Ecosistemas de salud en pediatría
DOI:
https://doi.org/10.56050/01205498.1649Palabras clave:
Salud Infantil, Internet de las cosas en pediatría, Inteligencia artificial (IA) en pediatría, Salud infantil de la poblaciónResumen
Las inversiones tempranas en la salud, la educación y el desarrollo de los niños tienen beneficios que se acumulan a lo largo de la vida, para sus futuros hijos y para la sociedad en su conjunto. Las sociedades exitosas invierten en sus niños y protegen sus derechos, como es evidente en los países que aplican eficientemente las medidas sanitarias y económicas durante las últimas décadas. Sin embargo, muchas decisiones políticas todavía no dan prioridad a la inversión en la infancia ni la perciben como la base para mejoras sociales. Incluso, en los países ricos, muchos niños pasan hambre o viven en condiciones de pobreza absoluta, especialmente los que pertenecen a grupos sociales marginados, incluidas las poblaciones indígenas y las minorías étnicas. Además, muchos millones de niños crecen marcados por la guerra o la inseguridad, excluidos de recibir los servicios de salud, educación y desarrollos más básicos. El modelo actual del sistema de salud colombiano es lineal y, por su diseño derrochador, con pocas oportunidades de aprender y mejorar. La necesidad de integrar los sistemas de salud y atención médica en una ecoestructura cohesiva permite que las empresas de atención médica se adapten, respondan y aprendan constantemente del ecosistema de salud. El desarrollo de una tecnología adecuada con sistemas de inteligencia artificial, mejorará la prestación de servicios de salud en la población de manera dinámica y receptiva para transformar la prestación de servicios de salud, que en el esquema actual opera como un sistema reactivo, y pasar a uno proactivo, en especial cuando se trata de la atención médica en pediatría.
Biografía del autor/a
Ledys Izquierdo, Hospital Militar Central
MD, MSc. Departamento de Pediatría, Hospital Militar Central, Bogotá, Colombia.
Departamento de Ingeniería Biomédica, Universidad Nacional de Colombia, Bogotá, Colombia.
MD. Unidad de Cuidado Intensivo Pediátrico, Hospital Militar Central, Bogotá, Colombia.
Alexandra Jiménez, Hospital Militar Central
MD. Unidad de Cuidado Intensivo Pediátrico, Hospital Militar Central, Bogotá, Colombia.
Referencias bibliográficas
2. Wong CA, Madanay F, Ozer EM, Harris SK, Moore M, Master SO, Moreno M, Weitzman ER. Digital Health Technology to Enhance Adolescent and Young Adult Clinical Preventive Services: Affordances and Challenges. J Adolesc Health. 2020 Aug;67(2S):S24-S33. doi: 10.1016/j.jadohealth.2019.10.018.
3. Jessica Macwilliam, Iain Hennessey, Gavin Cleary,Telemedicine: improving clinical care and medical education in paediatrics,Paediatrics and Child Health,2021,ISSN 1751-7222, https://doi.org/10.1016/j.paed.2021.07.004.
4. Hsing JC, Wang CJ, Wise PH. Child Health and Telehealth in Global, Underresourced Settings. Pediatr Clin North Am. 2020 Aug;67(4):773-781. doi: 10.1016/j.pcl.2020.04.014.
5. Scott R, Mars M. Telehealth in the developing world: current status and future prospects. Smart Homecare Technol Telehealth 2015;25. https://doi.org/10.2147/shtt.s75184
6. Bohr A, Memarzadeh K. The rise of artificial intelligence in healthcare applications. Artificial Intelligence in Healthcare. 2020:25–60. doi: 10.1016/B978-0-12- 818438-7.00002-2. Epub 2020 Jun 26.
7. Ramaswami R, Bayer R, Galea S. Precision Medicine from a Public Health Perspective. Annu Rev Public Health. 2018 Apr 1;39:153-168. doi: 10.1146/annurevpublhealth-040617-014158. Epub 2017 Nov 20. PMID: 29166244.
8. August GJ, Gewirtz A. Moving Toward a PrecisionBased, Personalized Framework for Prevention Science: Introduction to the Special Issue. Prev Sci. 2019 Jan;20(1):1-9. doi: 10.1007/s11121-018-0955-9.
9. Schwalbe N, Wahl B. Artificial intelligence and the future of global health. Lancet. 2020 May 16;395(10236):1579- 1586. doi: 10.1016/S0140-6736(20)30226-9.
10. Riu R, Gupta S, Patel P. The Application of the Principles of Responsible AI on Social Media Marketing for Digital Health. Inf Syst Front. 2021 Sep 13:1-25. doi: 10.1007/ s10796-021-10191-z. Epub ahead of print.
11. Clark H, Coll-Seck AM, Banerjee A, Peterson S, Dalglish SL, Ameratunga S, et al. A future for the world’s children? A WHO-UNICEF-Lancet Commission. Lancet. 2020 Feb 22;395(10224):605-658. doi: 10.1016/S0140- 6736(19)32540-1. Epub 2020 Feb 19.
12. Mathur P, Burns ML. Artificial Intelligence in Critical Care. Int Anesthesiol Clin. 2019 Spring;57(2):89-102. doi: 10.1097/AIA.0000000000000221
13. Celi LA, Hinske LC, Alterovitz G, et al. An artifificial intelligence tool to predict flfluid requirement in the intensive care unit: a proof-of-concept study. Crit Care. 2008;12: R151.
14. Nemati S, Holder A, Razmi F, et al. An interpretable machine learning model for accurate prediction of sepsis in the ICU. Crit Care Med. 2018;46:547–553.
15. Motzkus CA, Lilly CM. Accountability for sepsis treatment: the SEP-1 core measure. Chest. 2017;151:955–957.
16. Parreco J, Hidalgo A, Parks JJ, et al. Using artificial intelligence to predict prolonged mechanical ventilation and tracheostomy placement. J Surg Res. 2018;228:179– 187.
17. Kuo HJ, Chiu HW, Lee CN, et al. Improvement in the prediction of ventilator weaning outcomes by an artificial neural network in a medical ICU. Respir Care. 2015;60:1560–1569.
18. Kennedy CE, Aoki N, Mariscalco M, Turley JP. Using Time Series Analysis to Predict Cardiac Arrest in a PICU. Pediatr Crit Care Med. 2015 Nov;16(9):e332-9. doi: 10.1097/PCC.0000000000000560.
19. Weissman GE, Hubbard RA, Ungar LH, et al. Inclusion of unstructured clinical text improves early prediction of death or prolonged ICU stay. Crit Care Med. 2018;46: 1125–1132.
20. Delahanty RJ, Kaufman D, Jones SS. Development and evaluation of an automated machine learning algorithm for in-hospital mortality risk adjustment among critical care patients. Crit Care Med. 2018;46:e481–e488.
21. Madani A, Arnaout R, Mofrad M, et al. Fast and accurate view classifification of echocardiograms using deep learning. NPJ Digit Med. 2018;1:6.
22. DeJournett L, DeJournett J. In silico testing of an artifificial-intelligence-based artifificial pancreas designed for use in the intensive care unit setting. J Diabetes Sci Technol. 2016;10:1360–1371.
23. Vranas KC, Jopling JK, Sweeney TE, et al. Identifying distinct subgroups of ICU patients: a machine learning approach. Crit Care Med. 2017;45:1607–1615.
24. Cismondi F, Fialho AS, Vieira SM, et al. Missing data in medical databases: impute, delete or classify. Artif Intell Med. 2013;58:63–72.
25. Liu VX. Toward the “Plateau of Productivity”: enhancing the value of machine learning in critical care. Crit Care Med. 2018;46:1196–1197.
26. Mehta N, Devarakonda MV. Machine learning, natural language programming, and electronic health records: the next step in the artifificial intelligence journey? J Allergy Clin Immunol. 2018;141:2019.e1–2021.e1.
27. Cismondi F, Celi LA, Fialho AS, et al. Reducing unnecessary lab testing in the ICU with artifificial intelligence. Int J Med Inf. 2013;82:345–358.
28. McLennan S, Shaw D, Celi LA. The challenge of local consent requirements for global critical care databases. Intensive Care Med. 2018. [Epub ahead of print].
29. Karnik K. FDA regulation of clinical decision support software. J Law Biosci. 2014; 1:202–208.
Cómo citar
Descargas
Publicado
Número
Sección
Licencia
Derechos de autor 2022 Medicina
Esta obra está bajo una licencia internacional Creative Commons Atribución-NoComercial-SinDerivadas 4.0.
Copyright
ANM de Colombia
Los autores deben declarar revisión, validación y aprobación para publicación del manuscrito, además de la cesión de los derechos patrimoniales de publicación, mediante un documento que debe ser enviado antes de la aparición del escrito. Puede solicitar el formato a través del correo revistamedicina@anmdecolombia.org.co o descargarlo directamente Documento Garantías y cesión de derechos.docx
Copyright
ANM de Colombia
Authors must state that they reviewed, validated and approved the manuscript's publication. Moreover, they must sign a model release that should be sent.
