isys3 400

palabraiSYS es una fundación para desarrollar proyectos sociales de salud digital
palabraiSYS es una fundación para desarrollar proyectos sociales de salud digital
Articles

¡Síguenos!   facebook twitter instagram You Tube RSS

Las máquinas aprenden a diagnosticar

IA

Deep learning, o el enorme potencial de las máquinas combinado con la plasticidad de estructuras neuronales para el aprendizaje, aplicado al diagnóstico biomédico

Recientemente se ha publicado un estudio científico Man against machine: diagnostic performance of a deep learning convolutional neural network for dermoscopic melanoma recognition in comparison to 58 dermatologists, en el que un desarrollo con tecnología de “redes neuronales convolucionales” (CNN en sus siglas en inglés), obteniene mejores resultados en el diagnóstico de melanomas, que un grupo de 57 dermatólogos, con 30 considerados expertos (más de 5 años de práctica clínica).

Esto se desarrolla en el ámbito del llamado Deep Learning, y viene a ser un intento de dotar a las máquinas de herramientas para que puedan aprender, sin la limitación de procesos de los humanos, pero con esquemas similares al aprendizaje humano.

Activación de pacientes y Salud Digital

Paciente ActivoLa introducción paulatina del paciente en la gestión de su enfermedad, está cobrando una importancia sin precedentes en la última década. Para ello, suele ser necesario “alfabetizar” a las personas sobre la enfermedad que padecen y su tratamiento. Con el ejemplo decano de la gestión de la diabetes, otras enfermedades crónicas se han ido sumando.

Según la OMS, La alfabetización en salud son “las habilidades cognitivas y sociales que determinan la motivación y la capacidad de las personas de acceder, comprender y utilizar la información para promover y mantener un buen estado de salud” (2005).

La situación se complica, cuando la alfabetización se sitúa en el entorno digital, porque debe existir un conocimiento previo del medio. Encontramos una definición de eSalud en en eHealth Literacy: Essential Skills for Consumer Health in a Networked World , donde se define como "la capacidad de buscar, encontrar, entender y evaluar la información de salud obtenida de fuentes electrónicas y aplicar los conocimientos adquiridos para abordar o resolver un problema de salud" y se utiliza un gráfico para representar las habilidades necesarias para poderla llevar a cabo:

mHealth: una aproximación al análisis y la evaluación de Apps de salud

bolets

Apps, ¿valoramos el instrumento o la intervención con él?

Monitoring and evaluating digital health interventions A practical guide to conducting research and assessment (WHO,2016)

Tal y como comentábamos en 10 aspectos a tener en cuenta en la monitorización y evaluación de las intervenciones de Salud Digital, se puede dividir la evaluación de una App en dos fases: La primera fase incluye la monitorización, en los primeros estadios de desarrollo y con los prototipos, de diversos aspectos: funcionalidad (las funciones se ejecutan bien), estabilidad (en el sentido de reproducibilidad), fidelidad y calidad.

Con un primer prototipo viable, se avanza a la siguiente fase, que consiste en evaluar la herramienta como instrumento en una intervención de salud. Para ello se debe valorar la usabilidad con el usuario final, la factibilidad en diferentes contextos, medir la eficacia y efectividad (generalmente comparándola con una intervención sin la herramienta), evaluar la viabilidad económica, y por último, aunque no lo último, la implementación o la correcta integración en el contexto de las políticas de salud (interoperabilidad).

¿Son útiles las intervenciones de Salud Digital para prevenir eventos cardiovasculares?

MayoClinicHeartLa enfermedad cardiovascular (ECV) es la principal causa de morbilidad y mortalidad. Aproximadamente una de cada tres muertes puede atribuirse a ECV y más del 90% de la morbilidad y la mortalidad a factores de riesgo evitables. La mala alimentación, el tabaquismo y la falta de actividad física continúan representando una abrumadora mayoría de factores de riesgo en las enfermedades cardiovasculares y sin mencionar el coste que representa al sistema. Es evidente que es necesario encontrar las mejores intervenciones para mejorar la prevención de ECV, tanto primarias como secundarias.

El objetivo de la revisión sistemática y meta-análisis que reseñamos esta semana de la Mayo Clinic, fue revisar de forma inclusiva ensayos controlados aleatorios y estudios de cohorte, que incorporasen intervenciones de salud digitales (ISD), para la prevención de eventos de cardiovasculares (infarto de miocardio, ictus, revascularización, hospitalizaciones y mortalidad por todas las causas) y la modificación de los factores de riesgo para enfermedades cardiovasculares (peso, el IMC, la presión arterial, el colesterol, la glucosa y las puntuaciones de riesgo de Framingham -FRS). El objetivo era establecer el beneficio potencial de las ISD, en la prevención primaria y secundaria de ECV, e identificar las necesidades futuras en la investigación para las ISD y las enfermedades cardiovasculares.

Esta web utiliza cookies propias y de terceros para analizar y mejorar tu experiencia de navegación. Al continuar navegando, entendemos que aceptas su uso.