Una ilustraci\u00f3n del entrenamiento de un mapa autoorganizado. La mancha azul es la distribuci\u00f3n de los datos de entrenamiento y el peque\u00f1o disco blanco es el dato de entrenamiento actual extra\u00eddo de esa distribuci\u00f3n. Al principio (izquierda), los nodos SOM se colocan arbitrariamente en el espacio de datos. Se selecciona el nodo (resaltado en amarillo) m\u00e1s cercano al dato de entrenamiento. Se mueve hacia el dato de entrenamiento, al igual que (en menor medida) sus vecinos en la cuadr\u00edcula. Despu\u00e9s de muchas iteraciones, la cuadr\u00edcula tiende a aproximarse a la distribuci\u00f3n de datos (derecha). Cr\u00e9dito: DOI: 10.1016\/j.array.2020.100049 <\/p>\n
Un novedoso m\u00e9todo de aprendizaje autom\u00e1tico ha descubierto los factores que son responsables de que las enfermeras informen, o no informen, errores no cr\u00edticos en la dispensaci\u00f3n de medicamentos <\/p>\n
Los errores m\u00e9dicos son m\u00e1s com\u00fan de lo que mucha gente piensa, y el tipo m\u00e1s frecuente proviene de la dispensaci\u00f3n de medicamentos. Sin embargo, los errores no cr\u00edticos rara vez se informan. Un grupo interdisciplinario de cient\u00edficos dirigido por Renjie Hu de la Universidad de Iowa, Iowa City, EE. UU., ha desarrollado una metodolog\u00eda computacional para predecir los factores que hacen que las enfermeras sean m\u00e1s propensas a informar errores. Este trabajo se publica con acceso abierto en la revista Array de Elsevier.<\/p>\n
Cada a\u00f1o mueren m\u00e1s personas en los EE. UU. por errores m\u00e9dicos que por c\u00e1ncer de mama, SIDA y accidentes automovil\u00edsticos combinados. Sin embargo, estos incidentes solo forman la punta del iceberg; todos los tipos de errores m\u00e9dicos, incluidos los errores de medicaci\u00f3n, no se notifican en gran medida, a menos que causen da\u00f1os graves a los pacientes afectados. La tasa real de informes puede ser incluso tan baja como el cinco por ciento.<\/p>\n
En un hospital t\u00edpico, las enfermeras est\u00e1n involucradas en la administraci\u00f3n de alrededor del 40 por ciento de los medicamentos; incluso si no administran los medicamentos ellos mismos, a menudo pueden observar c\u00f3mo se administran. A pesar de la responsabilidad que se les atribuye, aducen muchas razones para no informar de los errores, especialmente cuando no se ha producido un da\u00f1o grave. Estos incluyen el miedo a la culpa y las represalias de sus gerentes y sus compa\u00f1eros.<\/p>\n
Hay muchos factores que pueden influir en si, despu\u00e9s de un incidente determinado, la enfermera en cuesti\u00f3n informar\u00e1 de un error. Estos incluyen factores relacionados con las relaciones de las enfermeras con sus gerentes, cu\u00e1nto sienten que pertenecen a la instituci\u00f3n y cuestiones de confianza, as\u00ed como caracter\u00edsticas demogr\u00e1ficas b\u00e1sicas.<\/p>\n
El m\u00e9todo computacional desarrollado por Hu y su Sus colegas utilizan dos enfoques distintos de aprendizaje autom\u00e1tico para buscar y luego visualizar patrones en los datos que sugieren qu\u00e9 factores son m\u00e1s importantes para determinar el comportamiento de las enfermeras en diferentes circunstancias. \u00abEste es un m\u00e9todo novedoso y poderoso que puede combinar el an\u00e1lisis no lineal y la visualizaci\u00f3n para revelar factores no lineales (como el comportamiento humano) en los datos y guiar al personal superior del hospital para mejorar su gesti\u00f3n\u00bb, dice Hu.<\/p>\n
Los investigadores consideraron tres tipos de errores de medicaci\u00f3n de gravedad creciente: cuando se detect\u00f3 y corrigi\u00f3 un error antes de que se cometiera; donde se cometi\u00f3 el error pero no hubo da\u00f1o potencial para el paciente; y donde el paciente podr\u00eda haber sido da\u00f1ado pero no lo fue. Recolectaron datos relevantes sobre las enfermeras, sus gerentes e instituciones y su probabilidad declarada de informar los tres tipos de errores de las encuestas, y los usaron en redes neuronales paralelas para identificar aquellas variables que estaban m\u00e1s asociadas con una alta y baja probabilidad de informar errores.<\/p>\n
Las variables m\u00e1s predictivas se visualizaron en cuadr\u00edculas de colores utilizando otra t\u00e9cnica de aprendizaje autom\u00e1tico: los mapas autoorganizados. \u00abEste an\u00e1lisis visual nos proporcion\u00f3 un an\u00e1lisis exhaustivo de las variables seleccionadas\u00bb, a\u00f1ade Hu. Mostr\u00f3 claras diferencias entre los errores menos severos, donde los juicios de las enfermeras fueron m\u00e1s afectados por las actitudes de sus pares, y los m\u00e1s graves, donde las actitudes de los gerentes fueron m\u00e1s importantes. <\/p>\n
Explore m\u00e1s<\/p>\n
El informe de errores de medicaci\u00f3n no es indicativo de la seguridad del paciente M\u00e1s informaci\u00f3n:<\/strong> Renjie Hu et al, Uso del aprendizaje autom\u00e1tico para identificar los principales predictores de la disposici\u00f3n de las enfermeras a informar errores de medicaci\u00f3n, Array ( 2020). DOI: 10.1016\/j.array.2020.100049 Proporcionado por SciencePOD Cita<\/strong>: Uso de inteligencia artificial para mejorar la notificaci\u00f3n de errores de medicaci\u00f3n (2022, 19 de enero) consultado el 29 de agosto de 2022 en https:\/\/medicalxpress.com\/news \/2022-01-artificial-intelligence-medication-errors.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":" Una ilustraci\u00f3n del entrenamiento de un mapa autoorganizado. La mancha azul es la distribuci\u00f3n de los datos de entrenamiento y el peque\u00f1o disco blanco es el dato de entrenamiento actual extra\u00eddo de esa distribuci\u00f3n. Al principio (izquierda), los nodos SOM se colocan arbitrariamente en el espacio de datos. Se selecciona el nodo (resaltado en amarillo) … Continuar leyendo \u00abUso de la inteligencia artificial para mejorar la notificaci\u00f3n de errores de medicaci\u00f3n\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-6460","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/6460","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=6460"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/6460\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=6460"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=6460"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=6460"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}