Utilizamos cookies para comprender de qué manera utiliza nuestro sitio y para mejorar su experiencia. Esto incluye personalizar el contenido y la publicidad. Para más información, Haga clic. Si continua usando nuestro sitio, consideraremos que acepta que utilicemos cookies. Política de cookies.

Please note that the HospiMedica website is also available in a complete English version
Presenta Sitios para socios Información LinkXpress hp
Ingresar
Publique su anuncio con nosotros
RANDOX LABORATORIES

Deascargar La Aplicación Móvil




Herramienta de aprendizaje automático identifica trastornos inmunes raros a partir de registros electrónicos de pacientes

Por el equipo editorial de HospiMedica en español
Actualizado el 24 May 2024
Print article
Imagen: Una herramienta de aprendizaje automático puede identificar pacientes con enfermedades raras y no diagnosticadas (foto cortesía de 123RF)
Imagen: Una herramienta de aprendizaje automático puede identificar pacientes con enfermedades raras y no diagnosticadas (foto cortesía de 123RF)

Los pacientes que padecen enfermedades raras suelen sufrir grandes retrasos a la hora de recibir diagnósticos y tratamientos precisos, lo que puede provocar pruebas innecesarias, empeoramiento de la salud, tensión psicológica y costes financieros importantes. La inteligencia artificial (IA), incluido el aprendizaje automático, se integra cada vez más en la atención sanitaria para abordar estos desafíos. Los investigadores ahora han desarrollado un método que utiliza inteligencia artificial para acelerar el proceso de diagnóstico de personas no diagnosticadas que padecen enfermedades raras mediante la identificación de patrones en sus historias clínicas electrónicas (HCE) que son similares a los observados en pacientes con trastornos conocidos.

En UCLA Health (Los Ángeles, CA, EUA), investigadores han demostrado que una herramienta de aprendizaje automático puede acelerar significativamente la identificación de pacientes con enfermedades raras y no diagnosticadas, mejorando potencialmente sus resultados y reduciendo al mismo tiempo los costos de atención médica y la morbilidad. El objetivo de su estudio se centró en un grupo de trastornos conocidos como inmunodeficiencia común variable (IDCV), que con frecuencia se pasa por alto en los diagnósticos médicos durante años o incluso décadas porque estas afecciones son raras, varían ampliamente en los síntomas de un individuo a otro y comparten síntomas de dolencias más comunes. La complejidad se exacerba aún más porque cada caso puede ser causado por mutaciones en cualquiera de los más de 60 genes diferentes, sin que ninguna mutación genética uniforme los vincule. Esta variabilidad genética significa que no hay pruebas genéticas sencillas que puedan diagnosticar de manera concluyente todos los casos de IDCV.

El equipo de UCLA desarrolló una aplicación de aprendizaje automático llamada PheNet, un nombre derivado de "fenotipos", que son los rasgos o características observables de una enfermedad en un paciente. PheNet está diseñado para aprender los patrones fenotípicos asociados con casos confirmados de IDCV y aplicar este conocimiento para evaluar y clasificar a los pacientes según su probabilidad de tener la enfermedad. Dado que no existe una presentación clínica única para la IDCV, identificar una "firma" de HCE para el trastorno es una tarea compleja. Para abordar esto, los investigadores crearon un algoritmo computacional que podría deducir firmas de HCE a partir de los registros médicos de pacientes con IDVC conocidos y los patrones de enfermedad documentados en la literatura médica. El sistema calcula una puntuación numérica para cada paciente, dando prioridad a aquellos con mayor probabilidad de tener IDVC. Estos pacientes con puntuaciones altas son aquellos que los investigadores describen como "escondidos en el sistema médico" y se les recomienda derivarlos a un especialista en inmunología. Cuando el equipo de UCLA aplicó PheNet a la extensa base de datos de registros médicos electrónicos de UCLA y realizó una revisión ciega de los 100 pacientes principales identificados por el sistema, descubrieron que el 74 % de estos pacientes tenían probabilidades de tener IDVC.

"Demostramos que los algoritmos de inteligencia artificial como PheNet pueden ofrecer beneficios clínicos al acelerar el diagnóstico de IDVC, y esperamos que esto también se aplique a otras enfermedades raras", dijo el Dr. Bogdan Pasaniuc, profesor de medicina computacional, genética humana y medicina de laboratorio y patología en UCLA. “Nuestra implementación en los cinco centros médicos de la Universidad de California ya está teniendo un impacto. Ahora estamos mejorando la precisión de nuestro enfoque para identificar mejor la IDVC mientras nos expandimos a otras enfermedades. También planearemos enseñar al sistema a leer notas médicas para obtener aún más información sobre los pacientes y sus enfermedades”.

Enlaces relacionados:
UCLA Health

New
Miembro Oro
X-Ray QA Meter
T3 AD Pro
Flocked Fiber Swabs
Puritan® patented HydraFlock®
New
Mammography Analytics Platform
Unifi Analytics Software
New
Transcatheter Valve Repair System
PASCAL Precision

Print article
Radcal

Canales

Técnicas Quirúrgicas

ver canal
Imagen: Ilustración de cómo las láminas de grafeno se alinean sobre una superficie y pueden matar bacterias sin dañar las células humanas sanas (foto cortesía de Yen Sandqvist)

Material de recubrimiento de grafeno ultrafino abre el camino a dispositivos médicos bactericidas

Las infecciones asociadas a la atención sanitaria son un problema global significativo, que conduce a un gran sufrimiento, incremento en los costos de atención médica y un mayor riesgo... Más

Cuidados de Pacientes

ver canal
Imagen: La tecnología portátil de BeamClean inactiva los patógenos en superficies comúnmente tocadas en segundos (foto cortesía de Freestyle Partners))

Tecnología portátil de luz germicida, única en su tipo, desinfecta superficies clínicas de alto contacto en segundos

La reducción de las infecciones adquiridas en la atención sanitaria (IAAS) sigue siendo una cuestión apremiante dentro de los sistemas sanitarios mundiales. Sólo en Estados Unidos, 1,7 millones de pacientes... Más

TI

ver canal
Imagen: El primer modelo específico de la institución proporciona una ventaja de desempeñoa significativa sobre los modelos actuales basados en la población (Fotografía cortesía de Mount Sinai)

Modelo de aprendizaje automático mejora predicción del riesgo de mortalidad para pacientes de cirugía cardíaca

Se han implementado algoritmos de aprendizaje automático para crear modelos predictivos en varios campos médicos, y algunos han demostrado mejores resultados en comparación con sus... Más

Pruebas POC

ver canal
Imagen: El lector de inmunoensayo cuantitativo RPD-3500 (Fotografía cortesía de BK Electronics)

Lector de inmunoensayo de pruebas POC proporciona análisis cuantitativo de kits de prueba para diagnóstico más preciso

Un lector de inmunoensayos cuantitativos pequeño y liviano que proporciona un análisis cuantitativo de cualquier tipo de kits o tiras de prueba rápida, y se puede conectar a una PC... Más
Copyright © 2000-2024 Globetech Media. All rights reserved.