer errores en su rastreo de los artículos publicados hasta la fecha.
Sin embargo, el análisis de los apartados de bibliografía de los diferentes artículos analizados minimiza la posibilidad de que un número elevado de artículos relacionados con el ML y la EM no hayan sido incluidos en la revisión. Otro aspecto que puede tenerse en cuenta es que existen otros conceptos como” Deep Learning” que pueden ser de interés en su aplicación en la EM y están relacionados con el ML. En futuras revisiones sobre el ML y su aplicación sobre la EM u otras patologías, deberá contemplarse la posibilidad de ampliar las palabras clave a otras posibles acepciones como “Deep Learning” o “Network representation learning”
Resultados
Tras la búsqueda, se obtuvieron 107 estudios de los cuales:
31 fueron rechazados en atención al criterio de exclusión 1;
Ninguno fue retirado por el criterio de exclusión 2.
7 fueron excluidos por el criterio de exclusión 3 (revisiones).
En el caso de los estudios rechazados por el criterio 3, el rastreo posterior de sus propias referencias rindió 7 estudios no hallados en la búsqueda inicial y que por tanto fueron añadidos a la muestra seleccionada para esta revisión.
El total de estudios aceptados finalmente en esta revisión fue de 76 y el número de rechazados 38.
Respecto de las diversas revisiones halladas en la búsqueda, es necesario destacar que muestran ya un cierto grado de madurez del campo del ML en la disciplina de la Neurología. Sin embargo, la mayoría de estas revisiones abordan múltiples patologías neurológicas.
Bibliografía
• REVISTA MÉDICA CLÍNICA LAS CONDES
Javier Mora Pineda
https://www.journals.elsevier.com/revis ... las-condes
• Revisión sistemática de la aplicación de algoritmos de «machine learning» en la esclerosis múltiple M. Vázquez-Marrufoa, E. Sarrias-Arrabal a, M. García-Torres b, R. Martín-Clementec y G. Izquierdo
- 29 Sep 2022, 14:45
- Foros: Inteligencia Artificial
- Tema: Cómo la IA podría tener un impacto positivo en algunos sectores en el Perú (Desastres Naturales)
- Respuestas: 0
- Vistas: 413
Cómo la IA podría tener un impacto positivo en algunos sectores en el Perú (Desastres Naturales)
RESUMEN
El presente artículo tiene como propósito ofrecer al lector una propuesta de la terminología básica que se usa en los desastres naturales, a fin de contribuir a normar un criterio que le oriente en su quehacer investigativo.
I. INTRODUCCIÓN.
Se presenta una propuesta de terminología básica para la investigación de prevenir muertes por sismo o tsunamis, que puede brindar al ingeniero IT un referente al implementar y desarrollar su trabajo de investigación. El propósito es enfocarnos en un resultado que funcione en gran escala y proteger la vida de nuestros ciudadanos peruanos a través de una propuesta sencilla.
II. RESPECTO DEL PROCESO DE INVESTIGACIÓN
Respecto a los conceptos generales del sistema de placas tectónicas:
• La Litosfera
Es una capa externa y rígida de la Tierra, de profundidad variable entre los 10 y los 50 km, constituida básicamente por silicatos e integrada por la corteza y parte del manto.
• La Estatosfera
Debajo de la litosfera, se encuentra una región del manto muy dúctil, conocida como astenósfera, donde la temperatura y presión son tan altas que las rocas se encuentran en estado de fusión (rocas fundidas). Es sobre esta astenósfera que se “deslizan” las placas tectónicas.
II.1 Establecimiento del problema a atender
Pregunta N° 1. ¿Qué situación prevalece respecto al objeto de estudio elegido?
Hasta el momento el instituto geofísico del Perú no tiene datos certeros de la aparición de sismos en el país, usa solo probabilidades guiándose de los fenómenos atmosféricos o cambios climáticos constantes en el país; sin embargo, esto no es un indicador de un póstumo sismo o tsunamis.
Pregunta N° 2. ¿Cuál es el problema que visualizo respecto a mi objeto de estudio?
Falta de presupuesto o inversión en la instalación de más sensores atmosféricos al entorno de zona base.
Pregunta N° 3. ¿De qué supuesto respecto al objeto de estudio parto?
Al inicio se planteó instalar sensores de temperatura ambiente y sensores de presión, desde la isla el Fronton como prueba piloto, realizando una excavación de hasta 5 kilómetros, con una longitud de 100 metros o 1 cuadra, parte de ésta y 10 km, como submarina, similar a la famosa elaboración Eurotunel en Reino Unido, los sensores estarían interconectados entre sí, monitorizándose desde una base central en dicha isla, generado por el aumento de energía calórica, donde la temperatura y presión son tan altas que las rocas se encuentran en estado de fusión.
Pregunta N° 4. ¿Qué elementos intervienen en la formulación de la hipótesis?
Sensor de temperatura atmosférica, sensor de presión, lenguaje de programación PHP.
Pregunta N° 5. ¿Qué pretendo alcanzar/lograr?
De acuerdo a los datos que arrojarían los sensores, intervendría la IA desarrollando una aplicación en PHP para obtener la data activa de los sensores, a través de parámetros y cálculos matemáticos usando un algoritmo de presión ejercida en un punto del fluido, la densidad del fluido y la aceleración de gravedad, obteniendo así la presión constante, la temperatura y volumen en aumento. Con esta aplicación los ciudadanos estarían obligados a registrarse para tener la alerta y estar preparados frente al desastre que brindaría una probabilidad mayor al 50% que va a ocurrir.
III. CONCLUSIONES.
Esta propuesta podría dar buenos frutos, pero sería muy costosa referente a la excavación, el segundo plan a corto plazo que podría implementarse es el desarrollo de la misma aplicación web y Android, pero obteniendo data aproximada o probabilidades cercanas que arrojaría el Instituto Geofísico del Perú. Si se brinda con el presupuesto, esta primera propuesta aumentaría la ejecución de sistemas similares en más islas de la costa peruana o zonas estratégicas que nos acerquen más a la litosfera para medir casi datos exactos de los eventos y de esta forma prevenir el daño colateral por sismos y tsunamis.
IV. BIBLIOGRAFÍA
www.igp.gob.pe
www.arantec.com
www.ellab.com
El presente artículo tiene como propósito ofrecer al lector una propuesta de la terminología básica que se usa en los desastres naturales, a fin de contribuir a normar un criterio que le oriente en su quehacer investigativo.
I. INTRODUCCIÓN.
Se presenta una propuesta de terminología básica para la investigación de prevenir muertes por sismo o tsunamis, que puede brindar al ingeniero IT un referente al implementar y desarrollar su trabajo de investigación. El propósito es enfocarnos en un resultado que funcione en gran escala y proteger la vida de nuestros ciudadanos peruanos a través de una propuesta sencilla.
II. RESPECTO DEL PROCESO DE INVESTIGACIÓN
Respecto a los conceptos generales del sistema de placas tectónicas:
• La Litosfera
Es una capa externa y rígida de la Tierra, de profundidad variable entre los 10 y los 50 km, constituida básicamente por silicatos e integrada por la corteza y parte del manto.
• La Estatosfera
Debajo de la litosfera, se encuentra una región del manto muy dúctil, conocida como astenósfera, donde la temperatura y presión son tan altas que las rocas se encuentran en estado de fusión (rocas fundidas). Es sobre esta astenósfera que se “deslizan” las placas tectónicas.
II.1 Establecimiento del problema a atender
Pregunta N° 1. ¿Qué situación prevalece respecto al objeto de estudio elegido?
Hasta el momento el instituto geofísico del Perú no tiene datos certeros de la aparición de sismos en el país, usa solo probabilidades guiándose de los fenómenos atmosféricos o cambios climáticos constantes en el país; sin embargo, esto no es un indicador de un póstumo sismo o tsunamis.
Pregunta N° 2. ¿Cuál es el problema que visualizo respecto a mi objeto de estudio?
Falta de presupuesto o inversión en la instalación de más sensores atmosféricos al entorno de zona base.
Pregunta N° 3. ¿De qué supuesto respecto al objeto de estudio parto?
Al inicio se planteó instalar sensores de temperatura ambiente y sensores de presión, desde la isla el Fronton como prueba piloto, realizando una excavación de hasta 5 kilómetros, con una longitud de 100 metros o 1 cuadra, parte de ésta y 10 km, como submarina, similar a la famosa elaboración Eurotunel en Reino Unido, los sensores estarían interconectados entre sí, monitorizándose desde una base central en dicha isla, generado por el aumento de energía calórica, donde la temperatura y presión son tan altas que las rocas se encuentran en estado de fusión.
Pregunta N° 4. ¿Qué elementos intervienen en la formulación de la hipótesis?
Sensor de temperatura atmosférica, sensor de presión, lenguaje de programación PHP.
Pregunta N° 5. ¿Qué pretendo alcanzar/lograr?
De acuerdo a los datos que arrojarían los sensores, intervendría la IA desarrollando una aplicación en PHP para obtener la data activa de los sensores, a través de parámetros y cálculos matemáticos usando un algoritmo de presión ejercida en un punto del fluido, la densidad del fluido y la aceleración de gravedad, obteniendo así la presión constante, la temperatura y volumen en aumento. Con esta aplicación los ciudadanos estarían obligados a registrarse para tener la alerta y estar preparados frente al desastre que brindaría una probabilidad mayor al 50% que va a ocurrir.
III. CONCLUSIONES.
Esta propuesta podría dar buenos frutos, pero sería muy costosa referente a la excavación, el segundo plan a corto plazo que podría implementarse es el desarrollo de la misma aplicación web y Android, pero obteniendo data aproximada o probabilidades cercanas que arrojaría el Instituto Geofísico del Perú. Si se brinda con el presupuesto, esta primera propuesta aumentaría la ejecución de sistemas similares en más islas de la costa peruana o zonas estratégicas que nos acerquen más a la litosfera para medir casi datos exactos de los eventos y de esta forma prevenir el daño colateral por sismos y tsunamis.
IV. BIBLIOGRAFÍA
www.igp.gob.pe
www.arantec.com
www.ellab.com