Digitalización e Innovación en Salud

Permanent URI for this collectionhttps://dspace.unia.es/handle/10334/9932

Browse

Browsing Digitalización e Innovación en Salud by Subject "Inteligencia artificial"

Filter results by typing the first few letters
Now showing 1 - 7 of 7
  • Thumbnail Image
    Open AccessMaster Thesis
    Aproximación al uso de herramientas de aprendizaje automático para la predicción de efectos adversos en pacientes con inmunoterapia
    (Universidad Internacional de Andalucía, 2023) Paradela Carreiro, Adolfo; Paradela Carreiro, Adolfo
    Trabajo Fin de Diploma de Especialización en Digitalización e Innovación en Salud (2022-23). Director: Dr. Eduardo Guzmán De los Riscos. La FDA ha puesto a disposición del público una herramienta que permite descargar los datos del sistema de notificación de eventos adversos (FAERS), que recoge información proporcionada por la industria farmacéutica, los profesionales y los pacientes, sobre efectos adversos de medicamentos (EAM). Se descargó localmente la totalidad de los registros correspondientes a 2022, lo que permitió una aproximación a las técnicas de Machine Learning (ML) partiendo de una amplísima colección de datos, obtenidos en vida real, de los que se seleccionaron los correspondientes a los Inhibidores de los puntos de control inmunitario (ICIs): avelumab, atezolizumab, cemiplimab, durvalumab, nivolumab, pembrolizumab e ipilimumab. Durante el proceso de extracción y depuración de los datos se han constatado las limitaciones intrínsecas a un sistema de notificación voluntaria de efectos adversos. El conjunto de datos depurado se analizó utilizando herramientas de hoja de cálculo y de aprendizaje automatizado (algoritmo J48 implementado sobre Weka). El análisis con herramientas propias de una hoja de cálculo (Excel), fundamentalmente tablas dinámicas, es viable para “data set” de hasta un millón de registros, aunque puede ser complejo y lento. En este estudio, fue posible conocer la distribución de las notificaciones de efectos adversos por medicamento y sexo, grupos de edad, etc. También fue posible conocer y ordenar los EAM más notificados y los medicamentos implicados. Se aplicó también un modelo de aprendizaje automático basado en el algoritmo J48 implementado en el aplicativo Weka. Los resultados, cuya comprensión se facilitó al disponer como referencia del análisis con hoja de cálculo, fueron útiles cuando se buscó la asociación entre efecto adverso, sexo y medicamento, ya que permiten visualizar (y en cierta medida cuantificar), para cada efecto adverso el medicamento más frecuentemente asociado. El modelo tiene un funcionamiento peor cuando se analiza la relación efecto adverso-grupo de edad y medicamento, debido a la menor calidad de los datos de partida. Esta memoria pretende poner en práctica los conocimientos adquiridos por el alumno a lo largo del curso. Por ello, la extrapolación de los resultados a una potencial utilidad en práctica clínica, está sujeta a múltiples limitaciones, tanto derivadas de los datos de partida como de la idoneidad del algoritmo empleado. No obstante, puede servir de base para estudios posteriores, con algoritmos más sofisticados, que permitan crear un sistema predictivo inteligente del riesgo de desarrollar efectos adversos graves en pacientes a tratamiento con este grupo farmacológico.
  • Thumbnail Image
    Open AccessMaster Thesis
    Desarrollo de una herramienta de inteligencia artificial para detectar recaídas en pacientes con cáncer de mama
    (Universidad Internacional de Andalucía, 2023) Martín Clavo, Susana; Martín Clavo, Susana
    Trabajo Fin de Diploma de Especialización en Digitalización e Innovación en Salud (2022-23). Tutor: Dr. Tomás Urda Valcárcel. Introducción: La predicción de recidiva en pacientes que han sido operados de cáncer de mama juega un papel muy importante en tareas médicas como el diagnóstico y la planificación del tratamiento que hay que realizarle al mismo. Las redes neuronales artificiales se muestran como una herramienta potente para el análisis de conjuntos de datos donde hay relaciones no lineales entre los datos a estudio y la información a ser pronosticada. Objetivo: - Objetivo general: analizar e identificar variables clínicas sobre pacientes con cáncer de mama con el fin de obtener patrones estadísticos y desarrollar un modelo predictivo basado en inteligencia artificial que detecte posibles recaídas. - Objetivos específicos: definir la técnica o algoritmo requerido que automatice esa generación de modelos para el análisis de la información con respecto al seguimiento, control y posible recaída del cáncer de mama. Material y métodos: estudio descriptivo con el objeto de identificar y caracterizar diferentes variables (clínicas, fisiopatológicas, tumorales, moleculares) de pacientes que han sufrido cáncer de mama para finalmente obtener una herramienta de inteligencia Artificia (IA) o algoritmo que pueda identificar factores de riesgo de recaída con una precisión óptima, para brindar un tratamiento adecuado de forma precoz acorde a las nuevas evidencias. Resultados: para nuestra investigación, el modelo teórico final propuesto sería el de Redes Neuronales Artificiales (RNA). La RNA es un método de aprendizaje supervisado empleado para dar solución a problemas de clasificación y regresión en aprendizaje automático. Un aspecto crucial para poder realizar aprendizaje y diagnóstico en la red neuronal es seleccionar dos conjuntos independientes de datos procedentes de la base de datos de los pacientes, que serán usados respectivamente para el entrenamiento de la red y para validar la eficacia de la predicción. Conclusiones: gracias a la digitalización de grandes cantidades de datos, el desarrollo de algoritmos de Aprendizaje Automático y la mejora de la capacidad de cálculo de los ordenadores de las últimas décadas, la IA puede abrir excelentes oportunidades para la automatización de tareas, la aplicación de la medicina de precisión o el avance en la investigación a través de la detección de patrones complejos en bases de datos médicas.
  • Thumbnail Image
    Open AccessMaster Thesis
    Integrando un sistema de soporte a la decisión clínica en programas de optimización de medicamentos
    (Universidad Internacional de Andalucía, 2023) Gómez Costas, Daniel; Gómez Costas, Daniel
    Trabajo Fin de Diploma de Especialización en Digitalización e Innovación en Salud (2022-23). Director: Dr. Manuel Baena García. Los sistemas de soporte a la decisión clínica (SSDC) son una herramienta innovadora que utiliza inteligencia artificial y el conocimiento teórico de especialistas para optimizar terapias de pacientes cada vez más complejas. Desde 2015, nuestro servicio ha estado utilizando Higea®, un SSDC ya validado y utilizado en la práctica clínica habitual. Higea® integra información estructurada de historias clínicas, analíticas y prescripciones de los pacientes. Este proyecto surgió con el objetivo de llevar el uso de Higea® a nuevas dimensiones, integrándolo en los programas de optimización de medicamentos (POM) existentes en el hospital. Para ello, se diseñaron paquetes de alertas de medicación que permitieran identificar a los pacientes que podrían beneficiarse de intervenciones proactivas por parte de estos programas de optimización de medicamentos. Se diseñaron seis paquetes de alertas desde un enfoque multidisciplinar y con rigurosa metodología científica. Cada paquete se vinculó a un programa de optimización de medicamentos específico: antimicrobianos, anticoagulantes, analgesia, insuficiencia renal/nefrotóxicos, pacientes mayores y farmacocinética. Estas alertas se basaron en reglas de información clínica del paciente desarrollados por expertos en el programa e interpretados por Higea®. Durante la fase piloto de 28 días, estos paquetes de alertas se analizaron cuantitativamente y se evaluó su aceptación por parte de los clínicos. Los resultados fueron satisfactorios, con valores predictivos positivos que alcanzaron el 93%, y una mayor tasa de intervenciones realizadas en relación con las alertas generadas. La mayoría de las intervenciones llevadas a cabo por los equipos se clasificaron como gravedad E según la escala NCC MERP, lo que indica su relevancia clínica. El proyecto será reevaluado después de un año para analizar su impacto clínico y económico, así como para proponer de capacitación personalizadas por servicios basadas en las alertas identificadas.
  • Thumbnail Image
    Open AccessMaster Thesis
    MedScan : la solución inteligente para identificar y gestionar tus medicamentos con un simple teléfono
    (Universidad Internacional de Andalucía, 2023) Ruiz Núñez, Carlos Antonio; Ruiz Núñez, Carlos Antonio
    Trabajo Fin de Diploma de Especialización en Digitalización e Innovación en Salud (2022-23). Directora: Dra. Nuria García-Agua Soler. El cumplimiento de la medicación, basado en la adherencia y la persistencia, es una de las piedras angulares del tratamiento de pacientes crónicos y mejorarlo es fundamental para obtener resultados óptimos en el manejo de sus enfermedades y evitar complicaciones. Aunque no siempre es posible su cumplimiento, debido a factores intrínsecos o extrínsecos al propio paciente, como puede ser un deficiente entendimiento de la terapia, no disponibilidad de la medicación, imposibilidad de verificar si la pastilla es la correcta, etc. Para mejorar estos resultados se inicia un proyecto innovador, MedScan, que proporciona una herramienta digital para ayudar a que los pacientes sigan su tratamiento de manera adecuada, mejorando la adherencia. Con una fotografía se podrá conocer que pastilla es, su posología habitual, interacciones, contraindicaciones, etc. En versiones futuras se podrá personalizar con el propio tratamiento del usuario, lo que nos proporcionará información de primera mano sobre su cumplimiento y otros factores relacionados con los datos en salud.
  • Thumbnail Image
    Open AccessMaster Thesis
    Proyecto de creación, implementación y validación de un modelo de predicción de riesgo quirúrgico
    (Universidad Internacional de Andalucía, 2023) Abrisketa Zabala, Javier; Abrisketa Zabala, Javier
    Trabajo Fin de Diploma de Especialización en Digitalización e Innovación en Salud (2022-23). Director: Dr. Salvador Peiró Moreno. Este trabajo es un proyecto que tiene como objetivo la creación y validación de modelos de predicción de riesgo quirúrgico en cuanto a la predicción de complicaciones en pacientes pendientes de intervención quirúrgica durante la intervención, en el postoperatorio inmediato y hasta el mes del alta. En este trabajo se plantea el análisis de datos de pacientes en un hospital. Se plantea un estudio en tres fases: 1ª fase: Desarrollo del modelo predictivo mediante un estudio de cohortes retrospectivo en el que se reclutarán pacientes intervenidos en el hospital a lo largo de 2 años y se obtendrán datos desde el preoperatorio hasta el mes del alta de la intervención. Para la identificación y creación de estos modelos se utilizarán técnicas de machine learning, que es la rama que más peso tiene actualmente dentro de la inteligencia artificial. Dentro del machine learning, el aprendizaje supervisado es el área con más aplicaciones. El aprendizaje supervisado permite a los ordenadores aprender a realizar tareas mediante el descubrimiento de patrones complejos en grandes cantidades de datos y la posterior explotación de los mismos. En el caso concreto de los datos procedentes de la historia clínica electrónica (en adelante, HCE), los algoritmos de machine learning nos permiten emplear el histórico de datos de cada paciente para que el ordenador aprenda a anticipar eventos futuros de manera personalizada, basándose en combinaciones complejas de los históricos de las variables disponibles. 2ª fase: Evaluación de resultados tras la implementación de los modelos en la HCE. 3ª fase: Validación externa de los modelos creados en la primera fase en una cohorte de pacientes intervenidos otros hospitales. Para este trabajo se emplearán variables sociodemográficas y clínicas. Esta información será extraída del sistema de explotación de datos de la HCE corporativa y de la herramienta bussiness intelligence (BI) corporativa. Hay varios objetivos en este trabajo:  Crear un instrumento de ayuda a la toma de decisiones que permita revertir en mejores resultados para el paciente y en su seguridad.  Sostenibilidad del sistema sanitario: con este instrumento de apoyo a la toma de decisión se espera que la asistencia urgente sea prestada de manera más eficiente, es decir, discriminando mejor a los pacientes que más lo necesitan.  Modernizar los sistemas actuales: mediante la integración de estos modelos en la HCE.
  • Thumbnail Image
    Open AccessMaster Thesis
    Transformación de la salud digital : aplicaciones de la inteligencia artificial y dispositivos conectados en la gestión de enfermedades crónicas
    (Universidad Internacional de Andalucía, 2023) Martín Salazar, María Aranzazu; Martín Salazar, María Aranzazu
    Trabajo Fin de Diploma de Especialización en Digitalización e Innovación en Salud (2022-23). Tutor: Dr. Juan Ernesto del Llano Señaris. En resumen, este trabajo se sumerge en el fascinante mundo de la salud digital, explorando cómo la inteligencia artificial y los dispositivos conectados están redefiniendo la atención médica y ofreciendo soluciones innovadoras para el manejo de enfermedades crónicas.
  • Thumbnail Image
    Open AccessMaster Thesis
    Transformación digital en el ámbito de la farmacia : el uso de asistentes virtuales con inteligencia artificial como herramienta de apoyo en el uso racional de medicamentos
    (Universidad Internacional de Andalucía, 2023) Guiu Segura, Josep Maria; Guiu Segura, Josep Maria
    Trabajo Fin de Diploma de Especialización en Digitalización e Innovación en Salud (2022-23). Tutor: Dr. Carlos Bringas Roldán. La aplicación de herramientas de inteligencia artificial en el mundo de la salud trata de lograr la mejora de la atención de los pacientes y mejorar los procesos de salud, entre los cuales puede ser especialmente útil en el ámbito del medicamento. Hasta la fecha, se han propuesto iniciativas para mejorar la adherencia, la seguridad y la selección de tratamientos, así como para comparar su efectividad y medir el uso y el costo de recursos. Estas herramientas permiten no solo mejorar la atención, sino facilitar la toma de decisiones y promover la eficiencia en el uso de medicamentos, lo que contribuye a mejores resultados de salud y a la sostenibilidad del gasto. Para llevar a cabo estas estrategias, los sistemas de salud están desarrollado líneas de trabajo para intervenir en los diferentes puntos del ciclo de vida del medicamento y optimizar su uso. Además, el uso de la inteligencia artificial facilita la comunicación y la labor asistencial de los profesionales de la salud. Este trabajo tiene como objetivo presentar el estado del arte de la aplicación de los asistentes virtuales basados en IA en el ámbito de la salud, con especial énfasis en el área de los medicamentos. Por este motivo, se ha realizado una revisión bibliográfica de los asistentes virtuales en el ámbito de la salud y se han identificado distintas soluciones disponibles actualmente. Se han identificado 20 asistentes virtuales en el ámbito de la salud en el mercado, que realizan diversas funciones como evaluación de síntomas, educación sanitaria y farmacológica, recordatorio de medicación, terapia virtual, triaje y derivación a consulta con profesionales de la salud. La mayoría de los asistentes virtuales identificados utilizan el procesamiento del lenguaje natural para procesar texto abierto y generar texto sintético de calidad y una pequeña parte también se apoya en redes bayesianas para realizar consultas en bases de datos internas. Se puede concluir que la posible falta de proyectos y soluciones de asistentes virtuales en el ámbito de los medicamentos implica una oportunidad de investigación y desarrollo en este campo.