medigraphic.com
ISSN 1561-3127 (Digital)
ISSN 0864-3466 (Impreso)

2022, Número 4

<< Anterior Siguiente >>

Revista Cubana de Salud Pública 2022; 48 (4)


Inteligencia artificial en medicina y procedimientos quirúrgicos: impacto en la toma de decisiones y la salud

Blanchar MTM, Pio HRF

Idioma: Español
Referencias bibliográficas: 25
Paginas: 1-19
Archivo PDF: 900.12 Kb.


RESUMEN

Introducción: Las revisiones sistemáticas de la literatura constituyen una herramienta metodológica práctica para la búsqueda de información sobre investigaciones clínicas, aplicaciones tecnológicas y la toma de decisiones de impacto en la salud.
Objetivo: Describir cómo influye la inteligencia artificial en la toma de decisiones médicas según el grado de concordancia entre estas evidencias y los sistemas expertos aplicados en las especialidades clínicas y quirúrgicas de impacto en la salud, según reportes entre 2010 y 2019.
Métodos: Se realizó una revisión sistemática con el uso de un modelo de bases de datos relacional y un modelo de entidad relación para garantizar la entidad referencial de la que hacen parte las bases de datos y los artículos, así como la calidad de cada uno de los artículos mediante clasificación por grados de concordancia entre “muy concordante” o “no concordante” con la temática de interés y la toma de decisiones de impacto en la salud.
Conclusiones: Las aplicaciones como los sistemas expertos, los aprendizajes de máquinas y la robótica aportan innovación a las instituciones y un cambio revolucionario en lo académico, clínico y epidemiológico.


REFERENCIAS (EN ESTE ARTÍCULO)

  1. Jiménez Villa J, Argimon Pallás JM, Martín Zurro A, Vilardell Tarrés M. Publicación científica biomédica. Cómo escribir y publicar un artículo de investigación. 2a ed. Barcelona: Elsevier. 2015 [acceso 01/08/2019] Disponible en: Disponible en: https://dialnet.unirioja.es/servlet/libro?codigo=580024 1.

  2. Valbuena Castro R. IA. Investigación Científica Avanzada Centrada en Datos. 1ra edición. Venezuela: Cencal Press. 2021.

  3. Russell S, Norvig P. IA. Un enfoque moderno. 2a ed. Madrid: Pearson Educación; 2004 [acceso 01/08/2019]. Disponible en: Disponible en: https://luismejias21.files.wordpress.com/2017/09/inteligencia-artificial-un-enfoque-moderno-stuart-j-russell.pdf 3.

  4. Zamarripa Franco R. Curso virtual. Introducción a la IA. México: Red de Universidades de Anáhuac; 2020 [acceso 01/08/2019] Disponible en: Disponible en: https://www.edx.org/es/course/introduccion-a-la-inteligencia-artificial 4.

  5. Ruiz Morales A, Gómez Restrepo C. Epidemiología clínica. Investigación clínica aplicada. 2a ed. Bogotá: Editorial Panamericana. 2015[acceso 13/11/2019]. Disponible en: Disponible en: https://www.academia.edu/43416866/Epidemiolog%C3%ADa_Cl%C3%ADnica_2_EDICI%C3%93N_a_Investigaci%C3%B3n_Cl%C3%ADnica_Aplicada 5.

  6. Lasala Calleja MP. Introducción a la IA y los sistemas expertos. España: Zaragoza, Prensas Universitarias. 1994 [acceso 10/11/2019]. Disponible en: Disponible en: https://dialnet.unirioja.es/servlet/libro?codigo=374072 6.

  7. Beunza Nuin J, Puertas Sanz E, Condès Moreno E. Manual Práctico de IA en Entornos Sanitarios. Editorial Elservier. España. S.L.U. 2020 [acceso 10/11/2020]. Disponible en: Disponible en: https://www.elsevier.com/books/manual-practico-de-inteligencia-artificial-en-entornos-sanitarios/beunza-nuin/978-84-9113-801-3 7.

  8. Martínez López F, Gallegos Ruiz A. Programación de bases de datos relacionales. Bogotá: Ediciones de la U; 2017 [acceso 10/11/2019]. Disponible en: Disponible en: https://www.worldcat.org/title/programacion-de-bases-de-datos-relacionales/oclc/1099999839 8.

  9. Núñez Reiz A, Martínez Sagasti F, Álvarez González M, Blesa Malpica A, Martín Benítez JC, Nieto Cabrera M, et al9. . Organizing Committee of the Madrid 2017 Critical Care Datathon. Big data and machine learning in critical care: Opportunities for collaborative research. Med Intensiva. España. 2019;43(1):52-7. DOI:10.1016/j.medin.2018.06.002

  10. De la Cruz Figueroa L, Fernández Rodríguez R, González Rangel M. Hacia herramientas de IA en la enseñanza médica. Enfoque preliminar. Rev cub inform méd. 2018 [acceso 10/11/2019];10(1):68-75. Disponible en: Disponible en: https://pesquisa.bvsalud.org/portal/resource/es/biblio-960451 10.

  11. Campo F, Hornero R, Marcos JV, Álvarez D, Zamarrón C. Aplicaciones clínicas de las redes neuronales en el síndrome de apnea hipopnea del sueño. Vigilia sueño. 2013 [acceso 10/11/2019];25(1):34-43. Disponible en: Disponible en: https://pesquisa.bvsalud.org/portal/resource/es/ibc-111436 11. .

  12. Cabrera Hernández M, Paderni López MC, Hita Torres R, Delgado Ramos A, Tardío López M, Derivet Thaureaux D, et al12. . Aplicaciones médicas como ayuda al diagnóstico en la medicina. Experiencia SOFTEL-MINSAP. Rev. cuba. inform. méd. 2012 [acceso 10/11/2019];4(2):199-212. Disponible en: Disponible en: http://scielo.sld.cu/scielo.php?script=sci_arttext&pid=S1684-18592012000200010&lng=es 12.

  13. Walker BN, Rehg JM, Kalra A, Winters RM, Drews P, Dascalu J, et al13. . Dermoscopy diagnosis of cancerous lesions utilizing dual deep learning algorithms via visual and audio (sonification) outputs: Laboratory and prospective observational studies. EBioMedicine. 2019(40):176-83. DOI: 10.1016/j.ebiom.2019.01.028

  14. Dos Santos H. Comparação da performance de algoritmos de machine learning para a análise preditiva em saúde pública e medicina [tesis]. [São Paulo]: Universidad de São Paulo; Faculdad de Saudè Pública; 2018. DOI: 10.11606/T.6.2018.TDE-09102018-132826.

  15. Fang H, He L, Si H, Liu P, Xie X. Human activity recognition based on feature selection in smart home using back-propagation algorithm. ISA Trans. 2014 [acceso 12/11/2019];53(5):1629-38. Disponible en: Disponible en: https://pesquisa.bvsalud.org/portal/resource/es/mdl-25016308 15. .

  16. Guidi G, Pettenati MC, Melillo P, Iadanza E. A machine learning system to improve heart failure patient assistance. IEEE J Biomed Health Inform. 2014 [acceso 12/11/2019];18(6):1750-6. Disponible en: Disponible en: https://pesquisa.bvsalud.org/portal/resource/es/mdl-25029521 16. .

  17. Ilktan A, Yusuf A. A computerized recognition system for the home-based physiotherapy exercises using an RGBD camera. IEEE Trans Neural Syst Rehabil Eng. 2014 [acceso 12/11/2019];22(6):1160-71. Disponible en: Disponible en: https://pesquisa.bvsalud.org/portal/resource/es/mdl-24860037 17. .

  18. Curran K, Nichols E, Xie E, Harper R. An intensive insulin therapy mobile phone application built on artificial intelligence techniques. J Diabetes Sci Technol. 2010 [acceso 12/11/2019];4(1):209-20. Disponible en: Disponible en: https://pesquisa.bvsalud.org/portal/resource/es/mdl-20167186 18. .

  19. Finkelstein J, Wood J. Predicting asthma exacerbations using artificial intelligence. Stud Health Technol Inform. 2013 [acceso 12/11/2019];190:56-8. Disponible en: Disponible en: https://pesquisa.bvsalud.org/portal/resource/es/mdl-23823374 19. .

  20. Miller D, Nelson C, Oleynikov D. Shortened OR time and decreased patient risk through use of a modular surgical instrument with artificial intelligence. Surg Endosc. 2009[acceso 13/11/2019];23(5):1099-105. Disponible en: Disponible en: https://pesquisa.bvsalud.org/portal/resource/es/mdl-19184205 20. .

  21. Nakawala H, Ferrigno G, De Momi E. Development of an intelligent surgical training system for Thoracentesis. Artif Intell Med. 2018 [acceso 13/11/2019];84:50-63. Disponible en: Disponible en: https://pesquisa.bvsalud.org/portal/resource/es/mdl-29169646 21. .

  22. Lovejoy C, Buch V, Maruthappu M. Artificial intelligence in the intensive care unit. Crit Care. 2019 [acceso 13/11/2019];23(1):7. Disponible en: Disponible en: https://pesquisa.bvsalud.org/portal/resource/es/mdl-30630492 22. .

  23. Mori Y, Kudo S, Mori K. Potential of artificial intelligence-assisted colonoscopy using an endocytoscope (with video). Dig Endosc. 2018 [acceso 13/11/2019];30(1):52-3. Disponible en: Disponible en: https://pesquisa.bvsalud.org/portal/resource/es/mdl-29658647 23. .

  24. Carlson J, Das S, De la Torre F, Frisch A, Guyette F, Hodgins J, et al24. . A Novel Artificial Intelligence System for Endotracheal Intubation. Prehosp Emerg Care. 2016;20(5):667-71. DOI:10.3109/10903127.2016.1139220.

  25. Quan T, Zheng T, Yang Z, Ding W, Li S, Li J, et al25. . NeuroGPS: automated localization of neurons for brain circuits using L1 minimization model. SciRep. 2013;3:1414. DOI: 10.1038/srep01414




2020     |     www.medigraphic.com