![\"\"](\"https:\/\/candas365.es\/noticias\/wp-content\/uploads\/2017\/05\/Inteligencia-computacional-para-mejorar-la-gestion-sanitaria_image_380-360x240.jpg\")
Los hospitales y dem\u00e1s centros dedicados a la salud almacenan multitud de bases de datos con todos los registros de m\u00faltiples variables fisiol\u00f3gicas de los pacientes que atienden. El procesamiento y an\u00e1lisis de estos datos puede permitir al personal sanitario anticiparse y detectar aquellos pacientes que presentan mayor riesgo de tener una evoluci\u00f3n desfavorable.<\/p>\n
Ahora el investigador Asier Garmendia y otros miembros del Grupo de Inteligencia Computacional (GIC) de la Universidad del Pa\u00eds Vasco (UPV\/EHU) han desarrollado un sistema basado en inteligencia computacional para este fin. Los resultados se han publicado en el Cybernetics and Systems-An International Journal.<\/p>\n
En su estudio, y posterior desarrollo de los algoritmos necesarios para el sistema, se utilizaron dos bases de datos procedentes de dos hospitales de Santiago de Chile. Una de las bases de datos elegidas para este estudio corresponde a pacientes pedi\u00e1tricos que han sido ingresados alguna vez en las unidades de cuidados intensivos por problemas respiratorios, y la otra a pacientes que habiendo acudido a los servicios de urgencias son dados de alta pero tras varios d\u00edas han vuelto y entonces han sido ingresados.<\/p>\n
Estas dos bases de datos coinciden \u201ccon dos de los mayores problemas del \u00e1mbito de la salud asociados a las grandes ciudades como Santiago de Chile, que son las enfermedades respiratorias originadas por la poluci\u00f3n, y la gesti\u00f3n de la atenci\u00f3n y cuidado de los pacientes que acuden en busca de atenci\u00f3n m\u00e9dica\u201d, comenta Garmendia.<\/p>\n
En el primero de los casos, utilizando los registros de las variables que se toman a cada paciente cada cierto tiempo mientras est\u00e1 hospitalizado, el objetivo fue definir el nivel de triaje (protocolo de intervenci\u00f3n), que es la variable que clasifica a los pacientes en funci\u00f3n de su gravedad, a partir del resto de variables medidas, como temperatura, saturaci\u00f3n de ox\u00edgeno, frecuencia respiratoria, etc.<\/p>\n
Detecci\u00f3n temprana, mejor asistencia<\/p>\n
\u201cMediante algoritmos de inteligencia computacional, se intenta predecir cu\u00e1l deber\u00eda ser el triaje\u201d comenta el investigador. El \u00faltimo objetivo de este sistema ser\u00eda \u201cmonitorizar de forma autom\u00e1tica a los pacientes, y que saltara una alarma cada vez que el triaje empeora\u201d. Adem\u00e1s este estudio ha desvelado que la variable que mejor predice el nivel de triaje es la frecuencia respiratoria. \u201cEsto resulta curioso, ya que los m\u00e9dicos responden que, en su opini\u00f3n, la variable que mejor predice dicho triaje es la saturaci\u00f3n de ox\u00edgeno en sangre\u201d, se\u00f1ala.<\/p>\n
En el segundo de los casos, lo que buscaron fue intentar detectar el destino que se les deber\u00eda dar a los pacientes que acuden al servicio de urgencia, es decir, si darles el alta o ingresarlos. \u201cEl problema que existe en este aspecto es que una parte de los pacientes que son dados de alta en la primera consulta vuelven al servicio de urgencias al cabo de una serie de d\u00edas, y entonces s\u00ed, son ingresados. Aproximadamente el 14% de los pacientes pedi\u00e1tricos que vuelven a acudir a la consulta en un intervalo de tiempo entre 3 y 7 d\u00edas son hospitalizados. En el caso de los pacientes adultos, son 1 de cada 3\u201d, explica Garmendia.<\/p>\n
\u201cEl contar con un sistema que solucione esta problem\u00e1tica traer\u00eda consigo una mejor atenci\u00f3n a los pacientes, por supuesto, pero adem\u00e1s supondr\u00eda un ahorro econ\u00f3mico importante. Por un lado, se gestionar\u00eda mejor los recursos de los servicios de salud, y por otro, se evitar\u00eda una situaci\u00f3n que se da actualmente con los seguros: no se hacen cargo de los gastos derivados de la hospitalizaci\u00f3n en estos casos, por entender que se trata de una negligencia hospitalaria al haberle dado el alta en la primera consulta\u201d, a\u00f1ade.<\/p>\n
Una precisi\u00f3n del 60 %<\/p>\n
Los algoritmos desarrollados para este fin dieron como resultado un nivel de precisi\u00f3n del 60 %; es decir, \u201cnuestro sistema fue capaz de detectar la gravedad de seis de cada diez pacientes que en un principio no parec\u00edan susceptibles de ser ingresados inmediatamente\u201d.<\/p>\n
Los sistemas de predicci\u00f3n desarrollados \u201cpueden ser extensibles y aplicables a cualquier hospital, a cualquier pa\u00eds\u201d, comenta Garmendia. Eso s\u00ed, previamente \u201ces necesario seguir trabajando en el dise\u00f1o del sistema, ampliar el n\u00famero de datos, y realizar los ajustes necesarios\u201d, concluye.<\/p>\n
SINC<\/p>\n","protected":false},"excerpt":{"rendered":"
Los hospitales y dem\u00e1s centros dedicados a la salud almacenan multitud de bases de datos con todos los registros de m\u00faltiples variables fisiol\u00f3gicas de los pacientes que atienden. El procesamiento y an\u00e1lisis de estos datos puede permitir al personal sanitario anticiparse y detectar aquellos pacientes que presentan mayor riesgo de tener una evoluci\u00f3n desfavorable. Ahora<\/p>\n","protected":false},"author":1,"featured_media":72537,"comment_status":"open","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[143],"tags":[],"class_list":["post-72536","post","type-post","status-publish","format-standard","has-post-thumbnail","category-sociedad"],"aioseo_notices":[],"aioseo_head":"\n\t\t\n\t\n\t\n\t\n\t\n\t\n\t\n\t\n\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t\n\t\t