Inteligencia artificial e innovación para optimizar el proceso de diagnóstico de la tuberculosis

Abstract

La tuberculosis sigue siendo un tema urgente en la agenda de la salud urbana, especialmente en países de medianos y bajos ingresos. Existe la necesidad de desarrollar e implementar soluciones innovadoras y efectivas en el proceso de diagnóstico de la tuberculosis. En este artículo, se describe la importancia de la inteligencia artificial como una estrategia para enfrentar la tuberculosis, mediante un diagnóstico oportuno. Además de los factores tecnológicos, se enfatiza el rol de los factores sociotécnicos, culturales y organizacionales. Se presenta como caso la herramienta eRx que involucra algoritmos de aprendizaje profundo y, en específico, el uso de redes neuronales convolucionales. eRx es una herramienta prometedora basada en inteligencia artificial para el diagnóstico de tuberculosis que comprende una variedad de técnicas innovadoras que implican el análisis remoto de rayos X para casos sospechosos de tuberculosis. Las innovaciones basadas en herramientas de inteligencia artificial pueden optimizar el proceso de diagnóstico de la tuberculosis y de otras enfermedades transmisibles.

Soluciones de TI basadas en machine learning aplicables a problemas del sistema de salud peruano

“…Lo que destaca en sus conclusiones es que las aplicaciones de inteligencia artificial son las herramientas base para el diagnóstico y prevención de diversas enfermedades. (Curioso & Brunette, 2020), destaca la importancia de la inteligencia artificial como una gran estrategia para enfrentar la tuberculosis, dentro de su investigación destaca el rol de la inteligencia artificial y la relación con la salud, la comparación de algoritmos de inteligencia artificial para el diagnóstico de la tuberculosis y la inteligencia artificial para optimizar el diagnóstico de la tuberculosis en el Perú. En su observación final destaca que el uso de estas tecnologías es una gran oportunidad tanto para el desarrollo académico, social y de salud pero existen ciertas limitaciones como base de datos disponibles para la mejora de precisión de algoritmos de aplicaciones basadas en inteligencia artificial.…”

Uso de inteligencia artificial como soporte para el aprendizaje en las ciencias de la salud

“…La eficacia de la composición de puntajes de pronóstico clínico en especial los puntajes de Ginebra y Wells incluida las comprobaciones de dímero D presentaron una sensibilidad del 12%, por lo que aún son desconocidas dentro del campo médico, presentando limitaciones para el diagnóstico y manejo de los pacientes, además la disponibilidad de CTPA presenta dificultades de retraso por una alta demanda de los SU los cuales son muy frecuentados, por otra parte la falta de equipos de inteligencia artificial en los hospitales ha generado falta de aprendizaje para los estudiantes y médicos ya que se presenta un déficit de conocimientos y no se puede realizar manejos adecuados con los pacientes (Brennan and Kirby, 2023;Curioso and Brunette, 2020;Davis et al, 2014).…”

“…Dentro de la eficacia de aprendizaje, el modelo de la inteligencia artificial que se ha utilizado en pacientes con embolia pulmonar a través de derivaciones electrocardiográficas ha logrado presentar una mayor especificidad, la cual permite que se detecte la enfermedad de forma más rápida y precisa, según datos analizados se demostró una sensibilidad del 50% y una especificidad del 100%. En este estudio se implementó técnicas electrocardiográficas de inteligencia artificial, siendo este el primer estudio que aborda un modelo para el aprendizaje profundo el cual permite detectar una embolia pulmonar, dentro del campo médico ha permitido disminuir la tasa de mortalidad y la detección temprana de una TEP (Bourla et al, 2018;Curioso and Brunette, 2020;Faizi and Kazmi, 2017;Gleichgerrcht et al, 2021).…”

Prediction of neonatal death in pregnant women in an intensive care unit: Application of machine learning models

“…Similarly, machine learning has propelled advancements in prognosticating metabolic, endocrine, and cancer-related disorders [ 14 ]. Within the field of communicable diseases, it has revolutionized tuberculosis diagnosis, while other conditions have benefited from convolutional neural networks [ 19 ].In neonatal mortality prediction, the application of models varies depending on the specific timing concerning pregnant women and newborns [ [20] , [21] , [22] ].…”

“…The ability to forecast neonatal mortality early can enhance survival rates and reduce morbidity [ 12 ]. Consequently, there is a demand for models with improved detection capabilities, prompting the application of machine-learning techniques in medical contexts [ 18 , 19 , 24 ]. However, it is noteworthy that the performance may vary depending on the specific clinical scenario in which they are deployed [ 21 , 22 ].…”