La investigaci\u00f3n cl\u00ednica requiere que los datos se extraigan para obtener informaci\u00f3n. El aprendizaje autom\u00e1tico, que desarrolla algoritmos para encontrar patrones, tiene dificultades para hacer esto con los datos relacionados con los registros de salud porque este tipo de informaci\u00f3n no es est\u00e1tica ni se recopila regularmente. Un nuevo estudio desarroll\u00f3 una herramienta de aprendizaje autom\u00e1tico transparente y reproducible para facilitar el an\u00e1lisis de la informaci\u00f3n de salud. La herramienta se puede utilizar en pron\u00f3sticos cl\u00ednicos, que pueden predecir tendencias y resultados en pacientes individuales. <\/p>\n
El estudio, realizado por un investigador de la Universidad Carnegie Mellon (CMU), aparece en Proceedings of Machine Learning Research.<\/p>\n
\u00abTemporal Learning Lite, o TL-Lite, es una herramienta de visualizaci\u00f3n y pron\u00f3stico para unir la brecha entre la visualizaci\u00f3n cl\u00ednica y el an\u00e1lisis de aprendizaje autom\u00e1tico\u00bb, explica Jeremy Weiss, profesor asistente de inform\u00e1tica de la salud en el Heinz College de CMU, autor del estudio. \u00abSi bien los elementos individuales de esta herramienta son bien conocidos, su integraci\u00f3n en una herramienta de investigaci\u00f3n cl\u00ednica interactiva es nueva y \u00fatil para los profesionales de la salud. Con la familiarizaci\u00f3n, los usuarios pueden realizar an\u00e1lisis preliminares en minutos\u00bb.<\/p>\n
El tiempo es un parte clave de los datos cl\u00ednicos que se recopilan en la prestaci\u00f3n de atenci\u00f3n m\u00e9dica. Por ejemplo, durante las conversaciones de los pacientes en las rondas, en las que los m\u00e9dicos visitan a los pacientes del hospital para determinar c\u00f3mo est\u00e1n, el personal m\u00e9dico utiliza ayudas visuales que representan medidas de progresi\u00f3n y recuperaci\u00f3n. Dado que los registros de salud electr\u00f3nicos se han adoptado ampliamente, se han realizado avances significativos en la visualizaci\u00f3n de datos cl\u00ednicos, as\u00ed como en el pron\u00f3stico cl\u00ednico. Sin embargo, queda una brecha entre los dos.<\/p>\n
TL-Lite comienza con visualizaciones de informaci\u00f3n de bases de datos y termina con evaluaciones de riesgo visuales de un modelo temporal. En el camino, los usuarios pueden ver los efectos de sus elecciones de dise\u00f1o a trav\u00e9s de res\u00famenes visuales a nivel de individuos y grupos. Esto permite a los usuarios comprender sus datos de manera m\u00e1s completa y ajustar la configuraci\u00f3n de aprendizaje autom\u00e1tico para su an\u00e1lisis.<\/p>\n
Para mostrar c\u00f3mo se puede usar la herramienta, Weiss demostr\u00f3 el modelo con tres registros de salud electr\u00f3nicos relacionados con tres asuntos de salud: predecir trombocitopenia severa (tener niveles anormalmente bajos de plaquetas en la sangre) durante las estancias en la unidad de cuidados intensivos (UCI) entre pacientes con sepsis, predecir la supervivencia de los pacientes ingresados en la UCI un d\u00eda despu\u00e9s de la admisi\u00f3n y predecir complicaciones microvasculares de la diabetes tipo 2 entre pacientes con la enfermedad.<\/p>\n
\u00abEl objetivo central de TL-Lite es facilitar un pron\u00f3stico predictivo bien dise\u00f1ado y bien especificado, y esta herramienta de visualizaci\u00f3n pretende facilitar el proceso\u00bb, dice Weiss. \u00abAl mismo tiempo, se puede ayudar a organizar el flujo de datos cl\u00ednicos en visualizaciones significativas mediante la introducci\u00f3n de elementos de aprendizaje autom\u00e1tico. Estos enfoques son complementarios, por lo que aprovechar los beneficios de uno donde otro encuentra obst\u00e1culos da como resultado una mejor soluci\u00f3n general\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
Los investigadores construyen modelos utilizando t\u00e9cnicas de aprendizaje autom\u00e1tico para mejorar las predicciones de los resultados de COVID-19 M\u00e1s informaci\u00f3n:<\/strong> Visualizaci\u00f3n temporal y aprendizaje para pron\u00f3sticos cl\u00ednicos. procedimientos.mlr.press\/v136\/weiss20a.html Proporcionado por la Universidad Carnegie Mellon Cita<\/strong>: Nueva herramienta de aprendizaje autom\u00e1tico facilita el an\u00e1lisis de informaci\u00f3n de salud, previsi\u00f3n cl\u00ednica (2021, 25 de febrero) consultado el 30 de agosto de 2022 de https: \/\/medicalxpress.com\/news\/2021-02-machine-tool-analysis-health-clinical.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" La investigaci\u00f3n cl\u00ednica requiere que los datos se extraigan para obtener informaci\u00f3n. El aprendizaje autom\u00e1tico, que desarrolla algoritmos para encontrar patrones, tiene dificultades para hacer esto con los datos relacionados con los registros de salud porque este tipo de informaci\u00f3n no es est\u00e1tica ni se recopila regularmente. Un nuevo estudio desarroll\u00f3 una herramienta de aprendizaje … Continuar leyendo \u00abLa nueva herramienta de aprendizaje autom\u00e1tico facilita el an\u00e1lisis de la informaci\u00f3n de salud y la previsi\u00f3n cl\u00ednica\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-14657","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/14657","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=14657"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/14657\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=14657"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=14657"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=14657"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}