Inteligencia artificial y aprendizaje automático en medicina
PDF
HTML

Cómo citar

1.
Álvarez Vega M, Quirós Mora LM, Cortés Badilla MV. Inteligencia artificial y aprendizaje automático en medicina. Rev.méd.sinerg. [Internet]. 1 de agosto de 2020 [citado 28 de julio de 2021];5(8):e557. Disponible en: https://revistamedicasinergia.com/index.php/rms/article/view/557

Resumen

El aprendizaje automático es una poderosa rama de la Inteligencia Artificial que se ha utilizado con éxito en distintas industrias. En los últimos años con la creciente disponibilidad de información clínica almacenada electrónicamente el campo médico se ha convertido en un ambiente ideal para el desarrollo y aplicación de estas nuevas tecnologías. El aprendizaje automático posee el potencial de mejorar los sistemas de salud, mediante el análisis de millones de datos clínicos se logran crear modelos pronósticos, de tamizaje y diagnósticos. Sin embargo, a pesar de ser evidente que el uso de métodos algorítmicos puede mejorar la calidad de los sistemas de salud y la vida de los pacientes, aún es necesario un adecuado proceso de validación para la implementación de estas tecnologías.

https://doi.org/10.31434/rms.v5i8.557

Palabras clave

aprendizaje automático. inteligencia artificial. calidad del sistema de salud.
PDF
HTML

Citas

Obermeyer Z, Lee T. Lost in Thought — The Limits of the Human Mind and the Future of Medicine. New England Journal of Medicine. 2017;377(13):1209-1211. https://doi.org/10.1056/NEJMp1705348

Gui C, Chan V. Machine learning in medicine. University of Western Ontario Medical Journal. 2017;86(2):76-78. https://doi.org/10.5206/uwomj.v86i2.2060

Char D, Shah N, Magnus D. Implementing Machine Learning in Health Care — Addressing Ethical Challenges. New England Journal of Medicine. 2018;378(11):981-983. https://doi.org/10.1056/NEJMp1714229

Yala A, Schuster T, Miles R, Barzilay R, Lehman C. A Deep Learning Model to Triage Screening Mammograms: A Simulation Study. Radiology. 2019;293(1). https://doi.org/10.1148/radiol.2019182908

Esteva A, Kuprel B, Novoa R, Ko J, Swetter S, Blau H et al. Dermatologist-level classificaction of skin cancer with deep neural networks. Nature. 2017;542: 115-118. https://doi.org/10.1038/nature21056

Ghorbani A, Ouyang D, Abid A, He B, Chen J, Harrington R et al. Deep learning interpretation of echocardiograms. Npj Digit Med. 2020;3(10). https://doi.org/10.1038/s41746-019-0216-8

Núñez Reiz A, Armengol de la Hoz M, Sánchez García M. Big Data Analysis y Machine Learning en medicina intensiva. Medicina Intensiva [Internet]. 2019 [Citado 25 febrero 2020];43(7):416-426. Disponible en: https://www.medintensiva.org/es-big-data-analysis-machine-learning-articulo-S0210569118303139

Chadha B. Clinical Oracle: Machine Learning in Medicine. Berkeley Scientific Journal;23(2). https://escholarship.org/uc/item/1kt5029r

Adamson A, Welch H. Machine Learning and the Cancer-Diagnosis Problem — No Gold Standard. New England Journal of Medicine. 2019;381(24):2285-2287. https://doi.org/10.1056/NEJMp1907407

Koenigkam M, Ferrei J, Tadao D, Magalhães A, Nogueira M, Mazzoncini de Azevedo P. Artificial intelligence, machine learning, computer-aided diagnosis, and radiomics: advances in imaging towards to precision medicine. Radiol Bras. 2019;52(6):387-396. https://doi.org/10.1590/0100-3984.2019.0049

Camacho D, Collins K, Powers R, Costello J, Collins J. Next- Generation Machine Learning for Biological Networks. Cell. 2018;173 (7): 1581-1592. https://doi.org/10.1016/j.cell.2018.05.015

Sidey-Gibbons J, Sidey-Gibbons C. Machine learning in medicine: a practical introduction. BMC Med Res Metodol. 2019;19(64). https://doi.org/10.1186/s12874-019-0681-4

Choy G, Khalilzadeh O, Michalski M, DO S, Samir A, Pianykh O et al. Current Applications and Future Impact of Machine Learning in Radiology. Radiology. 2018;288(2):318-328. https://doi.org/10.1148/radiol.2018171820

Deo R, Machine Learning in Medicine. Circulation. 2015;132(20):1920-1930. https://doi.org/10.1161/CIRCULATIONAHA.115.001593

Rajkomar A, Dean J, Kohane I. Machine Learning in Medicine. New England Journal of Medicine. 2019;380(14):1347-1358. https://doi.org/10.1056/NEJMra1814259

Erickson B, Korfiatis P, Akkus Z, Kline T. Machine Learning for Medical Imaging. RadioGraphics. 2017;37(2):505-515. https://doi.org/10.1148/rg.2017160130

Kourou K, Exarchos T, Exarchos K, Karamouzis M, Fotiadis D. Machine learning applications in cancer prognosis and prediction. Computational and Structural Biotechnology Journal. 2015;13:8-17. https://doi.org/10.1016/j.csbj.2014.11.005

Xu Y, Ju L, Tong J, Zhou C, Yang J. Machine Learning Algorithms for Predicting the Recurrence of Stage IV Colorectal Cancer After Tumor Resection. Sci Rep. 2020;10(2519). https://doi.org/10.1038/s41598-020-59115-y

Campanella G, Hanna M, Geneslaw L, Miraflor A, Krauss V, Busam K et al. Clinical-grade computational pathology using weakly supervised deep learning on whole slide images. Nat Med. 2019;25:1301-1309. https://doi.org/10.1038/s41591-019-0508-1

Vamathevan J, Clark D, Czodrowski P, Dunham I, Ferran E, Lee G et al. Applications of machine learning in drug discovery and development. Nat Rev Drug Discov. 2019;18:463-477. https://doi.org/10.1038/s41573-019-0024-5

Rifaioglu A, Atas H, Martin M, Cetin-Atalay R, Atalay V, Doğan T. Recent applications of deep learning and machine intelligence on in silico drug discovery: methods, tools and databases. Briefings in Bioinformatics. 2018;20(5):1878-1912. https://doi.org/10.1093/bib/bby061

Vayena E, Blasimme A, Cohen I. Machine learning in medicine: Addressing ethical challenges. PLoS Med. 2018; 15(11): e1002689. https://doi.org/10.1371/journal.pmed.1002689

Greene J, Lea A. Digital Futures Past — The Long Arc of Big Data in Medicine. New England Journal of Medicine. 2019;381(5):480-485. https://doi.org//10.1056/NEJMms1817674

Descargas

Los datos de descargas todavía no están disponibles.