Autor/autores:
Karim, Vahia, Iaboni y Lee.
Aunque la adopción de la inteligencia artificial (IA) se ha retrasado en la investigación de la salud mental y la atención clínica en relación con otros campos, la IA podría mejorar los enfoques de diagnóstico, pronóstico y tratamiento para la creciente población que envejece. Con el uso omnipresente de sensores portátiles, los...
Estás viendo una versión reducida de este contenido.
Para consultar la información completa debes registrarte gratuitamente.
Tan sólo te llevará unos segundos.
Y si ya estás registrado inicia sesión pulsando aquí.
Aunque la adopción de la inteligencia artificial (IA) se ha retrasado en la investigación de la salud mental y la atención clínica en relación con otros campos, la IA podría mejorar los enfoques de diagnóstico, pronóstico y tratamiento para la creciente población que envejece.
Con el uso omnipresente de sensores portátiles, los avances en IA explicable y la creciente aceptación de la IA en la medicina, estos enfoques podrían respaldar las crecientes demandas clínicas. A pesar del entusiasmo por la IA, el uso en entornos clínicos se ve atenuado por preocupaciones éticas y de validez.
La integración de la IA en entornos clínicos requerirá colaboraciones entre médicos y expertos en IA, muestras de estudio inclusivas y una evaluación rigurosa (similar a los ensayos clínicos para farmacoterapias). Este número especial es una plataforma para destacar las nuevas aplicaciones de la IA en la investigación y atención de la salud mental geriátrica y unir la experiencia clínica con la IA mediante la descripción de enfoques conceptuales y pragmáticos.
Este número muestra diversos enfoques de IA (aprendizaje automático, procesamiento de lenguaje natural [NLP]) aplicados a múltiples flujos de datos (sensores, registros de salud electrónicos, datos de entrevistas, neuroimagen) desde perspectivas internacionales multidisciplinarias. Los artículos incluidos piensan en términos generales sobre las implicaciones políticas y sistémicas y respetan las preocupaciones éticas y la protección de los pacientes.
Dos manuscritos demuestran su utilidad para identificar criterios de valoración importantes y optimizar los tratamientos. Grzenda et al. utilizó dos estudios para predecir el resultado del tratamiento en la depresión en la vejez utilizando imágenes estructurales. La incorporación de imágenes estructurales mejoró la predicción cuando se combinó con marcadores clínicos para dos tratamientos diferentes (antidepresivos frente a Tai Chi), lo que indica que los marcadores estructurales mejoran la detección de la resistencia al tratamiento, lo que permite tratamientos más agresivos antes.
Chowdhury et al. realizó una revisión sistemática del uso de registros de salud electrónicos para predecir varios resultados (principalmente demencia). A pesar de informar una gran heterogeneidad en los datos utilizados, los enfoques utilizados para estandarizar los datos e incluso los enfoques de modelado, los autores reconocieron un rápido crecimiento, con 21 estudios en los últimos 5 años. pacientes con "alto riesgo" de demencia o sugerir enfoques más proactivos para pacientes con "alto riesgo" para tratamiento-resistencia.
Los modelos de IA deben incorporar la retroalimentación del médico y los resultados del tratamiento y someterse a una actualización dinámica. Estos modelos deben identificar qué características predicen con más fuerza el "alto riesgo", mejorando así la confianza del médico y condensando y recopilando información compleja en un informe comprensible.
Para acceder al texto completo consulte las características de suscripción de la fuente original:https://www.frontiersin.org/
Para más contenido siga a psiquiatria.com en: Twitter, Facebook y Linkedl
