Examinando por Autor "Arias Bodmer, Juan Camilo"

Mostrando 1 - 2 de 2
  • Miniatura
    Ítem
    Afinidad y vínculo entre la salud pública de precisión y las ciencias de la complejidad para generar estrategias, intervenciones y políticas innovadoras que fortalezcan la salud pública
    (2022) Arias Bodmer, Juan Camilo; Gómez Barrera, Luis Alejandro
    En la actualidad existe una gran demanda de generación de conocimiento que, de forma ágil, dinámica e innovadora, permita comprender y visualizar los patrones de comportamiento de una población y sus problemáticas, para responder a ellas en el momento y lugar correcto. Esto ha dado origen a las ciencias de la complejidad y más recientemente a la salud pública de precisión. Mientras que las ciencias de la complejidad buscan reducir la incertidumbre a través del análisis no fraccionado de los eventos y patrones de los sistemas formados por múltiples elementos (sistemas complejos), la salud pública de precisión busca señalar el camino para la planificación y ejecución de estrategias sanitarias, basándose en el análisis y la visualización de conjuntos de datos de gran volumen. Por ello, es oportuno encontrar caminos que permitan armonizar la salud pública de precisión y las ciencias de la complejidad. Esto es para que, mediante el análisis de grandes cantidades de datos, se puedan visualizar y comprender los patrones de la realidad, así como los problemas de los individuos y colectivos. Esta armonización tiene el potencial de generar conocimiento útil para el diseño de estrategias y políticas de salud dinámicas, reproducibles y escalables que puedan ser implementadas asertivamente con el apoyo de la ciencia de la implementación.
  • Miniatura
    Ítem
    Optimización del diagnóstico de la diabetes: un enfoque de análisis no lineal con inteligencia artificial para reducir la incertidumbre en la toma de decisiones
    (2024-05) Arias Bodmer, Juan Camilo; Torres Soler, Luis Carlos; Ramos Montaña, Jesus David; Arias Bodmer, Juan Camilo [0009-0001-4401-520X]
    En el ámbito de la medicina, la toma de decisiones juega un papel fundamental en la atención sanitaria, tanto a nivel clínico como en la salud poblacional. La complejidad de este proceso, marcado por dimensiones como la identificación de problemas, el acuerdo en protocolos clínicos, el conocimiento necesario y la estructura de pensamiento, resalta la importancia de abordar las decisiones médicas de manera integral y multidimensional. La toma de decisiones diagnósticas y terapéuticas en pacientes con enfermedades crónicas, como la diabetes, conlleva una incertidumbre inherente que desafía a los profesionales de la salud. En este contexto, la integración de tecnologías avanzadas, como el machine learning (ML), en la práctica clínica puede modificar el enfoque determinista basado únicamente en resultados de laboratorio. Este cambio busca considerar la interacción sistémica de múltiples variables en cada paciente. La inclusión de técnicas de análisis no lineal de datos permite una comprensión más holística del paciente, lo que puede llevar a una interpretación más precisa de la variabilidad de la diabetes. Este enfoque integrador y más completo tiene el potencial de mejorar la identificación temprana y el tratamiento de la enfermedad. Este trabajo aborda el desafío del diagnóstico de la diabetes en un contexto de desbalance de datos, utilizando enfoques analíticos similares a los estudios ecológicos, que buscan comprender las interacciones en un sistema complejo, para equilibrar las clases de manera representativa. Se reconoce que existen limitaciones en cuanto al tamaño de la muestra, sesgos potenciales en la selección de variables y la interpretación de resultados, lo que destaca la importancia de abordar de manera transparente las restricciones y desafíos presentes en este tipo de análisis de datos del mundo real. En este caso, se busca equilibrar las clases de pacientes con y sin diabetes para que el análisis sea más preciso y representativo de la realidad. Abordar de forma transparente estas restricciones y desafíos permitirá a otros investigadores comprender y contextualizar adecuadamente los hallazgos. Al considerar las implicaciones de este estudio y las posibles direcciones futuras de investigación, se resalta la relevancia de los modelos de ML en la predicción de la aparición de la diabetes y la mejora de la toma de decisiones clínicas. La validación y comparación de diferentes modelos de ML se presenta como una estrategia clave para fortalecer la planificación de intervenciones en salud poblacional y optimizar la atención a pacientes con diabetes. En este contexto de constante evolución tecnológica y desafíos en la toma de decisiones médicas, este trabajo busca contribuir al conocimiento y la práctica en el campo de la medicina, ofreciendo un enfoque integral y multidimensional para abordar la complejidad de la atención sanitaria y la gestión de enfermedades crónicas como la diabetes.