APLICACIÓN DE APRENDIZAJE AUTOMÁTICO COMO PREDICTOR DE RESULTADO CLÍNICO EN PACIENTES CON SEPSIS
Loading...
Date
Authors
Journal Title
Journal ISSN
Volume Title
Publisher
Abstract
En la última década se ha registrado un rápido incremento de la capacidad
de los sistemas informáticos en red y móviles para recoger y transportar grandes
cantidades de datos, una fenómeno denominado "Big Data" (1). Los científicos e
ingenieros que manejan estos datos han recurrido a menudo al Aprendizaje
Automático(AA) para brindar soluciones al problema de la obtención de
observaciones útiles y precisas, con el fin de generar predicciones y tomar
decisiones a partir de estos enormes repositorios de datos(2) De hecho, el
tamaño de los datos hace que sea esencial desarrollar procedimientos escalables
que combinan datos computacionales y estadísticos con el fin de encontrar
asociaciones que contribuyan a un modelo generalizable (3). El producto del AA
es un modelo que puede ser utilizado y optimizado indefinidamente para una
tarea.
La generación de modelos predictivos poseen mucho potencial para mejorar la
atención de salud. La integración completa de los sistemas de AA y historia
clínica universal crean un genoma digital de cada paciente. Esto implica un
archivo que contiene la secuencia genética del paciente sumado todos los datos
asociados a sus interacciones con el sistema de salud e información relevante de
la analitica digital almacenado como datos clínicos estructurados(4). Esta
información puede ser utilizada para distintas aplicaciones en varios ámbitos de la
atención. por ejemplo automatizar la lista de espera de un servicio, con el fin de
dar atención a las patologías más urgentes en un tiempo apropiado(5) o el uso de
repositorios de imágenes para el entrenamiento de algoritmos de diagnóstico
Description
En la última década se ha registrado un rápido incremento de la capacidad
de los sistemas informáticos en red y móviles para recoger y transportar grandes
cantidades de datos, una fenómeno denominado "Big Data" (1). Los científicos e
ingenieros que manejan estos datos han recurrido a menudo al Aprendizaje
Automático(AA) para brindar soluciones al problema de la obtención de
observaciones útiles y precisas, con el fin de generar predicciones y tomar
decisiones a partir de estos enormes repositorios de datos(2) De hecho, el
tamaño de los datos hace que sea esencial desarrollar procedimientos escalables
que combinan datos computacionales y estadísticos con el fin de encontrar
asociaciones que contribuyan a un modelo generalizable (3). El producto del AA
es un modelo que puede ser utilizado y optimizado indefinidamente para una
tarea.
La generación de modelos predictivos poseen mucho potencial para mejorar la
atención de salud. La integración completa de los sistemas de AA y historia
clínica universal crean un genoma digital de cada paciente. Esto implica un
archivo que contiene la secuencia genética del paciente sumado todos los datos
asociados a sus interacciones con el sistema de salud e información relevante de
la analitica digital almacenado como datos clínicos estructurados(4). Esta
información puede ser utilizada para distintas aplicaciones en varios ámbitos de la
atención. por ejemplo automatizar la lista de espera de un servicio, con el fin de
dar atención a las patologías más urgentes en un tiempo apropiado(5) o el uso de
repositorios de imágenes para el entrenamiento de algoritmos de diagnóstico