IA PARA LA GESTIÓN DE DATOS CLÍNICOS EN HOSPITALES

Autores:

Angel Suarez:32690400

Aidan Serrudo:31135691

REPÚBLICA BOLIVARIANA DE VENEZUELA

UNIVERSIDAD DEL ZULIA

FACULTAD DE MEDICINA LUZ

ESCUELA DE MEDICINA

CÁTEDRA ECOLÓGICO CIENTÍFICA Y TECNOLÓGICA: INFORMÁTICA

IA para la gestión de datos clínicos en hospitales

Autores:

Univ. Ángel Suarez CI:32690400

Univ. Aidan Serrudo CI:31135691

Prof.: Dra. Roraxy Fonseca.

MARACAIBO 25-02-25

Índice

Introducción…………………………………………………………………...………… 3

Abstract.................................................................................................................. 3

Fase I: El Problema.

1. Planteamiento del Problema………………………………………….…........ 4

1.1. Formulación del Problema……………………………………………..…………. 5

2. Objetivos de la Investigación………………………………….…………...……….. 5

2.1. Objetivo General……………………………………….………………..… ………5

2.2. Objetivos Específicos…………………………………….……………………….. 5

3. Justificación de la investigación…..…………………………………..………..….. 6

Fase II: Marco Teórico

1. Antecedentes de la investigación…………………….…………………...….. 7

2. Bases teóricas de las variables de estudio……………………..………..…...16

3.Tipo de investigación……………………………………………..……………… 17

4. Técnicas e instrumentos de recolección de datos……………………………. 17

Fase III: Resultados de la investigación

Resultados….…………………………………………………....……….……. 18

Conclusión ……………………………….……………………………………...…… ….20

Referencias Bibliográficas……………………….…………………………………..… .21

Introducción

Los humanos somos seres inteligentes, y esta característica es la que nos hace únicos. La Inteligencia Artificial (IA) es una extensión de esa cualidad. La IA se puede definir como una inteligencia similar a la humana, pero desarrollada por programas informáticos, según Santos, la inteligencia artificial es una rama de la investigación de la informática que busca, por medio de símbolos computacionales, construir mecanismos o dispositivos que simulen la capacidad del ser humano para pensar y resolver problemas, Si bien el término IA fue conceptualizado en el año 1956, ha sido establecido nuevamente, con la progresión de la transformación digital, cuando ha cobrado plena relevancia, gracias a su potencial impacto en la sociedad y su incorporación a los sistema de salud. Para 2029, se estima que el 95% de las interacciones humanas estarán respaldadas por tecnologías de IA.

- La relación entre los pacientes y los profesionales de la salud se basa en interacciones humanas, que constituyen la base natural de la atención médica. Sin embargo, hay un lugar para la IA en el campo de uso intensivo de datos, donde es necesario realizar tareas complejas, “Lobo afirma que la inteligencia artificial en medicina consiste en el uso de computadoras que, al analizar un gran volumen de datos y seguir algoritmos definidos por expertos en la materia, son capaces de proponer soluciones a problemas médicos”.

Abstract

Humans are intelligent beings, and this characteristic is what makes us unique. Artificial Intelligence (AI) is an extension of that quality. AI can be defined as an intelligence similar to that of a human, but developed by computer programs. According to Santos, artificial intelligence is a branch of computer science research that seeks, through computational symbols, to build mechanisms or devices that simulate the capacity of the human being to think and solve problems. Although the term AI was conceptualized in 1956, it has been established again, with the progression of the digital transformation, when it has become fully relevant, thanks to its potential impact on society and its incorporation into information systems. health. By 2029, it is estimated that 95% of human interactions will be supported by AI technologies.

The relationship between patients and health professionals is based on human interactions, which constitute the natural basis of medical care. However, there is a place for AI in the data-intensive field, where it is necessary to perform complex tasks, “Lobo states that artificial intelligence in medicine consists of the use of computers that, by analyzing a large volume of data and following algorithms defined by experts in the field, are capable of proposing solutions to medical problems.”

Palabras claves: Inteligencia artificial, Gestión, Salud, Ética, Algoritmos, Enfermedad.

Keywords: Artificial intelligence, Management, Health, Ethics, Algorithms, Disease.

FASE I

Problema de Investigación

1- Planteamiento del problema:

Para implementar la Inteligencia artificial en la gestión de datos clínicos en hospitales es necesario el planteamiento de los desafíos y consideraciones que esta conlleva tomando en cuenta la bioética del paciente, algunos de ellos son:

· -Privacidad y Seguridad de los Datos: Es crucial proteger los datos médicos de los pacientes para evitar violaciones de privacidad.

- En el siglo XXI los fundamentos de la tecnología blockchain permite disponer de una base de datos distribuida y descentralizada formada por cadenas de bloques diseñadas para evitar su modificación una vez que un dato ha sido publicado; se utiliza un sello de tiempo confiable y se enlaza a un bloque anterior, permitiendo la transferencia de activos y datos de manera comprobable y confiable. Este sistema es especialmente adecuado para almacenar, de forma creciente, datos ordenados en el tiempo y sin posibilidad de modificación ni revisión, registrando cambios atómicos del estado del sistema y dejando una marca temporal. Al tratarse de un sistema con características inmutables, descentralizado y verificable, actualmente se utiliza mayoritariamente en clínicas en Europa y Asia.

· Aceptación por parte del Personal Médico: Los médicos y el personal hospitalario deben recibir capacitación adecuada para utilizar las herramientas de IA.

- Se teme que este tipo de sistemas de IA sea presentado a la sociedad como superior a la experiencia médica, lo que podría generar presión para que se implemente prematuramente en los sistemas de salud y hacer que su desarrollo se produzca sin una rigurosa base de evidencias. Para evitar que esto suceda, debe haber ética, diligencia y transparencia durante la investigación y elaboración del sistema. Además, este proceso debe basarse en evidencias científicas y seguir todos los protocolos y etapas necesarios para su implantación segura en el ámbito de la salud, y los investigadores no pueden sucumbir a las presiones sociales, por lo que compromete el desarrollo de la IA.

· Proteger la autonomía humana: (humanos deben mantener el control de los sistemas y la toma de decisiones).

· Inclusividad y equidad (garantizar un uso que no discrimine por edad, género, etnia, orientación sexual, u otra característica protegida por los derechos humanos)

Sustentabilidad (consistente con los esfuerzos mundiales de reducir el impacto humano en el medio ambiente, así como anticiparse a posibles pérdidas de trabajo debido a la automatización)

1.1 Formulación del problema

· ¿Es importante fomentar la confianza en las recomendaciones generadas por la IA?

¡Claro que sí!

· ¿Qué materiales tangibles se necesitan?

-Infraestructura adecuada: los hospitales deben contar con sistemas tecnológicos modernos y redes seguras que puedan manejar grandes volúmenes de datos.

· ¿Como ha sido implementada en países en vía de desarrollo?

· ¿La IA facilitara datos administrativos que constantemente cambian?

Inasistencia de pacientes a su hora de consulta.

Los datos administrativos de salud también son útiles para resolver problemas que se presentan en la gestión de la salud. Uno de esos problemas es la inasistencia de pacientes a sus horas médicas. En una investigación se probaron diversos algoritmos de aprendizaje automático para lograr predecir el fenómeno. El mejor modelo logra detectar 82% de las citas con inasistencia utilizando el clasificador Naive Bayes. Las variables más relevantes para la predicción fueron la cantidad de días entre la programación de la hora y la realización de la cita, horas perdidas por el paciente con anterioridad, número de días desde la última hora, entre otras.

· 2- Objetivos de la Investigación:

2.1 - Objetivo general: Conocer como la IA está siendo utilizada para gestionar datos y determinar una manera de aumentar la productividad en hospitales.

2.2 -Objetivos específicos:

- Establecer los desafíos Bioéticos en el trámite de datos clínicos

- Entender la importancia de la IA como ayuda administrativa en el flujo de pacientes

-Comprender la aplicación de aprendizaje Automático de IA en el sistema sanitario

3 - Justificación de la investigación:

-La investigación realizada tiene el propósito de conocer un área de estudio que puede transformar profundamente la atención hospitalaria y la labor administrativa de tal manera que mejora de la Eficiencia Operativa, reduzca errores, personalice la atención medica con perfiles detallados del paciente y tome en cuenta sus necesidades futuras de atención. Ejemplos verídicos y comprobados referente al tema investigado son:

IBM Watson Health quien utiliza IA para analizar grandes volúmenes de datos médicos y proporcionar recomendaciones de tratamiento basadas en la evidencia.

Royal Melbourne Hospital: Utilizó las soluciones de IBM para mejorar los procesos y la experiencia de pacientes y persona

University Hospitals Coventry and Warwickshire (UHCW) NHS Trust: Implementó la tecnología de IBM para atender a 700 pacientes adicionales semanalmente

Biorasi LLC es una organización de investigación clínica que se asoció con IBM Watson Health para mejorar la eficiencia de sus ensayos clínicos.

Cuyos resultados son: Reducción significativa del tiempo necesario para la captura electrónica de datos, pasando de un estándar de 73 días a menos de 40 días.

Memorial Sloan Kettering Cancer Center entre otros hospitales.

FASE: II

MARCO TEÓRICO

1. Antecedentes de la investigación:

- La investigación fue desarrollada a partir de artículos Indexados en la base de datos recomendadas y fiables académicamente según las normas para los trabajos de LUZ entre ellas se utilizó buscadores como Google Scholar, SciELO - Scientific Electronic Library entre otros.

Definiciones usadas anteriormente sobre Gestión establecen que

la gestión planifica, construye, ejecuta y controla actividades alineadas con la dirección establecida por el cuerpo de gobierno para alcanzar las metas empresariales y esfuerzos de las personas.

Artículos recientes a nivel mundial basados en conocimiento de Centros hospitalarios ejemplo en Corea del Sur comprobó el uso de la IA basada en el aprendizaje profundo como instrumento para predecir con precisión la necesidad de cuidados intensivos en pacientes en servicios médicos de urgencias pre- hospitalarios.

Resaltar la inteligencia artificial aplicada a farmacia hospitalaria

Gestión, procesos y logística

Almacenamiento y distribución de medicamentos

El análisis de un gran conjunto de datos permitirá a los algoritmos predecir la demanda de medicamentos, identificando las fechas de caducidad y optimizando los niveles de existencias garantizando un suministro adecuado de medicamentos, reducir el desperdicio y evitar los desabastecimientos, mejorando así la eficiencia operativa.

Profesional de la salud:

Las soluciones de IA generativa prometen ser de utilidad en el proceso de investigación y publicación científica convirtiéndose en un asistente en el proceso de lectura, redacción, análisis y corrección de artículos científicos. También es una vía de aplicación en la formación sanitaria especializada como un vehículo para evaluar el progreso formativo en tiempo real. De esta manera es posible identificar áreas de mejora, recibir orientación, desarrollar planes de aprendizaje personalizados, predecir el rendimiento futuro y detectar posibles problemas. Por lo que se ofrecerá una experiencia totalmente personalizada en la educación, mejorando los resultados de los pacientes al dotar a los profesionales sanitarios de mejores habilidades y conocimientos.

Farmacoterapia y seguridad clínica

Métodos como el DL se están aplicando para reutilizar fármacos, ya comercializados y buscar nuevos usos e indicaciones. Gracias al análisis de perfiles genéticos, a la búsqueda de nuevas interacciones fármaco proteína o fármaco-receptor y al descubrimiento mecanismos moleculares entre otros.

. Del mismo modo, el DL será de utilidad en la investigación sanitaria para descubrir nuevos efectos adversos, interacciones farmacológicas, así como identificar nuevos fenotipos y biomarcadores de respuesta. A pesar de los potenciales beneficios, los casos de uso de la IA en los SFH, en la actualidad son aún reducidos. La mayor parte de ejemplos se concentran en sistemas de soporte centrados en la revisión de las órdenes de prescripción y en la detección y/o predicción de reacciones adversas medicamentosas52–59. En la tabla 2 se pueden consultar 6 casos de uso reales con aplicabilidad a los servicios de farmacia del hospital. El farmacéutico de hospital con conocimientos de IA será un profesional que aporte valor diferencial y aborde los retos desde una nueva perspectiva innovadora:

2. Bases Teóricas de la variable de estudio.

Los sistemas de IA pueden ser clasificados según diferentes criterios, siendo el más relevante su capacidad para aprender de forma autónoma o si por el contrario requiere de programación para su aprendizaje.

Dentro de los sistemas de IA con capacidad de aprendizaje automático encontramos 2 categorías con características bien diferenciadas; aquellos basados en algoritmos de aprendizaje automático tradicional, también conocidos como machine learning y los algoritmos compuestos por sistemas neuronales con Múltiples capas, conocidos como aprendizaje profundo ( deep learning ). Ambos se caracterizan por aprender a partir de los datos o de los ejemplos, de forma que el resultado (llamado salida) no depende de la programación informática de reglas preconfiguradas, sino que dichas reglas son aprendidas por el propio sistema.

Figura 1. Jerarquía de la inteligencia artificial. Adaptada de Pettit RW et al.2

.Algunos conceptos que se usan comúnmente en el área de aprendizaje automático pueden ser desconocidos para el personal médico. A continuación, introducimos las definiciones de los conceptos más relevantes

Datos etiquetados: se refiere a los ejemplos con sus variables correspondientes que tienen etiquetas o valores reales para su variable objetivo. Por ejemplo, imágenes de células con la etiqueta de cancerígenas o benignas.

Conjunto de entrenamiento: subconjunto de datos etiquetados que se utiliza para entrenar un modelo.

Conjunto de prueba: subconjunto de los datos etiquetados que se utiliza para calcular métricas de evaluación del rendimiento del modelo. Este subconjunto no es utilizado para entrenar el modelo.

Modelo: se refiere al conjunto de parámetros entrenados a partir de los datos del conjunto de entrenamiento. El modelo puede ser de diversos tipos (ecuaciones matemáticas, árboles o grafos, reglas lógicas, entre otros) y debe ser definido previamente.

Algoritmo: serie de pasos o rutina que permiten entrenar un modelo, es decir, seleccionar los valores de los parámetros a partir de los datos del conjunto de entrenamiento.

Enfoques de aprendizaje automático

Dos importantes enfoques de aprendizaje que ayudan a comprender los tipos de aplicaciones existentes son el aprendizaje supervisado y no supervisado.

Aprendizaje supervisado: generación de un modelo que utiliza un conjunto de entrenamiento para predecir una variable objetivo. Un ejemplo de aprendizaje supervisado es utilizar imágenes de fondo de ojo para predecir retinopatía diabética en pacientes. Para entrenar un modelo que pueda “aprender” a predecir esta tarea, se requiere un conjunto de imágenes de fondo de ojo con etiquetas de condición normal y con retinopatía diabética

Fig. 1. Esquema de aprendizaje supervisado. Los datos de entrenamiento son utilizados por el algoritmo de machine learning para generar un modelo, que es validado en los datos de prueba. Es posible iterar el proceso hasta obtener resultados satisfactorios. Finalmente, el modelo entrenado es utilizado para realizar predicciones.

Aprendizaje no supervisado: entrenamiento de un modelo que utiliza datos sin etiquetas para realizar análisis descriptivo de los mismos (agrupación, asociaciones o detección de anomalías). Un ejemplo de aprendizaje no supervisado sería generar grupos o clúster de pacientes de acuerdo a un conjunto de variables, que permita focalizar ciertos tratamientos

- Fig. 2. Esquema de aprendizaje no supervisado: Los datos de entrada son utilizados por el algoritmo de machine learning para generar un modelo que se utilizará para generar algún tipo de descripción de los datos.

. Mortalidad intrahospitalaria como tema para el aprendizaje automático de la IA

La mortalidad intrahospitalaria es definida como la muerte de un paciente una vez que se ha hecho un ingreso al hospital donde es atendido. Diversos estudios han intentado realizar una estimación certera de la mortalidad intrahospitalaria utilizando técnicas de aprendizaje automático. En general, los estudios intentan realizar una predicción con una anticipación entre 24 y 48 horas desde el ingreso del paciente hasta el deceso de este.

El trabajo de Ye et al.9 por ejemplo, tuvo como objetivo monitorear el riesgo de mortalidad con un sistema de alerta temprana en tiempo real en dos hospitales de Norte América. Para entrenar distintos modelos de aprendizaje automático utilizaron datos de 42.484 pacientes entre 2015 y 2016, y la evaluación de los modelos se realizó con datos de 11.762 pacientes durante el 2017. A partir de la evaluación se identificó el algoritmo Random Forest como el de mejor desempeño.

- El diseño de agentes virtuales, y gráficos estadísticos puede ofrecer información al personal sanitario de manera cuantitativa, según sus demandas y necesidades informativas. Esto les ayudará a tomar decisiones más informadas sobre la gestión de salud.

- Si intentáramos definir el flujo de pacientes de la Unidad de Cuidados Intensivos, observaríamos que su procedencia puede ser programada o urgente. Los ingresos programados mayoritariamente son pacientes postquirúrgicos de alto riesgo, en tanto que los urgentes pueden provenir del área de Urgencias y Observación, de una planta convencional de hospitalización o de otro centro hospitalario. El destino de los pacientes ingresados en la Unidad, prácticamente en su totalidad se realiza a una plantade hospitalización (fig. 1). El flujo de pacientes puede variar su magnitud de un centro a otro, pero si nos propusiéramos globalizar el enfoque del proceso asistencial del paciente grave podríamos intentar modificar el flujo en sí mismo

Con estas premisas, La IA ha ha desarrollado un sistema de gestión en Medicina Intensiva basado en la seguridad del paciente gravemente enfermo durante todo el proceso de hospitalización, al que ha sido denominado Servicio Extendido Tecnológico de Medicina Intensiva (SETMI) (fig. 2). En él se han establecido dos líneas estratégicas bien diferenciadas, en función del lugar de hospitalización del enfermo: la «Detección precoz del enfermo grave fuera de la Unidad de Cuidados Intensivos» y la «Seguridad del paciente en la Unidad de Cuidados Intensivos».

La primera de las líneas estratégicas hace referencia a la identificación de los pacientes de riesgo fuera de la Unidad y está basada en el reconocimiento, orientación diagnóstica y tratamiento temprano del paciente grave, en colaboración con otras especialidades clínicas e independientemente de su lugar de hospitalización. Así, bien cuando un paciente cumple unos criterios de gravedad bien definidos y su Médico o enfermera responsables avisan al equipo de Médicos, o bien cuando directamente en su labor diaria programada este equipo identifica un paciente en situación de riesgo, se procede a la evaluación clínica detallada de la situación, y siempre de acuerdo con el médico responsable, se determina cuál es el nivel de cuidados que necesita y cuál sería su mejor ubicación.

- La actividad se dirige tanto a aquellos enfermos que desde el área de Urgencias permanecen todavía en Urgencias u Observación o que han sido hospitalizados en una planta de cuidados convencionales como para aquellos otros que, después de su alta de la UCI, están hospitalizados en planta convencional, pero que son considerados de alto riesgo (enfermos postquirúrgicos con enfermedad médica concomitante, enfermos con fracasos orgánicos en evolución, enfermos con alta dependencia todavía de cuidados enfermeros, altas precoces forzadas por necesidades asistenciales). Una herramienta de ayuda en la necesidad de seguir a un enfermo concreto, y que sirve además de control de calidad, es el índice de Sabadell en Algoritmo de IA y valoración médica presencial.

Este índice, recientemente validado en un estudio multicéntrico de ámbito nacional, es una escala subjetiva que gradúa el pronóstico de los enfermos al alta de la UCI, en términos de supervivencia al episodio hospitalario

(tabla 1).

3 - Tipo de investigación

La presente investigación es de tipo descriptiva documental: Puesto que se describe una realidad a través de fuentes documentales, se basa en el método de análisis y se utiliza para caracterizar un objeto de estudio o situación.

4- Técnicas e instrumentos de recolección de datos.

- Principal técnica aplicada el análisis documental que consiste en una técnica de investigación cualitativa flexible y adaptable a las necesidades del estudio se exploró contextos y fenómenos a partir de documentos existentes sobre el tema.

- Los instrumentos fueron Laptops, teléfonos inteligentes “Galaxy 03 Core, Red mi 11.”

FASE III

RESULTADOS DE LA INVESTIGACIÓN

1- Resultados:

Automatización de la Recopilación de Datos

. Tiene la Facultad de optimizar la programación de personal, la gestión de inventarios y la planificación de camas reduciendo la carga administrativa sobre los médicos y el personal de salud, permitiéndoles dedicar más tiempo a la atención del paciente.

A -Historiales Médicos Electrónicos (HME): La Inteligencia artificial puede extraer datos automáticamente de HME y otros sistemas de registro de pacientes. Utiliza técnicas de procesamiento del lenguaje natural (NLP) para interpretar y estructurar datos no estructurados, como notas de los médicos, resultados de pruebas y descripciones de síntomas

Análisis Predictivo:

.B -Monitorización de pacientes y servicios de telemedicina

La monitorización constante de pacientes crónicos o en cuidados intensivos por dispositivos médicos como sensores y dispositivos enlazados inalámbricamente generan datos en tiempo real que son analizados por los médicos especialistas desde sus dispositivos y presentes en el hospital detectando el requerimiento de una intervención temprana en caso de detectar algún signo que coloque en riesgo la vida del paciente. Algunos ejemplos son:

- Dispositivos Ponibles (Wearables)

Smartwatches: Capases medir signos vitales como la frecuencia cardíaca, la saturación de oxígeno y la actividad física.

Pulseras - cinturones – gorros

- Parches Inteligentes:

Recogen información sobre parámetros como la temperatura corporal, la frecuencia respiratoria y la actividad eléctrica del corazón.

- Monitores de Glucosa Continuos:

Miden los niveles de glucosa en sangre de manera continua, utilizando algoritmos para predecir tendencias y alertar sobre posibles episodios de hipoglucemia o hiperglucemia

- Cámaras y Sensores de Movimiento:

El uso de reconocimiento facial para detectar fiebre en personas

Permite el monitoreo en habitaciones de hospital y hogares de la actividad física siendo capaz de detectar caídas describiendo patrones de movimientos inusuales.

- Sensores de Respiración:

Miden la frecuencia y la calidad de la respiración, detectando posibles problemas respiratorios. Pueden dispensar medicamentos y enviar alertas en tiempo real

Utilizan sensores ópticos y fotopletismografía (PPG) para obtener datos precisos

- Análisis de imágenes médicas:

La capacidad de procesar radiografías, resonancias magnéticas y tomografías, los algoritmos pueden detectar lesiones o anomalías con mayor precisión

Un estudio publicado en marzo del 2020 en la revista Radiology afirma que la IA de aprendizaje profundo pudo detectar con precisión la covid-19, con base en imágenes de tomografía computarizada (TC) del tórax, y distinguirla de la neumonía y otras enfermedades, pulmonares.

Esto permite una monitorización constante y Automatización del Análisis de Datos

- Algoritmos de Aprendizaje Automático:

Los algoritmos de aprendizaje automático pueden analizar grandes conjuntos de datos para identificar patrones, tendencias y correlaciones. Esto es útil para predecir brotes de enfermedades, identificar factores de riesgo y planificar recursos hospitalarios.

Esto no solo mejora la atención al paciente, sino que también puede reducir los costos operativos del hospital.

Por ejemplo, los modelos predictivos pueden analizar los datos de los pacientes para prever readmisiones hospitalarias y permitir intervenciones preventivas.

- Diagnóstico Asistido por IA:

La IA puede asistir en el diagnóstico al comparar los síntomas del paciente con bases de datos médicas y estudios previos. Utiliza algoritmos de reconocimiento de patrones para identificar posibles diagnósticos, sugerir pruebas adicionales y recomendar terapias adaptadas a las necesidades específicas de cada persona

Esto mejora la precisión y la rapidez de los diagnósticos, especialmente en casos complejos o raros.

- Patología digital:

La patología digital incorpora la obtención, gestión, intercambio e interpretación de información patológica. Las imágenes corresponden a las capturas de tejido fijado sobre portaobjetos de vidrio a través del escaneo de alta resolución. Una aplicación de machine learning en esta área es la identificación del carcinoma de células escamosas de orofaringe. El trabajo se realizó con el objetivo de identificar células escamosas de orofaringe relacionado con el virus del papiloma humano, en donde los pacientes desarrollan enfermedades recurrentes como metástasis en el 10% de los casos, y los restantes pueden presenciar una morbilidad importante por el tratamiento, por lo que es fundamental poder identificar la presencia de tumores agresivos o indolentes. Los datos con los que se trabajaron corresponden a escaneos de portaobjetos teñidos con hematoxilina y eosina de una cohorte de micromatrices de casos. El clasificador denominado “QuHblC” predijo correctamente los resultados de 140 pacientes obteniendo un 87,5% de precisión. Se concluyó que, con pequeñas aplicaciones de hematoxilina y eosina, el clasificador QuHblC puede predecir fuertemente el riesgo de recurrencia. Con una validación prospectiva, este clasificador puede ser útil para estratificar a los pacientes en diferentes grupos de tratamiento.

Conclusión

_ Este estudio demuestra que la integración de la IA en gestión de datos en los centros de salud está creando un futuro en el que la atención médica es más eficiente, precisa y personalizada y tiene un potencial de crecimiento según pasen los siglos, exponencial. Asimismo, durante el proyecto se planteó los puntos de vista para su aprobación que involucra una variedad de factores regulatorios: Éticos, técnicos y prácticos y el valor de la responsabilidad a nivel profesional recordando que hay organismos como la FDA en Estados Unidos, la EMA en Europa y otras agencias nacionales reguladoras encargadas de evaluar y aprobar acciones de la IA siendo esencial que las soluciones que propone en situaciones laborales sean transparentes en cuanto a cómo toman decisiones. Esto incluye la capacidad en explicación de los algoritmos.

Al tratarse de un tema moderno poco explorado que tomo fuerza en la Pandemia del COVID 19 es necesario una mayor cantidad de expansión a nivel mundial y un periodo de adaptación, además de una demanda a nivel económico para el estado y de países catalogados con pocos desarrollos económica y socialmente para verlo en la mayoría de instalaciones hospitalarias.

Hay que tener en cuenta que estadísticamente los países con la mayor densidad de robots tienen también las tasas de desempleo más bajas. La combinación correcta de tecnología y humanos impulsa a la preparación, cambio, excelencia, mayor desempeño laboral y prosperidad.

Referencias Bibliográficas

- McGaughey J, Alderdice F, Fowler R, Kapila A, Mayhew A, Moutray M. Outreach and early Warning Systems (EWS) for the prevention of Intensive Care admission and death of critically ill adult patients on general hospital wards. Cochrane Database Syst Rev. 2007;18:CD005529

- Hillman KM, Bristow PJ, Chey T, Daffurn K, Jacques T, Norman SL, et al. Antecedents to hospital deaths. Internal Med

J. 2001;31:343—8.

- Deakin CD, Nolan JP, Soar J, Sunde K, Koster RW, Smith GB,et al. European Resuscitation Council Guidelines for Resuscitation, section 4: adult life support. Resuscitation.

2010;81:1305—52

- A. Atabekov, O. Yastrebov. «Legal Status of Artificial Intelligence Across Countries:. » European Research Studies Journal , Volume XXI , Issue 4, 2018

- Malik P. Amisha, M. Pathania, V.K. Rathaur Overview of artificial intelligence in medicine J Fam Med Prim Care, 8 (7) (2019), pp. 2328-2331, 10.4103/jfmpc.jfmpc_440_19.

- Wismüller A, Stockmaster LA. A prospective randomized clinical trial for measuring radiology study reporting time on Artificial Intelligence-based detection of intracranial hemorrhage in emergent care head CT. ; 2020 [5 Jul 2023]. Disponible en: https://arxiv.org/abs/2002.12515

- Huynh E, Hosny A, Guthier C, Bitterman DS, Petit SF, Haas-Kogan DA, et al. Artificial intelligence in radiation oncology. Nat Rev Clin Oncol. 2020;17(12):771–81.

- 5. Cruz Rivera S, Liu X, Chan AW, Denniston AK, Calvert MJ, The SPIRIT-AI and CONSORT-AI Working Group, et al. Guidelines for clinical trial protocols for interventions involving artificial intelligence: the SPIRIT-AI extension. Na Med [Revista en Internet]

- Liu X, Cruz Rivera S, Moher D, Calvert MJ, Denniston AK, SPIRIT-AI and CONSORT-AI Working Group. Reporting guidelines for clinical trial reports for interventions involving artificial intelligence