Antonio E. Arias

Médico Especialista en Medicina Familiar y General
Médico Especialista en Informática Médica
Máster en Dirección Estratégica en Tecnología de la Información

[Antonio E. Arias @Tonymed2010]

Esta encuesta transversal se realizó en otoño de 2024 e incluyó a 67 sistemas de salud miembros del Instituto Scottsdale, una red de colaboración de organizaciones sanitarias sin ánimo de lucro de EE. UU.

[Antonio E. Arias @Tonymed2010]

Adoption of artificial intelligence in healthcare: survey of health system priorities, successes, and challenges https://t.co/11UvIoZL8H

[Antonio E. Arias @Tonymed2010]

Objetivo:Evaluar el estado actual de la adopción de la IA en los sistemas de atención médica de EE. UU., analizando los éxitos y las barreras para su implementación durante la primera etapa de la IA generativa.

[Antonio E. Arias @Tonymed2010]

Un modelo económico a 5 años estimó que el rastreo autónomo mediante IA triplicaría los estudios completados, detectaría 3,6–3,8 veces más verdaderos positivos y lograría que 7,5–8 veces más pacientes iniciaran tratamiento, comparado con la derivación convencional al oftalmólogo.

[Antonio E. Arias @Tonymed2010]

IA para el rastreo de retinopatía diabética en atención primaria.
https://t.co/5XWgprhYcu

[Antonio E. Arias @Tonymed2010]

En comparación, Medicina Familiar tuvo menor intensidad que nefrología (0,561), cardiología (0,553), medicina interna (0,532) y hematología/oncología (0,524), pero mayor que neurología, gineco-obstetricia, cirugía general, otorrinolaringología, pediatría y dermatología.

[Antonio E. Arias @Tonymed2010]

Patterns and predictors of clinician use of interoperability tools https://t.co/BuMXRpdiZl

[Antonio E. Arias @Tonymed2010]

En contraste, pediatría mostró un uso de alrededor del 23% y dermatología del 13%, evidenciando diferencias importantes según las necesidades informacionales de cada especialidad.

[Antonio E. Arias @Tonymed2010]

La especialidad médica fue uno de los factores más asociados con el uso. Nefrología presentó la mayor proporción de consultas con acceso a información externa, cercana al 56%, seguida de cardiología, con aproximadamente 53%.

[Antonio E. Arias @Tonymed2010]

La disponibilidad técnica de interoperabilidad no garantiza su utilización. El uso real de los registros provenientes de otras instituciones varía considerablemente según la especialidad, experiencia profesional y rol clínico, y aumentó de forma importante durante la pandemia.

[Antonio E. Arias @Tonymed2010]

Un equipo multidisciplinario transformó recomendaciones textuales de la ADA sobre diabetes tipo 2 y enfermedad cardiorrenal en algoritmos basados en SNOMED CT, LOINC y RxNorm. Implementaron un registro poblacional en tiempo real y dos instrumentos de soporte de decisiones.

[Antonio E. Arias @Tonymed2010]

Challenges implementing treatment guidelines in electronic health records: the American Diabetes Association Standards of Care as a case example https://t.co/Ic8PJK0dgo

[Antonio E. Arias @Tonymed2010]

Un sistema de NPL fue comparado con encuestas respondidas por pacientes. La sensibilidad para detectar necesidades fue baja: 5% para abuso, 0% para consumo de drogas y 16% para dificultades económicas. Parte del problema era que la información nunca había sido documentada.

[Antonio E. Arias @Tonymed2010]

Real-world evaluation of a transformer-based natural language processing system for identifying social determinants of health from routine clinical documentation https://t.co/OgpzeK2LlQ

[Antonio E. Arias @Tonymed2010]

El trabajo evalúa si un sistema de procesamiento de lenguaje natural (NLP) basado en transformers puede detectar automáticamente determinantes sociales de la salud (DSS/SDoH) a partir de las notas clínicas habituales de la historia clínica electrónica.

[Antonio E. Arias @Tonymed2010]

El HEPS compara los encuentros ambulatorios y hospitalarios que aparecen en el EHR con los registrados en los datos administrativos de seguros. Su rango es 0–100%

[Antonio E. Arias @Tonymed2010]

Develop and validate a fair machine learning model to identify patients with high data-continuity in electronic health records data https://t.co/fZre6lQ398

[Antonio E. Arias @Tonymed2010]

Los investigadores utilizaron el Harmonized Encounter Proportion Score (HEPS), una adaptación del Mean Proportion of Encounters Captured (MPEC).

[Antonio E. Arias @Tonymed2010]

El objetivo fue desarrollar un método capaz de identificar qué pacientes tienen información suficientemente completa para ser incluidos de forma confiable en estudios con datos de EHR, procurando además que el algoritmo no introduzca inequidades entre grupos raciales o étnicos.

[Antonio E. Arias @Tonymed2010]

Los registros de una institución rara vez contienen toda la atención que recibe un paciente. Cuando una persona consulta en otros sistemas de salud, esa información puede quedar fuera del EHR analizado, generando datos incompletos y errores de clasificación de enfermedades, etc.