La startup macro-eyes est\u00e1 incorporando nuevas t\u00e9cnicas de aprendizaje autom\u00e1tico e inteligencia artificial a problemas de salud global como la entrega de vacunas y la programaci\u00f3n de pacientes con su Connected Health AI Network (CHAIN). Cr\u00e9dito: macro-eyes <\/p>\n
Hoy en d\u00eda se vacunan m\u00e1s ni\u00f1os en todo el mundo que nunca, y la prevalencia de muchas enfermedades prevenibles por vacunaci\u00f3n ha disminuido en la \u00faltima d\u00e9cada. Sin embargo, a pesar de estos signos alentadores, la disponibilidad de vacunas esenciales se ha estancado a nivel mundial en los \u00faltimos a\u00f1os, seg\u00fan la Organizaci\u00f3n Mundial de la Salud. <\/p>\n
Un problema, particularmente en entornos de bajos recursos, es la dificultad de predecir cu\u00e1ntos ni\u00f1os se presentar\u00e1n para vacunarse en cada cl\u00ednica de salud. Esto conduce a la escasez de vacunas, dejando a los ni\u00f1os sin inmunizaciones cr\u00edticas, o a excedentes que no se pueden usar.<\/p>\n
La startup macro-eyes busca resolver ese problema con una herramienta de pron\u00f3stico de vacunas que aprovecha una combinaci\u00f3n \u00fanica de fuentes de datos en tiempo real, incluidos nuevos conocimientos de los trabajadores sanitarios de primera l\u00ednea. La compa\u00f1\u00eda dice que la herramienta, llamada Connected Health AI Network (CHAIN), pudo reducir el desperdicio de vacunas en un 96 por ciento en tres regiones de Tanzania. Ahora est\u00e1 trabajando para escalar ese \u00e9xito en Tanzania y Mozambique.<\/p>\n
\u00abLa atenci\u00f3n m\u00e9dica es compleja, y para ser invitado a la mesa, debe lidiar con los datos que faltan\u00bb, dice el director ejecutivo de macro-eyes. Benjamin Fels, quien cofund\u00f3 la empresa con Suvrit Sra, profesora asociada de desarrollo profesional de Esther y Harold E. Edgerton en el MIT. \u00abSi su sistema necesita la edad, el g\u00e9nero y el peso para hacer predicciones, pero para una poblaci\u00f3n no tiene el peso ni la edad, no puede simplemente decir: ‘Este sistema no funciona’. Creemos que tiene que poder trabajar en cualquier entorno\u00bb.<\/p>\n
El enfoque de predicci\u00f3n de la empresa ya es la base de otro producto, la plataforma de programaci\u00f3n de pacientes Sibyl, que analiz\u00f3 m\u00e1s de 6 millones de citas hospitalarias y redujo los tiempos de espera en m\u00e1s de 75 por ciento en uno de los hospitales card\u00edacos m\u00e1s grandes de EE. UU. Las predicciones de Sybil funcionan como parte de los pron\u00f3sticos m\u00e1s amplios de CHAIN.<\/p>\n
Ambos productos representan pasos hacia el objetivo m\u00e1s amplio de macro-eyes de transformar la atenci\u00f3n m\u00e9dica a trav\u00e9s de la inteligencia artificial. Y al hacer que sus soluciones funcionen en las regiones con la menor cantidad de datos, tambi\u00e9n est\u00e1n avanzando en el campo de la IA.<\/p>\n
\u00abEl estado del arte en el aprendizaje autom\u00e1tico ser\u00e1 el resultado de enfrentar desaf\u00edos fundamentales en los entornos m\u00e1s dif\u00edciles del mundo\u00bb, dice Fels. \u00abParticipa donde los problemas son m\u00e1s dif\u00edciles, y la IA tambi\u00e9n se beneficiar\u00e1: [se volver\u00e1] m\u00e1s inteligente, m\u00e1s r\u00e1pida, m\u00e1s barata y m\u00e1s resistente\u00bb.<\/p>\n
Definiendo un enfoque<\/p>\n
Sra y Fels Se conocieron por primera vez hace unos 10 a\u00f1os cuando Fels trabajaba como comerciante algor\u00edtmico para un fondo de cobertura y Sra era profesora visitante en la Universidad de California en Berkeley. La experiencia de la pareja procesando n\u00fameros en diferentes industrias los alert\u00f3 sobre una deficiencia en el cuidado de la salud.<\/p>\n
\u00abUna pregunta que se convirti\u00f3 en una obsesi\u00f3n para m\u00ed fue: \u00ab\u00bfPor qu\u00e9 los mercados financieros estaban determinados casi en su totalidad por m\u00e1quinas mediante algoritmos y el cuidado de la salud en todo el mundo?\u00bb es probablemente la parte menos algor\u00edtmica de la vida de alguien?'\u00bb, recuerda Fels. \u00ab\u00bfPor qu\u00e9 la atenci\u00f3n m\u00e9dica no se basa m\u00e1s en los datos?\u00bb<\/p>\n
Alrededor de 2013, los cofundadores comenzaron a desarrollar algoritmos de aprendizaje autom\u00e1tico que med\u00edan similitudes entre los pacientes para informar mejor los planes de tratamiento en la Escuela de Medicina de Stanford y otro gran centro m\u00e9dico acad\u00e9mico en Nueva York. Fue durante ese trabajo inicial que los fundadores sentaron las bases del enfoque de la compa\u00f1\u00eda.<\/p>\n
\u00abHay temas que establecimos en Stanford que permanecen hoy\u00bb, dice Fels. \u00abUno es [construir sistemas con] humanos en el circuito: no solo estamos aprendiendo de los datos, tambi\u00e9n estamos aprendiendo de los expertos. La otra es la multidimensionalidad. No solo estamos viendo un tipo de datos; estamos viendo 10 o 15 tipos, [incluyendo] im\u00e1genes, series de tiempo, informaci\u00f3n sobre medicamentos, dosis, informaci\u00f3n financiera, cu\u00e1nto le cuesta al paciente o al hospital\u00bb.<\/p>\n
macro-eyes est\u00e1 trabajando para escalar sus modelos \u00e9xito predictivo en todo Tanzania y Mozambique. Esta foto muestra a los trabajadores de salud de primera l\u00ednea en Mozambique. macro-eyes produjo espejos para las instalaciones de salud para recordar a los trabajadores de salud de primera l\u00ednea que ellos son los expertos\/’Especialistas’, dice Fels. Cr\u00e9dito: macro-eyes <\/p>\n
Alrededor de la \u00e9poca en que los fundadores comenzaron a trabajar con Stanford, Sra se uni\u00f3 al Laboratorio de Sistemas de Informaci\u00f3n y Decisiones (LIDS) del MIT como cient\u00edfico investigador principal. Luego se convertir\u00eda en miembro de la facultad en el Departamento de Ingenier\u00eda El\u00e9ctrica y Ciencias de la Computaci\u00f3n y Instituto de Datos, Sistemas y Sociedad (IDSS) del MIT. La misi\u00f3n de IDSS, avanzar en campos que incluyen la ciencia de datos y usar esos avances para mejorar la sociedad, se aline\u00f3 bien con la misi\u00f3n de Sra en macro-eyes.<\/p>\n
\u00abPorque de ese enfoque [sobre el impacto] dentro del IDSS, considero que mi objetivo es tratar de hacer IA para el bien social\u00bb, dice Sra. \u00abEl verdadero juicio del \u00e9xito es \u00bfa cu\u00e1ntas personas ayudamos? \u00bfC\u00f3mo podr\u00edamos mejorar el acceso a la atenci\u00f3n para las personas, dondequiera que est\u00e9n?\u00bb<\/p>\n
En 2017, macro-eyes recibi\u00f3 una peque\u00f1a subvenci\u00f3n del proyecto de ley y Melinda Gates Foundation para explorar la posibilidad de usar datos de trabajadores de salud de primera l\u00ednea para construir una cadena de suministro predictiva para vacunas. Fue el comienzo de una relaci\u00f3n con la Fundaci\u00f3n Gates que se ha expandido constantemente a medida que la compa\u00f1\u00eda alcanza nuevos hitos, desde la construcci\u00f3n de modelos precisos de utilizaci\u00f3n de vacunas en Tanzania y Mozambique hasta la integraci\u00f3n con las cadenas de suministro para hacer que los suministros de vacunas sean m\u00e1s proactivos. Para ayudar con esta \u00faltima misi\u00f3n, Prashant Yadav se uni\u00f3 recientemente a la junta directiva; Yadav trabaj\u00f3 como profesor de gesti\u00f3n de la cadena de suministro en el Programa de Log\u00edstica Internacional de MIT-Zaragoza durante siete a\u00f1os y ahora es miembro principal del Centro para el Desarrollo Global, un grupo de expertos sin fines de lucro.<\/p>\n
Junto con su trabajo en CHAIN, la compa\u00f1\u00eda ha implementado otro producto, Sibyl, que utiliza el aprendizaje autom\u00e1tico para determinar cu\u00e1ndo es m\u00e1s probable que los pacientes se presenten a las citas, para ayudar a los trabajadores de recepci\u00f3n en las cl\u00ednicas de salud a crear horarios. Fels dice que el sistema ha permitido a los hospitales mejorar tanto la eficiencia de sus operaciones que han reducido el tiempo promedio que los pacientes esperan para ver a un m\u00e9dico de 55 d\u00edas a 13 d\u00edas.<\/p>\n
Como parte de CHAIN, Sibyl De manera similar, utiliza una variedad de puntos de datos para optimizar los cronogramas, lo que le permite predecir con precisi\u00f3n el comportamiento en entornos donde otros modelos de aprendizaje autom\u00e1tico podr\u00edan tener problemas.<\/p>\n
Los fundadores tambi\u00e9n est\u00e1n explorando formas de aplicar ese enfoque para ayudar a controlar el COVID-19. pacientes a cl\u00ednicas de salud con capacidad suficiente. Ese trabajo se est\u00e1 desarrollando con el Director de Innovaci\u00f3n de Sierra Leona, David Sengeh SM ’12 Ph.D. ’16.<\/p>\n
Ampliar fronteras<\/p>\n
Crear soluciones para algunos de los sistemas de salud menos desarrollados del mundo puede parecer una forma dif\u00edcil de establecerse para una empresa joven, pero el enfoque es una extensi\u00f3n de la misi\u00f3n fundacional de macro-eyes de crear soluciones para el cuidado de la salud que puedan beneficiar a personas de todo el mundo por igual.<\/p>\n
\u00abComo organizaci\u00f3n, nunca podemos suponer que los datos nos estar\u00e1n esperando\u00bb, dice Fels. . \u00abHemos aprendido que debemos pensar estrat\u00e9gicamente y pensar en c\u00f3mo acceder o generar los datos que necesitamos para cumplir con nuestro mandato: hacer que la prestaci\u00f3n de atenci\u00f3n m\u00e9dica sea predictiva, en todas partes\u00bb.<\/p>\n
El enfoque es tambi\u00e9n es una buena manera de explorar las innovaciones en los campos matem\u00e1ticos en los que los fundadores han trabajado durante su carrera.<\/p>\n
\u00abLa necesidad es absolutamente la madre de la invenci\u00f3n\u00bb, dice Sra. \u00abEsta es una innovaci\u00f3n impulsada por la necesidad\u00bb.<\/p>\n
Y en el futuro, el trabajo de la empresa en entornos dif\u00edciles solo deber\u00eda facilitar el escalamiento.<\/p>\n
\u00abPensamos todos los d\u00edas en c\u00f3mo hacer que nuestra tecnolog\u00eda m\u00e1s r\u00e1pidamente implementable, m\u00e1s generalizable, m\u00e1s altamente escalable\u00bb, dice Sra. \u00ab\u00bfC\u00f3mo llegamos al inmenso poder de llevar el verdadero aprendizaje autom\u00e1tico a los problemas m\u00e1s importantes del mundo sin gastar primero d\u00e9cadas y miles de millones de d\u00f3lares en la construcci\u00f3n de infraestructura digital? \u00bfC\u00f3mo saltamos hacia el futuro?\u00bb <\/p>\n
Explore m\u00e1s<\/p>\n
Llevando el poder predictivo de la inteligencia artificial a la atenci\u00f3n m\u00e9dica Proporcionado por el Instituto de Tecnolog\u00eda de Massachusetts <\/p>\n
Esta historia se vuelve a publicar por cortes\u00eda de MIT News (web.mit.edu\/newsoffice\/), un sitio popular que cubre noticias sobre investigaci\u00f3n, innovaci\u00f3n y ense\u00f1anza del MIT. <\/p>\n
Cita<\/strong>: Mejorar la equidad en salud global al ayudar a las cl\u00ednicas a hacer m\u00e1s con menos (26 de junio de 2020) consultado el 31 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2020-06-global -health-equity-clinics.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 startup macro-eyes est\u00e1 incorporando nuevas t\u00e9cnicas de aprendizaje autom\u00e1tico e inteligencia artificial a problemas de salud global como la entrega de vacunas y la programaci\u00f3n de pacientes con su Connected Health AI Network (CHAIN). Cr\u00e9dito: macro-eyes Hoy en d\u00eda se vacunan m\u00e1s ni\u00f1os en todo el mundo que nunca, y la prevalencia de muchas … Continuar leyendo \u00abMejorar la equidad en salud global al ayudar a las cl\u00ednicas a hacer m\u00e1s con menos\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-28452","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/28452","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=28452"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/28452\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=28452"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=28452"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=28452"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}