Cr\u00e9dito: CC0 Public Domain <\/p>\n
La IA se ha aplicado, durante alg\u00fan tiempo, para diagnosticar condiciones m\u00e9dicas en campos espec\u00edficos. Puede basarse en el conocimiento de disciplinas particulares para perfeccionar detalles como la forma de un tumor que sugiere c\u00e1ncer de mama o c\u00e9lulas anormales que indican c\u00e1ncer de cuello uterino. Si bien la IA es muy buena cuando se entrena con a\u00f1os de datos humanos en dominios espec\u00edficos, no ha podido lidiar con la gran cantidad de pruebas de diagn\u00f3stico (alrededor de 5000) y trastornos (alrededor de 14 000) de la pr\u00e1ctica cl\u00ednica moderna. Ahora, un nuevo algoritmo desarrollado por ingenieros de la Escuela de Ingenier\u00eda Viterbi de la USC puede pensar y aprender como un m\u00e9dico pero con una experiencia esencialmente infinita. <\/p>\n
El trabajo surge del laboratorio de Gerald Loeb, profesor de ingenier\u00eda biom\u00e9dica, farmacia y neurolog\u00eda en la Escuela de Ingenier\u00eda Viterbi de la USC y m\u00e9dico capacitado. Loeb pas\u00f3 a\u00f1os aplicando algoritmos de IA a los h\u00e1pticos y construyendo robots para detectar e identificar materiales y objetos. Su investigaci\u00f3n previa sobre esto super\u00f3 el estado del arte. Si bien el estado de la IA para la h\u00e1ptica era identificar alrededor de 10 objetos con un 80 % de precisi\u00f3n, Loeb y Jeremy Fishel, su estudiante de posgrado en ese momento, pudieron identificar 117 objetos con un 95 % de precisi\u00f3n. Cuando lo ampliaron a 500 objetos y 15 posibles pruebas diferentes, su algoritmo se volvi\u00f3 a\u00fan m\u00e1s r\u00e1pido y preciso. Fue entonces, dice Loeb, cuando comenz\u00f3 a pensar en adaptarlo para el diagn\u00f3stico m\u00e9dico.<\/p>\n
La nueva forma de IA de Loeb sugiere las mejores estrategias de diagn\u00f3stico mediante la extracci\u00f3n de registros m\u00e9dicos electr\u00f3nicos en bases de datos. Esto podr\u00eda conducir a diagn\u00f3sticos y tratamientos m\u00e1s r\u00e1pidos, mejores y m\u00e1s eficientes. El trabajo fue publicado en el Journal of Biomedical Informatics.<\/p>\n
El algoritmo funciona como un m\u00e9dico: \u00abpensar en qu\u00e9 hacer a continuaci\u00f3n en cada etapa del proceso m\u00e9dico\u00bb, dijo Loeb, un pionero en el campo de las pr\u00f3tesis neurales y uno de los desarrolladores originales del implante coclear, ahora ampliamente utilizado para tratar la p\u00e9rdida auditiva. \u00abLa diferencia es que tiene el beneficio de todas las experiencias en los registros sanitarios colectivos\u00bb.<\/p>\n
C\u00f3mo funciona<\/p>\n
La IA convencional ha utilizado durante mucho tiempo un algoritmo espec\u00edfico para sugerir a los m\u00e9dicos la diagn\u00f3sticos m\u00e1s probables dado un conjunto de observaciones. Llamada inferencia bayesiana, utiliza cualquier informaci\u00f3n disponible actualmente para sugerir qu\u00e9 diagn\u00f3sticos son los m\u00e1s probables.<\/p>\n
El algoritmo de Loeb invierte este proceso y, en su lugar, busca aquellas pruebas que probablemente identificar\u00edan la enfermedad o condici\u00f3n correcta, sin importar que oscuro \u00c9l llama a esto Exploraci\u00f3n Bayesiana. El algoritmo tambi\u00e9n puede tener en cuenta los costos y los retrasos asociados con varias pruebas de diagn\u00f3stico.<\/p>\n
\u00abEsto no se ha hecho antes\u00bb, dijo. \u00abEsto es nuevo\u00bb.<\/p>\n
Loeb dijo que su nuevo algoritmo tiene varios beneficios. Primero, este algoritmo podr\u00eda ayudar a los m\u00e9dicos a tomar mejores decisiones de diagn\u00f3stico y pruebas al sugerir varias buenas opciones, incluidas algunas que un m\u00e9dico podr\u00eda no haber considerado de otro modo. . A continuaci\u00f3n, el software de diagn\u00f3stico se actualizar\u00eda y mejorar\u00eda autom\u00e1ticamente, ya que innumerables m\u00e9dicos ingresar\u00edan datos adicionales en los registros m\u00e9dicos electr\u00f3nicos.<\/p>\n
Adem\u00e1s, Loeb cree que los m\u00e9dicos generar\u00edan registros m\u00e9dicos completos y precisos m\u00e1s f\u00e1cilmente. En lugar de tener que buscar c\u00f3digos o abrirse camino a trav\u00e9s de muchos men\u00fas desplegables, podr\u00edan simplemente seleccionar una enfermedad en particular o un procedimiento de diagn\u00f3stico sugerido por la IA, que ingresar\u00eda autom\u00e1ticamente la informaci\u00f3n correcta en los registros electr\u00f3nicos.<\/p>\n
Loeb enfatiza que los m\u00e9dicos podr\u00edan, por supuesto, anular la IA e ir con su propio criterio.<\/p>\n
\u00abEl algoritmo no est\u00e1 dise\u00f1ado para tomar decisiones por los m\u00e9dicos o reemplazarlos\u00bb, dijo Loeb. \u00abEst\u00e1 destinado a complementarlos y apoyarlos\u00bb.<\/p>\n
Mirando hacia el futuro<\/p>\n
Loeb cree que este algoritmo podr\u00eda revolucionar los diagn\u00f3sticos m\u00e9dicos y de pruebas. Pero el profesor de la USC Viterbi and Keck School of Medicine reconoce los enormes desaf\u00edos financieros y tecnol\u00f3gicos de aplicar la IA a los registros m\u00e9dicos electr\u00f3nicos. El sistema m\u00e9dico balcanizado de los Estados Unidos y el uso irregular de registros m\u00e9dicos electr\u00f3nicos que \u00e9l cree hacen que sea un entorno inh\u00f3spito para que su tecnolog\u00eda eche ra\u00edces.<\/p>\n
Loeb dice que su sistema ser\u00eda mucho m\u00e1s f\u00e1cil de introducir en otros pa\u00edses, por ejemplo en Escandinavia o en Corea del Sur, lugares con atenci\u00f3n m\u00e9dica nacionalizada y el uso generalizado de registros m\u00e9dicos electr\u00f3nicos. Sin embargo, su implementaci\u00f3n enfrentar\u00eda grandes desaf\u00edos incluso all\u00ed, incluidos los grandes gastos y la capacidad intelectual necesaria para desarrollar e implementar la base de datos masiva y las interfaces de usuario para la adopci\u00f3n e integraci\u00f3n generalizadas de su algoritmo.<\/p>\n
En cambio, Loeb pone su fe en la tecnolog\u00eda. \u00c9l cree que Amazon, Microsoft y Google tienen los recursos y el conocimiento para alterar la atenci\u00f3n m\u00e9dica estadounidense de la misma manera que Uber y Lyft revolucionaron la industria de los taxis.<\/p>\n
\u00abSi la promesa de \u00e9xito es lo suficientemente grande, entonces la gente va estar motivado para hacerlo\u00bb, dijo Loeb. \u00abY eso es lo que creemos que ofrece este algoritmo: la posibilidad, la promesa de ofrecer una soluci\u00f3n a un gran problema que desperdicia muchos recursos, billones de d\u00f3lares\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
El procesamiento del lenguaje natural ayuda a identificar a los pacientes con tos cr\u00f3nica M\u00e1s informaci\u00f3n:<\/strong> Gerald E. Loeb. Un nuevo enfoque para el apoyo a las decisiones de diagn\u00f3stico m\u00e9dico, Journal of Biomedical Informatics (2021). DOI: 10.1016\/j.jbi.2021.103723 Proporcionado por la Universidad del Sur de California Cita<\/strong>: El nuevo modelo de IA aprende de miles de posibilidades para sugerir diagn\u00f3sticos y pruebas m\u00e9dicas (16 de marzo de 2021) consultado el 30 de agosto de 2022 en https :\/\/medicalxpress.com\/news\/2021-03-ai-thousands-possibilities-medical.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":" Cr\u00e9dito: CC0 Public Domain La IA se ha aplicado, durante alg\u00fan tiempo, para diagnosticar condiciones m\u00e9dicas en campos espec\u00edficos. Puede basarse en el conocimiento de disciplinas particulares para perfeccionar detalles como la forma de un tumor que sugiere c\u00e1ncer de mama o c\u00e9lulas anormales que indican c\u00e1ncer de cuello uterino. Si bien la IA es … Continuar leyendo \u00abEl nuevo modelo de IA aprende de miles de posibilidades para sugerir diagn\u00f3sticos y pruebas m\u00e9dicas\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-18091","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/18091","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=18091"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/18091\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=18091"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=18091"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=18091"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}