Perspectivas actuales sobre el uso de la inteligencia artificial en la seguridad del paciente crítico

array:23 ["pii" => "S021056912400086X" "issn" => "02105691" "doi" => "10.1016/j.medin.2024.03.007" "estado" => "S200" "fechaPublicacion" => "2024-04-22" "aid" => "2007" "copyright" => "Elsevier España, S.L.U. y SEMICYUC" "copyrightAnyo" => "2024" "documento" => "article" "crossmark" => 0 "subdocumento" => "sco" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "Traduccion" => array:1 [ "en" => array:17 [ "pii" => "S2173572724000808" "issn" => "21735727" "doi" => "10.1016/j.medine.2024.04.002" "estado" => "S200" "fechaPublicacion" => "2024-04-28" "aid" => "2007" "documento" => "article" "crossmark" => 0 "subdocumento" => "sco" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "en" => array:12 [ "idiomaDefecto" => true "cabecera" => "Update in intensive care medicine: Critical patient safety" "titulo" => "Current perspectives on the use of artificial intelligence in critical patient safety" "tienePdf" => "en" "tieneTextoCompleto" => "en" "tieneResumen" => array:2 [ 0 => "en" 1 => "es" ] "titulosAlternativos" => array:1 [ "es" => array:1 [ "titulo" => "Perspectivas actuales sobre el uso de la inteligencia artificial en la seguridad del paciente crítico" ] ] "contieneResumen" => array:2 [ "en" => true "es" => true ] "contieneTextoCompleto" => array:1 [ "en" => true ] "contienePdf" => array:1 [ "en" => true ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:8 [ "identificador" => "fig0010" "etiqueta" => "Figure 2" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr2.jpeg" "Alto" => 1414 "Ancho" => 2540 "Tamanyo" => 332753 ] ] "detalles" => array:1 [ 0 => array:3 [ "identificador" => "at0010" "detalle" => "Figure " "rol" => "short" ] ] "descripcion" => array:1 [ "en" => "Map of the 4 phases of secure real-time AI implementation. In phase 1, the AI is tested to ensure it adapts to the reality of the data from the center where it is deployed. In phase 2, the data flow is constructed to evaluate its performance in real-time. In phase 3, the results of using AI vs not using it are compared in relation to patient benefit. Finally, in phase 4, the performance of the AI is continuously monitored, and necessary improvements are applied to ensure its evolution for the benefit of all." ] ] ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "Jesús Abelardo Barea Mendoza, Marcos Valiente Fernandez, Alex Pardo Fernandez, Josep Gómez Álvarez" "autores" => array:4 [ 0 => array:2 [ "nombre" => "Jesús Abelardo" "apellidos" => "Barea Mendoza" ] 1 => array:2 [ "nombre" => "Marcos" "apellidos" => "Valiente Fernandez" ] 2 => array:2 [ "nombre" => "Alex" "apellidos" => "Pardo Fernandez" ] 3 => array:2 [ "nombre" => "Josep" "apellidos" => "Gómez Álvarez" ] ] ] ] ] "idiomaDefecto" => "en" "Traduccion" => array:1 [ "es" => array:9 [ "pii" => "S021056912400086X" "doi" => "10.1016/j.medin.2024.03.007" "estado" => "S200" "subdocumento" => "" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "idiomaDefecto" => "es" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S021056912400086X?idApp=WMIE" ] ] "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2173572724000808?idApp=WMIE" "url" => "/21735727/unassign/S2173572724000808/v1_202404280947/en/main.assets" ] ] "itemSiguiente" => array:18 [ "pii" => "S0210569124000895" "issn" => "02105691" "doi" => "10.1016/j.medin.2024.03.010" "estado" => "S200" "fechaPublicacion" => "2024-04-28" "aid" => "2010" "copyright" => "Elsevier España, S.L.U. y SEMICYUC" "documento" => "article" "crossmark" => 0 "subdocumento" => "sco" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "es" => array:10 [ "idiomaDefecto" => true "cabecera" => "Imágenes en Medicina Intensiva" "titulo" => "Endoftalmitis endógena en un caso de meningitis meningocócica" "tienePdf" => "es" "tieneTextoCompleto" => "es" "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Endogenous endophthalmitis in a meningococcal meningitis case" ] ] "contieneTextoCompleto" => array:1 [ "es" => true ] "contienePdf" => array:1 [ "es" => true ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:6 [ "identificador" => "fig0005" "etiqueta" => "Figura 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 798 "Ancho" => 600 "Tamanyo" => 88872 ] ] ] ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "José Ginestal, Elena Álvaro, Zaira Molina" "autores" => array:3 [ 0 => array:2 [ "nombre" => "José" "apellidos" => "Ginestal" ] 1 => array:2 [ "nombre" => "Elena" "apellidos" => "Álvaro" ] 2 => array:2 [ "nombre" => "Zaira" "apellidos" => "Molina" ] ] ] ] ] "idiomaDefecto" => "es" "Traduccion" => array:1 [ "en" => array:9 [ "pii" => "S2173572724000857" "doi" => "10.1016/j.medine.2024.04.007" "estado" => "S200" "subdocumento" => "" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "idiomaDefecto" => "en" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2173572724000857?idApp=WMIE" ] ] "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0210569124000895?idApp=WMIE" "url" => "/02105691/unassign/S0210569124000895/v1_202404280932/es/main.assets" ] "itemAnterior" => array:17 [ "pii" => "S0210569117302929" "issn" => "02105691" "doi" => "10.1016/j.medin.2017.09.014" "estado" => "S200" "fechaPublicacion" => "2017-11-21" "aid" => "1125" "copyright" => "Elsevier España, S.L.U. y SEMICYUC" "documento" => "simple-article" "crossmark" => 0 "subdocumento" => "ret" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:2 [ "total" => 86 "formatos" => array:3 [ "EPUB" => 4 "HTML" => 4 "PDF" => 78 ] ] "es" => array:8 [ "idiomaDefecto" => true "titulo" => "WITHDRAWN: Control del dolor postoperatorio tras implante de un desfibrilador automático implantable. Estudio aleatorizado" "tienePdf" => "es" "tieneTextoCompleto" => 0 "tieneResumen" => "es" "contieneResumen" => array:1 [ "es" => true ] "contienePdf" => array:1 [ "es" => true ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "M. Luque Oliveros" "autores" => array:1 [ 0 => array:2 [ "nombre" => "M." "apellidos" => "Luque Oliveros" ] ] ] ] ] "idiomaDefecto" => "es" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0210569117302929?idApp=WMIE" "url" => "/02105691/unassign/S0210569117302929/v2_201803140621/es/main.assets" ] "es" => array:18 [ "idiomaDefecto" => true "cabecera" => "PUESTA AL DÍA EN MEDICINA INTENSIVA: SEGURIDAD DEL PACIENTE CRÍTICO" "titulo" => "Perspectivas actuales sobre el uso de la inteligencia artificial en la seguridad del paciente crítico" "tieneTextoCompleto" => true "autores" => array:1 [ 0 => array:4 [ "autoresLista" => "Jesús Abelardo Barea Mendoza, Marcos Valiente Fernandez, Alex Pardo Fernandez, Josep Gómez Álvarez" "autores" => array:4 [ 0 => array:4 [ "nombre" => "Jesús Abelardo" "apellidos" => "Barea Mendoza" "email" => array:1 [ 0 => "jesusabelardo.barea@salud.madrid.org" ] "referencia" => array:2 [ 0 => array:2 [ "etiqueta" => "a" "identificador" => "aff0005" ] 1 => array:2 [ "etiqueta" => "*" "identificador" => "cor0005" ] ] ] 1 => array:3 [ "nombre" => "Marcos" "apellidos" => "Valiente Fernandez" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "a" "identificador" => "aff0005" ] ] ] 2 => array:3 [ "nombre" => "Alex" "apellidos" => "Pardo Fernandez" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "b" "identificador" => "aff0010" ] ] ] 3 => array:3 [ "nombre" => "Josep" "apellidos" => "Gómez Álvarez" "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "c" "identificador" => "aff0015" ] ] ] ] "afiliaciones" => array:3 [ 0 => array:3 [ "entidad" => "UCI de Trauma y Emergencias, Servicio de Medicina Intensiva, Hospital Universitario 12 de Octubre, Instituto de Investigación Hospital 12 de Octubre, Madrid, España" "etiqueta" => "a" "identificador" => "aff0005" ] 1 => array:3 [ "entidad" => "Universidad Rovira i Virgili, Tarragona, España" "etiqueta" => "b" "identificador" => "aff0010" ] 2 => array:3 [ "entidad" => "Hospital Universitario de Tarragona Joan XXIII, Universidad Rovira i Virgili, Instituto de Investigación Sanitaria Pere i Virgili, Tarragona, España" "etiqueta" => "c" "identificador" => "aff0015" ] ] "correspondencia" => array:1 [ 0 => array:3 [ "identificador" => "cor0005" "etiqueta" => "⁎" "correspondencia" => "Autor para correspondencia." ] ] ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Current Perspectives on the Use of Artificial Intelligence in Critical Patient Safety" ] ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:7 [ "identificador" => "fig0010" "etiqueta" => "Figura 2" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr2.jpeg" "Alto" => 1414 "Ancho" => 2540 "Tamanyo" => 346180 ] ] "descripcion" => array:1 [ "es" => "Mapa de las cuatro fases de implementación segura de IA en tiempo real. En la fase 1 se testea que la IA se adapte a la realidad de los datos del centro donde se implanta. En la fase 2 se construye el flujo de datos que permita evaluar su rendimiento en tiempo real. En la fase 3 se comparan los resultados de utilizar o no la IA con relación al beneficio del paciente. Finalmente, en la fase 4 se monitoriza continuamente el rendimiento de la IA y se aplican las mejoras necesarias para que esta evolucione en beneficio de todos." ] ] ] "textoCompleto" => "Inteligencia artificial y seguridad en el ámbito sanitarioLa inteligencia artificial (IA) no es un concepto nuevo ni reciente. La primera vez que se empleó este término fue en la década de los 50<a class="elsevierStyleCrossRef" href="#bib0335">1</a>. Sin embargo, es en los últimos años cuando su implementación a gran escala ha sido posible gracias al crecimiento exponencial de la tecnología<a class="elsevierStyleCrossRef" href="#bib0340">2</a>. La IA es percibida como una herramienta muy poderosa con un potencial enorme para cambiar la forma en la que vivimos, sin embargo, no está exenta de controversia<a class="elsevierStyleCrossRef" href="#bib0345">3</a>. De todos los tipos de IA que existen, la que es capaz de llegar a niveles más altos de capacidad predictiva o incluso creativa está basada en modelos de aprendizaje profundo<a class="elsevierStyleCrossRef" href="#bib0350">4</a>. Estos modelos son modelos no lineales basados en un gran número de operaciones matemáticas que complican su interpretación<a class="elsevierStyleCrossRefs" href="#bib0355">5,6</a>. Es precisamente este último tipo de IA el que genera más inquietud y desconfianza para la sociedad, y se está tratando de analizar desde la ética y el derecho<a class="elsevierStyleCrossRef" href="#bib0365">7</a>.Si bien la introducción de la IA requiere de un análisis de riesgo-beneficio en cualquier escenario, en el ámbito de la salud este debe ser profundo y exhaustivo. Se ha propuesto como la solución a muchos de los problemas de los actuales sistemas de salud contribuyendo a evitar muertes, reducir días de hospitalización o prevenir eventos adversos<a class="elsevierStyleCrossRefs" href="#bib0370">8–16</a>.A pesar de los esfuerzos recientes por incrementar la cultura de seguridad en los sistemas sanitarios, los eventos adversos siguen contribuyendo de forma muy relevante a la morbimortalidad y el gasto sanitario. La incorporación de nuevas tecnologías emerge como una estrategia prometedora en ese sentido. El entorno del paciente crítico resulta un escenario ideal para la implementación de este tipo de tecnologías. En ellas, coexisten pacientes extremadamente graves sobre los que se realizan diariamente numerosas intervenciones y tratamientos de alta complejidad susceptibles al error. Se une además la presión por la toma de decisiones rápidas al ser un área típica de atención a patologías tiempo dependientes. El volumen de información que se genera en una Unidad de Cuidados Intensivos (UCI) puede ser abrumador, habiéndose argumentado que excede a la capacidad de un clínico experto<a class="elsevierStyleCrossRef" href="#bib0415">17</a>. Así el incremento de información disponible en diferentes formatos (imágenes, pruebas de laboratorio, genética, monitorización invasiva de la fisiología, etc.) no siempre se asocia a mejores decisiones. En las áreas de cuidados críticos la incorporación de tecnologías derivadas de la IA podría ayudar a los clínicos a incrementar las capacidades diagnósticas o terapéuticas y contribuir a la mejora de los desenlaces facilitando una mejor integración de la información<a class="elsevierStyleCrossRef" href="#bib0420">18</a>. Existe una creciente controversia debido a la proliferación de publicaciones de IA con escasa calidad metodológica y validez más que dudosa, lo cual limita su implementación. Una reciente revisión sistemática que incorporó más de 400 estudios que reportaron modelos desarrollados en el entorno del paciente crítico determinó que más del 20% se encontraban relacionados con la prevención de eventos adversos. Sin embargo, los autores destacan que la calidad metodológica de los artículos fue muy escasa siendo la mayoría retrospectivos (96,4%) con un alto riesgo de sesgo<a class="elsevierStyleCrossRef" href="#bib0425">19</a>.A la luz de estas razones, el objetivo del presente manuscrito es revisar la potencial contribución de la IA a la seguridad del paciente en el entorno del enfermo crítico resumiendo los aspectos técnicos y ofreciendo ejemplos. En un segundo lugar se han revisado aspectos de la seguridad propios de los procesos de implementación de tecnologías derivadas de la IA que sin duda formarán parte del futuro de nuestras unidades.Principales aplicaciones de la inteligencia artificial en la seguridad del pacienteAyuda a la toma de decisión. Sistemas de soporte a la decisiónLas innovaciones tecnológicas permiten la implementación de Sistemas de Soporte a la Decisión Clínica (CDSS) que pretenden asistir a los médicos en la toma de decisiones ayudando a identificar rápidamente patrones de problemas potenciales (que no son fácilmente perceptibles por los humanos) y a sugerir planes de tratamiento óptimos. Estas herramientas pueden analizar y sintetizar rápidamente grandes conjuntos de datos clínicos (historia clínica, constantes vitales o imagen)<a class="elsevierStyleCrossRef" href="#bib0430">20</a>. Los CDSS no son nuevos remontándose su desarrollo a los avances informáticos desde 1970<a class="elsevierStyleCrossRef" href="#bib0435">21</a>. Como se ha señalado, las UCI constituyen un nicho para los CDSS debido a sus características inherentes (alta disponibilidad de datos, monitorización, complejidad clínica), así como las nuevas implementaciones tecnológicas basadas en IA y Machine Learning (ML).¿Por qué pueden ser útiles y qué papel pueden desempeñar los CDSS?La implementación de los CDSS busca mejorar la calidad en todas sus dimensiones, especialmente la seguridad. Aunque se ha demostrado su utilidad en ciertas disciplinas médicas, su papel óptimo sigue siendo objeto de debate<a class="elsevierStyleCrossRef" href="#bib0440">22</a>. Resultan útiles por diferentes motivos: 1) incorporación de la medicina personalizada gracias al uso de modelos basados en ML. Estos modelos han demostrado ser iguales o superiores a profesionales experimentados en varios escenarios: predicción de mortalidad, reingreso, fracaso renal, sepsis y distrés respiratorio entre otros. 2) Generación de propuestas de plan terapéutico a demanda. 3) Reducción de la sobrecarga de información permitiendo a los equipos tomar mejores decisiones basadas en el gran volumen de datos disponibles (<a class="elsevierStyleCrossRef" href="#tbl0005">tabla 1</a>)<a class="elsevierStyleCrossRef" href="#bib0435">21</a>.<elsevierMultimedia ident="tbl0005"></elsevierMultimedia>¿Qué tipos de modelos utilizan los CDSS?Los CDSS hasta hace unos años se han basado en el conocimiento previo empleando reglas del tipo «si A – entonces B», lo que suponía una simplificación de la praxis médica. Los CDSS basados en IA permiten almacenar y procesar fuentes de datos muy variables, específicas del paciente, y finalmente proponer recomendaciones con las que podemos dar feedback al sistema. Así se mitiga la simplificación de la praxis médica de los CDSS previos<a class="elsevierStyleCrossRef" href="#bib0445">23</a>. Es clave que la UCI facilite el acceso a un flujo constante de datos permitiendo la realización de análisis específicos (series temporales) que pueden evaluar las tendencias y anticiparnos potencialmente a sus problemas<a class="elsevierStyleCrossRef" href="#bib0450">24</a>.¿Es fácil su implantación en el ámbito clínico?Su implantación clínica no está exenta de limitaciones, siendo algunos de los elementos clave<a class="elsevierStyleCrossRef" href="#bib0455">25</a>:<ul class="elsevierStyleList" id="lis0005"><li class="elsevierStyleListItem" id="lsti0005">•Confianza: tanto pacientes como clínicos deben confiar en los modelos de IA utilizados. También preocupa un exceso de confianza por parte del clínico ya que estos sistemas requieren de la supervisión humana en todo el proceso.</li><li class="elsevierStyleListItem" id="lsti0010">•Sesgo: los conjuntos de datos utilizados para entrenar modelos de IA pueden contener sesgos en función del origen de los mismos, contexto epidemiológico o tratamiento de los datos.</li><li class="elsevierStyleListItem" id="lsti0015">•Escalabilidad: la implementación de CDSS debe ser fácilmente escalable y adaptable a una variedad de entornos clínicos. La implementación requiere de un proceso gradual junto a retroalimentación entre desarrolladores y profesionales clínicos. También son necesarias la mejora de la calidad de los datos, la realización de numerosas iteraciones y ajustes, así como la optimización del flujo de trabajo.</li><li class="elsevierStyleListItem" id="lsti0020">•Despliegue: enfrenta desafíos regulatorios debido al acceso a datos de carácter personal especialmente sensibles, así como por la escasa reproducibilidad de los resultados. Sin embargo, en el caso de los CDSS el interés puede recaer en explotar las características locales, con reevaluaciones de los datos y refinamientos periódicos<a class="elsevierStyleCrossRefs" href="#bib0460">26,27</a>.</li><li class="elsevierStyleListItem" id="lsti0025">•Éticos: la implementación de estos sistemas puede suponer un desafío cultural y ético, afectando a la concepción de la autonomía de médicos y pacientes en función de las sugerencias de los CDSS<a class="elsevierStyleCrossRef" href="#bib0470">28</a>.</li><li class="elsevierStyleListItem" id="lsti0030">•Perspectiva de los clínicos: la evidencia muestra que los clínicos se muestran favorables a la integración de CDSS, especialmente para ciertas preguntas clínicas como la probabilidad de reingreso (<a class="elsevierStyleCrossRef" href="#fig0005">fig. 1</a>). También buscan entender los factores que contribuyen a las predicciones. Resulta así de especial interés el desarrollo de la explicabilidad algorítmica (XAI, eXplanaible Artificial Intelligence)<a class="elsevierStyleCrossRef" href="#bib0475">29</a>.<elsevierMultimedia ident="fig0005"></elsevierMultimedia></li></ul>Predicción de eventos adversos en la Unidad de Cuidados IntensivosRecientemente se ha propuesto el empleo de la IA en los principales dominios de los eventos adversos destacando la predicción, prevención y detección temprana de pacientes en riesgo de deterioro. De esta manera la IA, basada en la automatización de registros y el uso de ML, ofrece nuevas estrategias para mitigar la aparición de evento adverso (EA)<a class="elsevierStyleCrossRef" href="#bib0480">30</a>. Actualmente existen algoritmos que utilizan los datos de pacientes en tiempo real acumulando información para personalizar el tratamiento durante su ingreso. Estas herramientas, por ejemplo, permitirían iniciar o discontinuar la terapia antitrombótica según el riesgo de sangrado en un momento concreto del ingreso<a class="elsevierStyleCrossRef" href="#bib0485">31</a>. Otros algoritmos permiten resumir toda la información de un paciente respecto a un evento de interés. Al condensarla, facilitan la comparación con otros pacientes y la creación de cohortes pacientes con perfiles de riesgo equiparables para un determinado evento de interés (mortalidad)<a class="elsevierStyleCrossRef" href="#bib0490">32</a>. Son múltiples los entornos clínicos en los que se han publicado resultados en este sentido destacando: 1) predicción y estratificación del riesgo de reingreso, ayudando en la gestión del flujo de pacientes y evitando EA asociados al reingreso no programado<a class="elsevierStyleCrossRefs" href="#bib0495">33,34</a>. 2) Predicción de EA relacionados con el fallo renal<a class="elsevierStyleCrossRefs" href="#bib0505">35,36</a>. 3) Predicción de extubación no planeada permitiendo implementar medidas preventivas y reduciendo la carga de trabajo para el personal<a class="elsevierStyleCrossRef" href="#bib0515">37</a>. Aunque su implementación puede centrarse en mitigar los eventos adversos de pacientes de UCI, no debe reducirse al ámbito de UCI. Esta tecnología puede utilizarse en cualquier punto del sistema sanitario para predecir el deterioro clínico temprano o las transferencias inmediatas a UCI que permitirían instaurar tratamiento precoz y organizar los recursos<a class="elsevierStyleCrossRefs" href="#bib0520">38,39</a>. La efectividad de un algoritmo puede estar limitada fuera de su entorno original, pues los datos que utiliza reflejan la cultura y prácticas específicas de cada UCI. Así, lo que funciona en un entorno puede no ser aplicable en otro, especialmente si las condiciones de trabajo y ratios de personal varían, afectando a los resultados. Los ámbitos de aplicación de la IA en seguridad son múltiples, dentro o fuera de la UCI (estrategia UCI sin paredes) y cada vez disponemos de algoritmos más novedosos que permiten captar y adaptar mejor la información obtenida a partir de los datos de los pacientes para hacer predicciones más precisas.Prescripción y eventos adversos asociados a medicaciónLos incidentes relacionados con los medicamentos se mantienen entre los EA más frecuentes<a class="elsevierStyleCrossRef" href="#bib0530">40</a>. Hasta un 25% de los eventos adversos son considerados prevenibles<a class="elsevierStyleCrossRef" href="#bib0535">41</a>. Además, las UCI por su complejidad técnica y vinculación a la patología tiempo dependiente son más susceptibles a la aparición de errores de prescripción<a class="elsevierStyleCrossRef" href="#bib0540">42</a>. Las aplicaciones de la IA en esta área son diversas pudiendo destacar los modelos de predicción de riesgo para el desarrollo de reacciones adversas, la detección de eventos vinculados a la polifarmacia, el desarrollo de modelos de interacción y alergia in silico, la aplicación de CDSS así como la explotación de la historia clínica electrónica (EHR) para la detección de reacciones adversas inadvertidas<a class="elsevierStyleCrossRef" href="#bib0545">43</a>. En función del momento en que se apliquen los modelos, estos pueden ayudar a predecir el riesgo reduciendo la incidencia de los mismos (estrategias de prevención) o posteriormente contribuir a la detección precoz disminuyendo su gravedad y duración (estrategias mitigación del daño)<a class="elsevierStyleCrossRef" href="#bib0550">44</a>.Desde el punto de vista de los casos de uso vinculados a la predicción encontramos diversas estrategias y ejemplos en la literatura. La más frecuente es la predicción de aquellos pacientes con riesgo elevado de reacciones adversas a medicamentos. Los grupos de eventos más estudiados en este sentido son los renales, cardiovasculares, así como la sobredosis vinculada al empleo de opioides<a class="elsevierStyleCrossRef" href="#bib0550">44</a>. Un segundo grupo consiste en la predicción de la respuesta terapéutica. Así podría evitarse el empleo en pacientes no respondedores. Este es especialmente interesante en grupos farmacéuticos con alta incidencia de eventos adversos y mala tolerancia como los antineoplásicos o algunos antivirales<a class="elsevierStyleCrossRef" href="#bib0555">45</a>. También la predicción de la dosis óptima es un área de interés siendo fármacos idóneos para estos usos los anticoagulantes o los antineoplásicos<a class="elsevierStyleCrossRefs" href="#bib0485">31,46,47</a>. Es interesante reseñar que estos modelos integran información de toda la historia clínica incorporando antecedentes, historia actual en texto libre o resultados de laboratorio. Aunque resulta prometedor es importante resaltar que la incorporación de resultados genéticos a los modelos solo ha conseguido mejorar la capacidad predictiva de forma discreta<a class="elsevierStyleCrossRef" href="#bib0555">45</a>. Desde un punto de vista técnico los modelos más frecuentemente empleados son los árboles de decisión, técnicas de procesamiento de lenguaje natural y de redes neuronales, aunque la variedad y variabilidad de técnicas empleadas es alta.En el bloque de detección temprana de incidentes distinguimos la detección de las reacciones, así como la detección de errores de medicación que ya se han producido (prescripción inadecuada, interacciones y duplicidades). Sin duda, una de las áreas de mayor interés es la relacionada con los errores de prescripción. Desde un punto de vista de la seguridad, aunque estos se producen tras una acción individual (prescriptor, administrador o consumidor) son considerados como un fallo del sistema. Algunos autores incluso afirman que deben considerarse fallos de los sistemas de información clínica<a class="elsevierStyleCrossRef" href="#bib0570">48</a>. En los últimos años se han testado algunos CDSS que incorporan algoritmos de ML ayudando a la detección de errores de prescripción en tiempo real<a class="elsevierStyleCrossRef" href="#bib0575">49</a>. Estos modelos incorporan la información de la EHR y posteriormente detectan aquellas prescripciones que son consideradas atípicas por el modelo. Estas atipicidades pueden deberse a prescripciones infrecuentes (anticonceptivo a un lactante), discordantes con la historia clínica (antidiabético en un paciente sin antecedentes de diabetes) o con posologías infrecuentes. Estos sistemas son capaces de intervenir en dos puntos generando alertas sincrónicas (en el momento de hacer la prescripción) o asincrónicas (durante el seguimiento cuando cambia la situación clínica del paciente). Los principales tipos de alertas y ejemplos se describen en la <a class="elsevierStyleCrossRef" href="#tbl0010">tabla 2</a>.<elsevierMultimedia ident="tbl0010"></elsevierMultimedia>Uno de los sistemas con más desarrollo en este sentido es el softwareMedAware (<a href="https://www.medaware.com/about/">https://www.medaware.com/about/</a>) que ha sido validado de forma prospectiva. En una validación sobre más 78.000 prescripciones la tasa de alertas fue baja (0,40%). De estas el 40% fueron de tipo sincrónico siendo las más frecuentes las tiempo-dependientes (64,80%). De las alertas generadas el 89% se consideraron adecuadas y un 43% condicionaron un cambio en la prescripción. Estos datos fueron superiores al CDSS basado en reglas que presentó una carga de alertas elevada (37,10%) y de escasa trascendencia clínica (5,30% cambios de prescripción)<a class="elsevierStyleCrossRef" href="#bib0580">50</a>.Seguridad en los procesos de implementación de herramientas basadas en inteligencia artificialTal y como se ha expuesto anteriormente, la IA puede ser de utilidad en varios aspectos de la medicina intensiva. Sin embargo, también plantea retos tanto médicos como éticos y tecnológicos. Resulta relevante no solo analizar la utilidad de la IA en la seguridad del paciente sino establecer los marcos teóricos para que los procesos de uso e implementación de IA también sean seguros. Tras revisar las posibles contribuciones de esta tecnología a la seguridad, a continuación se profundizará en los riesgos que presenta así como en las soluciones en relación con los efectos adversos que pueden generar y a la implementación segura de estos algoritmos.Cómo generar una inteligencia artificial segura basada en machine learningLos algoritmos de predicción que emplean aprendizaje automático supervisado basan su funcionamiento en el aprendizaje con ejemplos. Gracias a ellos, se modela un sistema que es capaz de asociar nuevos eventos a los datos aprendidos y generar una predicción. Resulta evidente que los datos usados en el aprendizaje serán un punto clave para el éxito del modelo. Es por esto que la recolección de datos es crucial y se debe asegurar que los datos representan correctamente a la población objetivo. Entre los problemas más citados podemos destacar<a class="elsevierStyleCrossRef" href="#bib0585">51</a>:<ul class="elsevierStyleList" id="lis0010"><li class="elsevierStyleListItem" id="lsti0035">•Poblaciones/casos desbalanceados: sucede cuando no todos los grupos están igualmente representados. Si no se tiene en cuenta en la fase de entrenamiento, se corre el riesgo de que se favorezca una predicción de un grupo por el simple hecho de tener más casos.</li><li class="elsevierStyleListItem" id="lsti0040">•No generalización: tiene lugar cuando la selección de población para el entrenamiento no incluye casos de toda la población objetivo. En este caso, si el sistema entra en producción, fallará al generar predicciones para estos grupos.</li><li class="elsevierStyleListItem" id="lsti0045">•Infrarrepresentación de un grupo: como en el caso anterior, se excluye un grupo del conjunto de entrenamiento. No se considera un problema en la selección de la población, sino que es debido a una infrarrepresentación de este grupo por causas sociales o económicas que no se pueden solventar mediante una selección más amplia del grupo de entrenamiento.</li></ul>En la fase de selección de variables se deberán incluir los factores de confusión y asegurarnos que no se incluyen variables que favorezcan la discriminación de un grupo. Existen varios ejemplos que ilustran la importancia de esta fase. En el transcurso de la pandemia de COVID-19 se observó un menor riesgo de hospitalización por neumonías relacionadas con el virus en individuos asmáticos. Este fenómeno puede deberse a la subestimación del riesgo en una subpoblación específica, a saber, asmáticos que desarrollan neumonía. Esta subestimación puede ser atribuible a la falta de consideración de factores relevantes, como el uso previo de esteroides<a class="elsevierStyleCrossRef" href="#bib0590">52</a>. Además, se han reportado tasas menores de ingreso por insuficiencia cardiaca en poblaciones de riesgo de exclusión, como las comunidades afrodescendientes y latinas, lo que resalta la necesidad de abordar las disparidades en la evaluación del riesgo<a class="elsevierStyleCrossRefs" href="#bib0595">53,54</a>. Además de definir las variables, tendremos que seleccionar la función de error a optimizar, es decir, la métrica que evaluará nuestro modelo. Esta selección no es trivial y puede inducir sesgos en el momento de la aplicación<a class="elsevierStyleCrossRef" href="#bib0605">55</a>. Queda claro, por tanto, que es esencial entender el efecto de cada métrica de evaluación en el problema que se trata de resolver<a class="elsevierStyleCrossRef" href="#bib0610">56</a>.En la <a class="elsevierStyleCrossRef" href="#tbl0015">tabla 3</a> se detallan diversas métricas de evaluación, así como sus inconvenientes, los riesgos a nivel clínico, su transparencia y casos de uso. Finalmente, es conveniente definir qué significa que el modelo desarrollado sea justo, entendiendo que individuos con características parecidas sean tratados de forma similar<a class="elsevierStyleCrossRefs" href="#bib0615">57,58</a>. En diversas publicaciones se proponen implementaciones que tienen en cuenta la paridad demográfica y la igualdad de oportunidades, sin embargo, su uso no está normalizado en el área clínica<a class="elsevierStyleCrossRefs" href="#bib0625">59–61</a>.<elsevierMultimedia ident="tbl0015"></elsevierMultimedia>Cómo implementar una inteligencia artificial segura en tiempo realDisponer de una IA generada de forma segura con datos de un entorno de desarrollo (ED) no implica necesariamente que vaya a funcionar de forma segura cuando se realice como herramienta de soporte a la decisión en la práctica clínica en tiempo real con datos de un entorno de implementación (EI). Es importante aclarar que estos dos entornos pueden ser diferentes debido a la dimensión espacial (dos UCI distintas), pero también pueden ser diferentes debido a la dimensión temporal (misma UCI distintos periodos de tiempo). A día de hoy no existe un protocolo estandarizado de los pasos a seguir para garantizar su éxito, pero sí existen guías consensuadas entre expertos que nos pueden ayudar durante el proceso<a class="elsevierStyleCrossRef" href="#bib0640">62</a>. Nosotros proponemos un mínimo de cuatro fases necesarias para trasladar una IA del ED al EI de forma segura como herramienta de soporte a la decisión (<a class="elsevierStyleCrossRef" href="#fig0010">fig. 2</a>).<elsevierMultimedia ident="fig0010"></elsevierMultimedia>Fase 1: testear la inteligencia artificial con datos retrospectivos del entorno de implementaciónLas IA necesitan un conjunto de variables predictoras (VP) para devolver la variable respuesta (VR). Un primer paso evidente es asegurar que se pueden obtener de forma automática las VP a partir de la EHR del EI. Cuantas menos VP requiera la IA y menos específicas sean estas, más fácil será su implementación en distintos EI. Actualmente, modelos de IA que han demostrado un gran rendimiento en la literatura no son, en su mayoría, aplicables en la práctica clínica<a class="elsevierStyleCrossRef" href="#bib0645">63</a>. En caso de poder asegurar su obtención automática, se procederá a evaluar el rendimiento de la IA dentro del EI con datos retrospectivos. Si los resultados no son satisfactorios se deberá tomar la decisión de, o bien finalizar el proceso, o bien abrir un nuevo escenario de reentrenamiento de la IA para mejorar los resultados en el EI, es decir, pasar por un proceso de generalización<a class="elsevierStyleCrossRef" href="#bib0650">64</a>. Esto último dependerá mucho del marco en el que se esté llevando el proceso de integración, y deberán seguirse siempre todas las directrices éticas y legales que se requieran. Solo en caso de llegar a obtener un buen rendimiento de la IA con los datos retrospectivos del EI tiene sentido pasar a la Fase 2.Fase 2: testear la inteligencia artificial con datos en tiempo real del entorno de implementación de forma ciega para el clínicoConvertir un proceso de extracción, transformación y carga (ETL) de las VP para ejecutar una IA de forma «ad-hoc» en un proceso o pipeline estable y escalable a prueba de fallos es una tarea costosa a nivel tecnológico. Sin entrar en detalles técnicos, una vez asegurado que todo funciona en tiempo real y habiendo diseñado un protocolo de actuación en caso de fallos en el sistema, se puede proceder a evaluar la IA de forma prospectiva. Este tipo de evaluación prospectiva es necesaria también en los casos en los que el ED y el EI sean la misma UCI, donde lo que habrá cambiado es la dimensión temporal. Una IA que haya demostrado buen rendimiento en su ED o en la Fase 1 del EI puede verse mermada por los cambios inherentes al tiempo (nuevos profesionales, nuevos hábitos, nuevos fármacos, pandemias, etc.). Es por tanto muy necesario asegurar un buen rendimiento sostenido en esta Fase 2, ya que será tanto indicador de que el EI dispone de la infraestructura tecnológica necesaria para mantener la herramienta de soporte a la decisión como de que la IA es lo suficientemente robusta para funcionar de forma estable en el tiempo.Fase 3: ensayo clínico considerando el uso de la inteligencia artificial como intervenciónEn caso de haber superado la Fase 2 con éxito, sabemos que disponemos de una IA robusta y estable capaz de generar una predicción acertada en la mayoría de los casos. Sin embargo, no sabemos qué impacto podría haber tenido en el paciente su utilización por parte del equipo clínico. En esta fase se requiere diseñar un ensayo clínico capaz de evaluar si existen diferencias significativas entre un grupo control sin IA y un grupo de intervención con IA<a class="elsevierStyleCrossRef" href="#bib0640">62</a>. Es en este punto donde puede ser clave que la IA sea interpretable y no una caja negra<a class="elsevierStyleCrossRef" href="#bib0655">65</a>. Una IA interpretable puede dar información al clínico sobre las VP que están teniendo peso en la VR, ayudando al clínico a entender que debería modificar para evitar esa VR no deseada en el caso que decida hacerlo. En el caso contrario la tarea de búsqueda del motivo por el cual la IA ofrece una VR no deseada recaerá totalmente en el clínico.Fase 4: monitorización continua y evolución de la inteligencia artificialLas IA basadas en ML aprenden de un conjunto de casos en base a unas VP y definiendo las VR. La dimensión temporal convierte inevitablemente cualquier EI en ED con el paso del tiempo. Nuevos contextos socioeconómicos, nuevos equipos, nuevos fármacos incluso nuevos hábitos adquiridos de las futuras sinergias IA-humano harán que las IA queden obsoletas si no evolucionan de forma dinámica. Por ejemplo, una IA entrenada para predecir un determinado evento adverso en un entorno donde los protocolos no usaban esa misma IA puede dejar de funcionar en el momento en que se aplique la propia IA para evitarlo, ya que se habrán generado nuevos protocolos que incluyan la IA modificando completamente el contexto en el que se entrenó. En esta última fase se deberá definir un conjunto de indicadores de acciones humanas motivadas por la IA cuya monitorización permita asegurar que la convivencia de ambas inteligencias (humana-artificial) es beneficiosa para el paciente. Este conjunto de indicadores dependerá del tipo de IA y su objetivo. Finalmente, de forma periódica y mediante los constantes inputs clínicos se deberán reentrenar las IA con nuevas VP a fin de irse adaptando a nuevos EI y mejorar su rendimiento<a class="elsevierStyleCrossRef" href="#bib0660">66</a>.ConclusionesLa integración de la IA en el ámbito de la seguridad, aunque prometedora, enfrenta desafíos clave. La predicción de eventos adversos y ayuda a la prescripción segura representan oportunidades significativas. Sin embargo, la falta de calidad metodológica en las investigaciones y la necesidad de abordar preocupaciones éticas, como la confianza y el sesgo, son imperativos. La implementación exitosa requiere no solo robustez técnica sino también una transición cuidadosa, asegurando la comprensión y aceptación de los profesionales de la salud. La seguridad continua y la adaptabilidad emergen como cimientos cruciales para una colaboración efectiva entre la IA y la atención médica, asegurando beneficios tangibles para la seguridad del paciente.Contribución de los autoresJesús Abelardo Barea Mendoza: conceptualización, redacción, edición y revisión de manuscrito final. Josep Gómez Álvarez: conceptualización, redacción, edición y revisión de manuscrito final. Alex Pardo Fernandez: redacción y revisión de manuscrito final. Marcos Valiente Fernandez: redacción y revisión de manuscrito final.Durante la preparación de este trabajo, los autores utilizaron Chat-GPT 3.5 para solicitar sinónimos y mejorar la traducción de expresiones técnicas del inglés al español. Después de usar este servicio, los autores revisaron y editaron el contenido según fuera necesario, asumiendo la plena responsabilidad del contenido de la publicación.FinanciaciónNo se ha recibido financiación para la realización del presente manuscrito.Conflicto de interesesJesús Abelardo Barea Mendoza ha trabajado para la empresa de inteligencia artificial Savana Médica. El resto de los autores no presenta conflicto de intereses relacionado con el presente estudio." "textoCompletoSecciones" => array:1 [ "secciones" => array:12 [ 0 => array:3 [ "identificador" => "xres2135150" "titulo" => "Resumen" "secciones" => array:1 [ 0 => array:1 [ "identificador" => "abst0005" ] ] ] 1 => array:2 [ "identificador" => "xpalclavsec1813118" "titulo" => "Palabras clave" ] 2 => array:3 [ "identificador" => "xres2135149" "titulo" => "Abstract" "secciones" => array:1 [ 0 => array:1 [ "identificador" => "abst0010" ] ] ] 3 => array:2 [ "identificador" => "xpalclavsec1813117" "titulo" => "Keywords" ] 4 => array:2 [ "identificador" => "sec0005" "titulo" => "Inteligencia artificial y seguridad en el ámbito sanitario" ] 5 => array:3 [ "identificador" => "sec0010" "titulo" => "Principales aplicaciones de la inteligencia artificial en la seguridad del paciente" "secciones" => array:6 [ 0 => array:2 [ "identificador" => "sec0015" "titulo" => "Ayuda a la toma de decisión. Sistemas de soporte a la decisión" ] 1 => array:2 [ "identificador" => "sec0020" "titulo" => "¿Por qué pueden ser útiles y qué papel pueden desempeñar los CDSS?" ] 2 => array:2 [ "identificador" => "sec0025" "titulo" => "¿Qué tipos de modelos utilizan los CDSS?" ] 3 => array:2 [ "identificador" => "sec0030" "titulo" => "¿Es fácil su implantación en el ámbito clínico?" ] 4 => array:2 [ "identificador" => "sec0035" "titulo" => "Predicción de eventos adversos en la Unidad de Cuidados Intensivos" ] 5 => array:2 [ "identificador" => "sec0040" "titulo" => "Prescripción y eventos adversos asociados a medicación" ] ] ] 6 => array:3 [ "identificador" => "sec0045" "titulo" => "Seguridad en los procesos de implementación de herramientas basadas en inteligencia artificial" "secciones" => array:2 [ 0 => array:2 [ "identificador" => "sec0050" "titulo" => "Cómo generar una inteligencia artificial segura basada en machine learning" ] 1 => array:3 [ "identificador" => "sec0055" "titulo" => "Cómo implementar una inteligencia artificial segura en tiempo real" "secciones" => array:4 [ 0 => array:2 [ "identificador" => "sec0060" "titulo" => "Fase 1: testear la inteligencia artificial con datos retrospectivos del entorno de implementación" ] 1 => array:2 [ "identificador" => "sec0065" "titulo" => "Fase 2: testear la inteligencia artificial con datos en tiempo real del entorno de implementación de forma ciega para el clínico" ] 2 => array:2 [ "identificador" => "sec0070" "titulo" => "Fase 3: ensayo clínico considerando el uso de la inteligencia artificial como intervención" ] 3 => array:2 [ "identificador" => "sec0075" "titulo" => "Fase 4: monitorización continua y evolución de la inteligencia artificial" ] ] ] ] ] 7 => array:2 [ "identificador" => "sec0080" "titulo" => "Conclusiones" ] 8 => array:2 [ "identificador" => "sec0085" "titulo" => "Contribución de los autores" ] 9 => array:2 [ "identificador" => "sec0090" "titulo" => "Financiación" ] 10 => array:2 [ "identificador" => "sec0095" "titulo" => "Conflicto de intereses" ] 11 => array:1 [ "titulo" => "Bibliografía" ] ] ] "pdfFichero" => "main.pdf" "tienePdf" => true "fechaRecibido" => "2023-12-19" "fechaAceptado" => "2024-03-11" "PalabrasClave" => array:2 [ "es" => array:1 [ 0 => array:4 [ "clase" => "keyword" "titulo" => "Palabras clave" "identificador" => "xpalclavsec1813118" "palabras" => array:8 [ 0 => "Cuidados críticos" 1 => "Seguridad del paciente" 2 => "Predicción" 3 => "Evaluación de riesgos" 4 => "Algoritmos" 5 => "Inteligencia artificial" 6 => "Aprendizaje automático" 7 => "Eventos adversos" ] ] ] "en" => array:1 [ 0 => array:4 [ "clase" => "keyword" "titulo" => "Keywords" "identificador" => "xpalclavsec1813117" "palabras" => array:8 [ 0 => "Critical care" 1 => "Patients safety" 2 => "Prediction" 3 => "Risk assessment" 4 => "Algorithms" 5 => "Artificial intelligence" 6 => "Machine learning" 7 => "Adverse events" ] ] ] ] "tieneResumen" => true "resumen" => array:2 [ "es" => array:2 [ "titulo" => "Resumen" "resumen" => "Las unidades de cuidados intensivos (UCI) han sido objeto de mejoras en la seguridad del paciente y la inteligencia artificial (IA) se presenta como una tecnología disruptiva que ofrece nuevas oportunidades. Aunque la evidencia publicada es limitada y tiene problemas metodológicos, algunas áreas resultan prometedoras como los sistemas de ayuda a la decisión, detección de eventos adversos o errores de prescripción. El uso de la IA en seguridad puede tener un objetivo diagnóstico o predictivo. La implementación de sistemas basados en IA requiere procedimientos para garantizar la asistencia segura, enfrentando desafíos como la confianza en dichos sistemas, sesgos, calidad de los mismos, escalabilidad y consideraciones éticas y de confidencialidad. El desarrollo y la aplicación de la IA demandan pruebas exhaustivas, incluyendo testeo sobre datos retrospectivos, validación con cohortes prospectivas en tiempo real y demostración de eficacia en ensayos clínicos. La transparencia y explicabilidad algorítmica resultan esenciales siendo la participación activa de profesionales clínicos en la implementación crucial." ] "en" => array:2 [ "titulo" => "Abstract" "resumen" => "Intensive Care Units (ICUs) have undergone enhancements in patient safety, and artificial intelligence (AI) emerges as a disruptive technology offering novel opportunities. While the published evidence is limited and presents methodological issues, certain areas show promise, such as decision support systems, detection of adverse events, and prescription error identification. The application of AI in safety may pursue predictive or diagnostic objectives. Implementing AI-based systems necessitates procedures to ensure secure assistance, addressing challenges including trust in such systems, biases, data quality, scalability, and ethical and confidentiality considerations. The development and application of AI demand thorough testing, encompassing retrospective data assessments, real-time validation with prospective cohorts, and efficacy demonstration in clinical trials. Algorithmic transparency and explainability are essential, with active involvement of clinical professionals being crucial in the implementation process." ] ] "multimedia" => array:5 [ 0 => array:7 [ "identificador" => "fig0005" "etiqueta" => "Figura 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 1335 "Ancho" => 2925 "Tamanyo" => 321985 ] ] "descripcion" => array:1 [ "es" => "Representa la transmisión de la información y la generación de recomendaciones. El paciente genera datos que son aprovechados clínicamente por el médico, pero que también pueden ser aprovechados para ser valorados digitalmente. El cada vez mayor número de datos, en pacientes complejos, en ambientes con presión temporal puede hacer que se tomen decisiones sesgadas. Es por ello que el procesamiento de las múltiples fuentes de información biomédica del paciente (historia clínica, constantes pruebas radiológicas, laboratorio o medicación) puede ser transferido a sistemas que almacenen y procesen automáticamente esta información, sobre la que aplicar algoritmos. Tras la aplicación de algoritmos obtendremos una recomendación sobre la cual nosotros podríamos retroalimentar al sistema." ] ] 1 => array:7 [ "identificador" => "fig0010" "etiqueta" => "Figura 2" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr2.jpeg" "Alto" => 1414 "Ancho" => 2540 "Tamanyo" => 346180 ] ] "descripcion" => array:1 [ "es" => "Mapa de las cuatro fases de implementación segura de IA en tiempo real. En la fase 1 se testea que la IA se adapte a la realidad de los datos del centro donde se implanta. En la fase 2 se construye el flujo de datos que permita evaluar su rendimiento en tiempo real. En la fase 3 se comparan los resultados de utilizar o no la IA con relación al beneficio del paciente. Finalmente, en la fase 4 se monitoriza continuamente el rendimiento de la IA y se aplican las mejoras necesarias para que esta evolucione en beneficio de todos." ] ] 2 => array:8 [ "identificador" => "tbl0005" "etiqueta" => "Tabla 1" "tipo" => "MULTIMEDIATABLA" "mostrarFloat" => true "mostrarDisplay" => false "detalles" => array:1 [ 0 => array:3 [ "identificador" => "at1" "detalle" => "Tabla " "rol" => "short" ] ] "tabla" => array:2 [ "leyenda" => "Adaptado de Sutton R.<a class="elsevierStyleCrossRef" href="#bib0435">21</a>CDSS: Sistemas de Soporte a la Decisión Clínica." "tablatextoimagen" => array:1 [ 0 => array:2 [ "tabla" => array:1 [ 0 => """ <table border="0" frame="\n \t\t\t\t\tvoid\n \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Funciones y utilidadesde los CDSS \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Daños potencialesde los CDSS \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Estrategias mitigación \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Explicación \t\t\t\t\t\t\n \t\t\t\t\t\t</th></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Seguridad del PacienteMinimizar la incidencia de errores y eventos adversos. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Fatiga de alertasAcontece cuando se presentan demasiadas alertas insignificantes. Correría el riesgo de descartar las alarmas independientemente de su importancia. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Priorizar alertas críticas, minimizar el uso de alertas disruptivas para indicaciones no críticas. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">La fatiga de alertas podría ser minimizada priorizando y seleccionando alertas que sean críticamente importantes, que tengan el mayor impacto, y personalizando las alertas según escenarios clínicos. \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Manejo clínicoFavorecer adherencia a guías clínicas, recordatorios de seguimiento y tratamiento, etc. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Impacto negativo en las habilidades del usuarioUn ejemplo es la dependencia o confianza excesiva en la precisión de un sistema.Conflicto con la autonomía del médico. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Evitar la prescriptividad sistemática en el diseño del sistema. Evaluar el impacto del sistema de manera continua. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Los sistemas deberían ser implementados para ser útiles a los clínicos, sin comprometer la autonomía ni ser demasiado ‘prescriptivos’ y definitivos. \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Función administrativaSelección de códigos de diagnóstico,documentación automatizada yautocompletado de notas. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Desafíos de mantenimiento del sistema y del contenidoA medida que cambian las prácticas, puede haber dificultades para mantener actualizados el contenido y las reglas de conocimiento que impulsan el CDSS. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Se podrían implementar dos estrategias:1) gestión del conocimiento establecido, con un enfoque en la traducción a sistemas CDSS.2) Sistema para la medición yanálisis del rendimiento evolutivos del CDSS. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1) Facilitar la revisión programada, métodos para adquirir e implementar nuevos conocimientos. Implementar medidas de retroalimentación de los médicos sobre el sistema, así como capacitar a los usuarios sobre la introducción adecuada de datos.2) Es importante identificar cambios en el rendimiento y uso a lo largo del tiempo. \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Soporte diagnósticoSugerir diagnósticos basados en datos del paciente y automatizar la salida de resultados de pruebas. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Desconfianza del usuario hacia el CDSSDesacuerdo con la guía proporcionada por el CDSS. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Incluir referencias científicas enlos mensajes cuando sea apropiado. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Facilitar una fuente de información verificable al usuario sobre por qué existe la recomendación.Además de aumentar la confianza, esto puede dar orientación a los usuarios para actualizar su conocimiento. \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Soporte de decisión para pacientesAyudar en la decisión a los pacientes a través de registros de salud personales y otros sistemas. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Dependencia de la alfabetización informática de los usuariosLos CDSS pueden requerir un alto nivel de competencia tecnológica para su uso. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1) Adecuarse a la funcionalidad existente.2) Proporcionar capacitación adecuada disponible en el lanzamiento. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">1) Mantener la consistencia con la interfaz de usuario del sistema preexistente (si lo hay) es crucial para asegurar que los usuarios no tengan una curva de aprendizaje larga para usar el sistema.2) Debe estar disponible una capacitación adecuada y de fácil acceso para los usuarios. \t\t\t\t\t\t\n \t\t\t\t</td></tr></tbody></table> """ ] "imagenFichero" => array:1 [ 0 => "xTab3520149.png" ] ] ] ] "descripcion" => array:1 [ "es" => "Posibles funcionalidades de los CDSS, sus potenciales riesgos y estrategias de mitigación de riesgos" ] ] 3 => array:8 [ "identificador" => "tbl0010" "etiqueta" => "Tabla 2" "tipo" => "MULTIMEDIATABLA" "mostrarFloat" => true "mostrarDisplay" => false "detalles" => array:1 [ 0 => array:3 [ "identificador" => "at2" "detalle" => "Tabla " "rol" => "short" ] ] "tabla" => array:2 [ "leyenda" => "CDSS: Sistemas de Soporte a la Decisión Clínica." "tablatextoimagen" => array:1 [ 0 => array:2 [ "tabla" => array:1 [ 0 => """ <table border="0" frame="\n \t\t\t\t\tvoid\n \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Alerta \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Definición \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Ejemplos \t\t\t\t\t\t\n \t\t\t\t\t\t</th></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Tiempo-dependiente (sincrónica) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Datos existentes en el perfil del paciente hacen que el medicamento prescrito sea inapropiado o peligroso. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Antihipertensivo en un paciente en shock séptico. \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Atipicidad clínica \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Prescripción no se ajusta al perfil clínico del paciente \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Fármaco hipoglucémico a un paciente sin diagnóstico de diabetes mellitus ni resultados indicativos de tal enfermedad \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Atipicidad de dosis \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">La dosis de cierto medicamento se considera como un valor atípico con respecto a la distribución de dosis aprendida por el modelo de ese medicamento en la población y/o el historial propio del paciente. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Dosis raras, unidades de dosificación inusuales, frecuencia poco común, vía poco común. \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Prescripción solapada \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Una alerta señalada cuando hay tratamiento simultáneo con 2 medicamentos del mismo grupo. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Prescripción duplicada de perfusiones de noradrenalina con diferente formulación. \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Tiempo-dependiente (asincrónica) \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Una alerta señalada cuando se producen cambios en el perfil del paciente después de la prescripción, haciendo que la prescripción sea inapropiada o peligrosa para continuar. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Cuando la presión arterial disminuye y la continuación de los medicamentos antihipertensivos es inapropiada. \t\t\t\t\t\t\n \t\t\t\t</td></tr></tbody></table> """ ] "imagenFichero" => array:1 [ 0 => "xTab3520147.png" ] ] ] ] "descripcion" => array:1 [ "es" => "Tipos de alertas más frecuentes generadas por CDSS basados en modelos" ] ] 4 => array:8 [ "identificador" => "tbl0015" "etiqueta" => "Tabla 3" "tipo" => "MULTIMEDIATABLA" "mostrarFloat" => true "mostrarDisplay" => false "detalles" => array:1 [ 0 => array:3 [ "identificador" => "at3" "detalle" => "Tabla " "rol" => "short" ] ] "tabla" => array:2 [ "leyenda" => "AUC: área bajo la curva; FPR: tasa de falsos positivos; ROC: Receiver Operating Characteristic; TPR: tasa de verdaderos positivos; UCI: Unidad de Cuidados Intensivos." "tablatextoimagen" => array:1 [ 0 => array:2 [ "tabla" => array:1 [ 0 => """ <table border="0" frame="\n \t\t\t\t\tvoid\n \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Métrica \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Descripción \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Impacto en los resultados clínicos \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Transparencia \t\t\t\t\t\t\n \t\t\t\t\t\t</th><th class="td" title="\n \t\t\t\t\ttable-head\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Ejemplos \t\t\t\t\t\t\n \t\t\t\t\t\t</th></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Exactitud \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Porcentaje de datos correctamente clasificados. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Puede conducir a una mayor tasa de falsos negativos, lo que puede retrasar o impedir el tratamiento adecuado. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Fácil de entender e interpretar. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Predicción de la probabilidad de muerte de pacientes con COVID-19 \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Precisión \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Porcentaje de datos positivos correctamente clasificados. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Puede conducir a una mayor tasa de falsos positivos, lo que puede causar ansiedad o estrés en los pacientes. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Puede ser difícil de interpretar si la prevalencia de la clase positiva es baja. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Predicción de la presencia de cáncer de mama en mamografías \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">F1-score \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Media ponderada de la precisión y la exhaustividad. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Puede ser una buena opción para tareas de clasificación equilibrada, pero es importante considerar el impacto potencial en los resultados clínicos. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Puede ser difícil de interpretar si la prevalencia de la clase positiva es baja. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Predicción de la probabilidad de ictus en pacientes con hipertensión \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Especificidad \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Porcentaje de datos negativos correctamente clasificados. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Puede conducir a una mayor tasa de falsos negativos, lo que puede retrasar o impedir el tratamiento adecuado. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Puede ser difícil de interpretar si la prevalencia de la clase positiva es baja. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Biomarcadores (usada con la precisión) \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Curva ROC \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Representa la relación entre la TPR y FPR. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Puede ser una buena opción para comparar el rendimiento de diferentes modelos, pero otorga la misma importancia a la precisión y a la especificidad. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Puede ser difícil de interpretar si la prevalencia de la clase positiva es baja. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Predicción de la probabilidad de supervivencia de pacientes con cáncer \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">AUC ROC \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Valor de la curva ROC en el punto (0, 0) y (1, 1). \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Puede ser una buena opción para comparar el rendimiento de diferentes modelos, pero otorga la misma importancia a la precisión y a la especificidad. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Puede ser difícil de interpretar si la prevalencia de la clase positiva es baja. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Predicción de mortalidad en pacientes de UCI \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Precisión/Recall AUC \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Representa la relación entre la precisión y la exhaustividad (recall). \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Puede ser difícil de interpretar si la prevalencia de la clase positiva es baja. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Puede ser una buena opción para tareas de clasificación desequilibrada. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Predicción de hospitalizaciones agudas en personas mayores que reciben atención domiciliaria. \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Pérdida logarítmica \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Suma de los logaritmos de las probabilidades de las predicciones correctas. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Puede ser una buena opción para comparar el rendimiento de diferentes modelos, pero es sensible a datos desbalanceados y carece de explicabilidad. Además, no considera la gravedad del error. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Es una métrica difícil de interpretar, ya que requiere un conocimiento de los logaritmos. Sin embargo, es una métrica objetiva que puede ser utilizada para comparar el rendimiento de diferentes modelos. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Predicción de readmisión un año después del alta \t\t\t\t\t\t\n \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Índice Jaccard \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Relación entre el número de elementos correctamente clasificados frente a la suma del número de elementos correctamente clasificados y el número de elementos mal clasificados. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Puede ser una buena opción para comparar el rendimiento de diferentes modelos, pero otorga la misma importancia a la precisión y a la especificidad. Además, a nivel individual (p. ej., pixel en el caso de imágenes), carece de gradación ya que es una métrica binaria. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Es una métrica fácil de entender e interpretar. Sin embargo, es menos sensible a los falsos negativos que otras métricas, como la exactitud o el F1-score. \t\t\t\t\t\t\n \t\t\t\t</td><td class="td" title="\n \t\t\t\t\ttable-entry\n \t\t\t\t " align="left" valign="\n \t\t\t\t\ttop\n \t\t\t\t">Predicción de la presencia de daño cerebral en imágenes de resonancia magnética \t\t\t\t\t\t\n \t\t\t\t</td></tr></tbody></table> """ ] "imagenFichero" => array:1 [ 0 => "xTab3520148.png" ] ] ] ] "descripcion" => array:1 [ "es" => "Principales métricas empleadas en la evaluación de modelos en IA" ] ] ] "bibliografia" => array:2 [ "titulo" => "Bibliografía" "seccion" => array:1 [ 0 => array:2 [ "identificador" => "bibs0015" "bibliografiaReferencia" => array:66 [ 0 => array:3 [ "identificador" => "bib0335" "etiqueta" => "1" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Introduction to artificial intelligence in medicine" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "Y. Mintz" 1 => "R. Brodie" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1080/13645706.2019.1575882" "Revista" => array:6 [ "tituloSerie" => "Minim Invasive Ther Allied Technol." "fecha" => "2019" "volumen" => "28" "paginaInicial" => "73" "paginaFinal" => "81" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30810430" "web" => "Medline" ] ] ] ] ] ] ] ] 1 => array:3 [ "identificador" => "bib0340" "etiqueta" => "2" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "History of artificial intelligence in medicine" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "V. Kaul" 1 => "S. Enslin" 2 => "S.A. Gross" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.gie.2020.06.040" "Revista" => array:6 [ "tituloSerie" => "Gastrointest Endosc." "fecha" => "2020" "volumen" => "92" "paginaInicial" => "807" "paginaFinal" => "812" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/32565184" "web" => "Medline" ] ] ] ] ] ] ] ] 2 => array:3 [ "identificador" => "bib0345" "etiqueta" => "3" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Medical ethics considerations on artificial intelligence" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "K.H. Keskinbora" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "J Clin Neurosci Off J Neurosurg Soc Australas." "fecha" => "2019" "volumen" => "64" "paginaInicial" => "277" "paginaFinal" => "282" ] ] ] ] ] ] 3 => array:3 [ "identificador" => "bib0350" "etiqueta" => "4" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Opportunities and obstacles for deep learning in biology and medicine" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "T. Ching" 1 => "D.S. Himmelstein" 2 => "B.K. Beaulieu-Jones" 3 => "A.A. Kalinin" 4 => "B.T. Do" 5 => "G.P. Way" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1098/rsif.2017.0387" "Revista" => array:5 [ "tituloSerie" => "J R Soc Interface." "fecha" => "2018" "volumen" => "15" "paginaInicial" => "20170387" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29618526" "web" => "Medline" ] ] ] ] ] ] ] ] 4 => array:3 [ "identificador" => "bib0355" "etiqueta" => "5" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "«Just» accuracy? Procedural fairness demands explainability in AI-based medical resource allocations" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "J. Rueda" 1 => "J.D. Rodríguez" 2 => "I.P. Jounou" 3 => "J. Hortal-Carmona" 4 => "T. Ausín" 5 => "D. Rodríguez-Arias" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "AI Soc." "fecha" => "2022" "paginaInicial" => "1" "paginaFinal" => "12" ] ] ] ] ] ] 5 => array:3 [ "identificador" => "bib0360" "etiqueta" => "6" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Artificial Intelligence and Black-Box Medical Decisions: Accuracy versus Explainability" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "A.J. London" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1002/hast.1050" "Revista" => array:6 [ "tituloSerie" => "Hastings Cent Rep." "fecha" => "2019" "volumen" => "49" "paginaInicial" => "15" "paginaFinal" => "21" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31581336" "web" => "Medline" ] ] ] ] ] ] ] ] 6 => array:3 [ "identificador" => "bib0365" "etiqueta" => "7" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The regulation of artificial intelligence" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "G. Finocchiaro" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:2 [ "tituloSerie" => "AI Soc." "fecha" => "2023" ] ] ] ] ] ] 7 => array:3 [ "identificador" => "bib0370" "etiqueta" => "8" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Prediction model of in-hospital mortality in intensive care unit patients with heart failure: machine learning-based, retrospective analysis of the MIMIC-III database" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "F. Li" 1 => "H. Xin" 2 => "J. Zhang" 3 => "M. Fu" 4 => "J. Zhou" 5 => "Z. Lian" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1136/bmjopen-2020-044779" "Revista" => array:5 [ "tituloSerie" => "BMJ Open." "fecha" => "2021" "volumen" => "11" "paginaInicial" => "e044779" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34301649" "web" => "Medline" ] ] ] ] ] ] ] ] 8 => array:3 [ "identificador" => "bib0375" "etiqueta" => "9" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Real-time mortality prediction in the Intensive Care Unit" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "A.E.W. Johnson" 1 => "R.G. Mark" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "AMIA Annu Symp Proc." "fecha" => "2018" "volumen" => "2017" "paginaInicial" => "994" "paginaFinal" => "1003" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29854167" "web" => "Medline" ] ] ] ] ] ] ] ] 9 => array:3 [ "identificador" => "bib0380" "etiqueta" => "10" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Predicting hospital mortality for intensive care unit patients: Time-series analysis" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "A. Awad" 1 => "M. Bader-El-Den" 2 => "J. McNicholas" 3 => "J. Briggs" 4 => "Y. El-Sonbaty" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Health Informatics J." "fecha" => "2020" "volumen" => "26" "paginaInicial" => "1043" "paginaFinal" => "1059" ] ] ] ] ] ] 10 => array:3 [ "identificador" => "bib0385" "etiqueta" => "11" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Which Models Can I Use to Predict Adult ICU Length of Stay?. A Systematic Review" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "I.W.M. Verburg" 1 => "A. Atashi" 2 => "S. Eslami" 3 => "R. Holman" 4 => "A. Abu-Hanna" 5 => "E. de Jonge" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Crit Care Med." "fecha" => "2017" "volumen" => "45" "paginaInicial" => "e222" "paginaFinal" => "e231" ] ] ] ] ] ] 11 => array:3 [ "identificador" => "bib0390" "etiqueta" => "12" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Data-driven methodology to predict the ICU length of stay: A multicentre study of 99,492 admissions in 109 Brazilian units" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "I.T. Peres" 1 => "S. Hamacher" 2 => "F.L. Cyrino Oliveira" 3 => "F.A. Bozza" 4 => "J.I.F. Salluh" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.accpm.2022.101142" "Revista" => array:5 [ "tituloSerie" => "Anaesth Crit Care Pain Med." "fecha" => "2022" "volumen" => "41" "paginaInicial" => "101142" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35988701" "web" => "Medline" ] ] ] ] ] ] ] ] 12 => array:3 [ "identificador" => "bib0395" "etiqueta" => "13" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "A Machine Learning decision-making tool for extubation in Intensive Care Unit patients" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "A. Fabregat" 1 => "M. Magret" 2 => "J.A. Ferré" 3 => "A. Vernet" 4 => "N. Guasch" 5 => "A. Rodríguez" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.cmpb.2020.105869" "Revista" => array:5 [ "tituloSerie" => "Comput Methods Programs Biomed." "fecha" => "2021" "volumen" => "200" "paginaInicial" => "105869" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/33250280" "web" => "Medline" ] ] ] ] ] ] ] ] 13 => array:3 [ "identificador" => "bib0400" "etiqueta" => "14" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Predicting Cardiac Arrest and Respiratory Failure Using Feasible Artificial Intelligence with Simple Trajectories of Patient Data" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "J. Kim" 1 => "M. Chae" 2 => "H.-J. Chang" 3 => "Y.-A. Kim" 4 => "E. Park" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.3390/jcm8091336" "Revista" => array:5 [ "tituloSerie" => "J Clin Med." "fecha" => "2019" "volumen" => "8" "paginaInicial" => "1336" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31470543" "web" => "Medline" ] ] ] ] ] ] ] ] 14 => array:3 [ "identificador" => "bib0405" "etiqueta" => "15" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Length of stay prediction for ICU patients using individualized single classification algorithm" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "X. Ma" 1 => "Y. Si" 2 => "Z. Wang" 3 => "Y. Wang" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.cmpb.2019.105224" "Revista" => array:5 [ "tituloSerie" => "Comput Methods Programs Biomed." "fecha" => "2020" "volumen" => "186" "paginaInicial" => "105224" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31765937" "web" => "Medline" ] ] ] ] ] ] ] ] 15 => array:3 [ "identificador" => "bib0410" "etiqueta" => "16" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:1 [ "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "F. Alfieri" 1 => "A. Ancona" 2 => "G. Tripepi" 3 => "A. Rubeis" 4 => "N. Arjoldi" 5 => "S. Finazzi" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1371/journal.pone.0287398" "Revista" => array:5 [ "tituloSerie" => "PloS One." "fecha" => "2023" "volumen" => "18" "paginaInicial" => "e0287398" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/37490482" "web" => "Medline" ] ] ] ] ] ] ] ] 16 => array:3 [ "identificador" => "bib0415" "etiqueta" => "17" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Human Cognitive Limitations. Broad, Consistent, Clinical Application of Physiological Principles Will Require Decision Support" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "A.H. Morris" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1513/AnnalsATS.201706-449KV" "Revista" => array:6 [ "tituloSerie" => "Ann Am Thorac Soc." "fecha" => "2018" "volumen" => "15" "paginaInicial" => "S53" "paginaFinal" => "S56" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29461892" "web" => "Medline" ] ] ] ] ] ] ] ] 17 => array:3 [ "identificador" => "bib0420" "etiqueta" => "18" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Enhancing sepsis management through machine learning techniques: A review" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "N. Ocampo-Quintero" 1 => "P. Vidal-Cortés" 2 => "L. Del Río Carbajo" 3 => "F. Fdez-Riverola" 4 => "M. Reboiro-Jato" 5 => "D. Glez-Peña" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.medine.2020.04.015" "Revista" => array:6 [ "tituloSerie" => "Med Intensiva." "fecha" => "2022" "volumen" => "46" "paginaInicial" => "140" "paginaFinal" => "156" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35221003" "web" => "Medline" ] ] ] ] ] ] ] ] 18 => array:3 [ "identificador" => "bib0425" "etiqueta" => "19" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Moving from bytes to bedside: a systematic review on the use of artificial intelligence in the intensive care unit" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "D. van de Sande" 1 => "M.E. van Genderen" 2 => "J. Huiskens" 3 => "D. Gommers" 4 => "J. van Bommel" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1007/s00134-021-06446-7" "Revista" => array:6 [ "tituloSerie" => "Intensive Care Med." "fecha" => "2021" "volumen" => "47" "paginaInicial" => "750" "paginaFinal" => "760" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34089064" "web" => "Medline" ] ] ] ] ] ] ] ] 19 => array:3 [ "identificador" => "bib0430" "etiqueta" => "20" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Artificial intelligence for clinical decision support for monitoring patients in cardiovascular ICUs: A systematic review" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "S. Moazemi" 1 => "S. Vahdati" 2 => "J. Li" 3 => "S. Kalkhoff" 4 => "L.J.V. Castano" 5 => "B. Dewitz" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "Front Med." "fecha" => "2023" "volumen" => "10" "paginaInicial" => "1109411" ] ] ] ] ] ] 20 => array:3 [ "identificador" => "bib0435" "etiqueta" => "21" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "An overview of clinical decision support systems: benefits, risks, and strategies for success" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "R.T. Sutton" 1 => "D. Pincock" 2 => "D.C. Baumgart" 3 => "D.C. Sadowski" 4 => "R.N. Fedorak" 5 => "K.I. Kroeker" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "NPJ Digit Med." "fecha" => "2020" "volumen" => "3" "paginaInicial" => "17" ] ] ] ] ] ] 21 => array:3 [ "identificador" => "bib0440" "etiqueta" => "22" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Enhancing Diagnosis Through Technology: Decision Support. Artificial Intelligence, and Beyond" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "R. El-Kareh" 1 => "D.F. Sittig" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Crit Care Clin." "fecha" => "2022" "volumen" => "38" "paginaInicial" => "129" "paginaFinal" => "139" ] ] ] ] ] ] 22 => array:3 [ "identificador" => "bib0445" "etiqueta" => "23" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Towards effective clinical decision support systems: A systematic review" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "F. Hak" 1 => "T. Guimarães" 2 => "M. Santos" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "PloS One." "fecha" => "2022" "volumen" => "17" "paginaInicial" => "e0272846" ] ] ] ] ] ] 23 => array:3 [ "identificador" => "bib0450" "etiqueta" => "24" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "State of the Art of Machine Learning-Enabled Clinical Decision Support in Intensive Care Units: Literature Review" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "N. Hong" 1 => "C. Liu" 2 => "J. Gao" 3 => "L. Han" 4 => "F. Chang" 5 => "M. Gong" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.2196/28781" "Revista" => array:5 [ "tituloSerie" => "JMIR Med Inform." "fecha" => "2022" "volumen" => "10" "paginaInicial" => "e28781" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35238790" "web" => "Medline" ] ] ] ] ] ] ] ] 24 => array:3 [ "identificador" => "bib0455" "etiqueta" => "25" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Collaborative strategies for deploying AI-based physician decision support systems: challenges and deployment approaches" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "M. Mittermaier" 1 => "M. Raza" 2 => "J.C. Kvedar" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/s41746-023-00889-6" "Revista" => array:5 [ "tituloSerie" => "NPJ Digit Med." "fecha" => "2023" "volumen" => "6" "paginaInicial" => "137" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/37543707" "web" => "Medline" ] ] ] ] ] ] ] ] 25 => array:3 [ "identificador" => "bib0460" "etiqueta" => "26" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Intensive Care Unit Telemedicine in the Era of Big Data Artificial Intelligence, and Computer Clinical Decision Support Systems" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "R.D. Kindle" 1 => "O. Badawi" 2 => "L.A. Celi" 3 => "S. Sturland" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.ccc.2019.02.005" "Revista" => array:6 [ "tituloSerie" => "Crit Care Clin." "fecha" => "2019" "volumen" => "35" "paginaInicial" => "483" "paginaFinal" => "495" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31076048" "web" => "Medline" ] ] ] ] ] ] ] ] 26 => array:3 [ "identificador" => "bib0465" "etiqueta" => "27" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Intelligent Clinical Decision Support" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "M.R. Pinsky" 1 => "A. Dubrawski" 2 => "G. Clermont" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.3390/s22041408" "Revista" => array:5 [ "tituloSerie" => "Sensors." "fecha" => "2022" "volumen" => "22" "paginaInicial" => "1408" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35214310" "web" => "Medline" ] ] ] ] ] ] ] ] 27 => array:3 [ "identificador" => "bib0470" "etiqueta" => "28" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Respecting Human Autonomy in Critical Care Clinical Decision Support" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "M. Hendriks" 1 => "M.C. Willemsen" 2 => "F. Sartor" 3 => "J. Hoonhout" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Front Comput Sci." "fecha" => "2021" "volumen" => "3" "paginaInicial" => "1" "paginaFinal" => "10" ] ] ] ] ] ] 28 => array:3 [ "identificador" => "bib0475" "etiqueta" => "29" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Intensive Care Unit Physicians’ Perspectives on Artificial Intelligence-Based Clinical Decision Support Tools: Preimplementation Survey Study" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "S.L. van der Meijden" 1 => "A.A.H. de Hond" 2 => "P.J. Thoral" 3 => "E.W. Steyerberg" 4 => "I.M.J. Kant" 5 => "G. Cinà" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.2196/39114" "Revista" => array:5 [ "tituloSerie" => "JMIR Hum Factors." "fecha" => "2023" "volumen" => "10" "paginaInicial" => "e39114" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/36602843" "web" => "Medline" ] ] ] ] ] ] ] ] 29 => array:3 [ "identificador" => "bib0480" "etiqueta" => "30" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The potential of artificial intelligence to improve patient safety: a scoping review" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "D.W. Bates" 1 => "D. Levine" 2 => "A. Syrowatka" 3 => "M. Kuznetsova" 4 => "K.J.T. Craig" 5 => "A. Rui" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/s41746-021-00423-6" "Revista" => array:5 [ "tituloSerie" => "NPJ Digit Med." "fecha" => "2021" "volumen" => "4" "paginaInicial" => "54" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/33742085" "web" => "Medline" ] ] ] ] ] ] ] ] 30 => array:3 [ "identificador" => "bib0485" "etiqueta" => "31" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Application of artificial neural network in daily prediction of bleeding in ICU patients treated with anti-thrombotic therapy" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "D. Chen" 1 => "R. Wang" 2 => "Y. Jiang" 3 => "Z. Xing" 4 => "Q. Sheng" 5 => "X. Liu" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1186/s12911-023-02274-5" "Revista" => array:5 [ "tituloSerie" => "BMC Med Inform Decis Mak." "fecha" => "2023" "volumen" => "23" "paginaInicial" => "171" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/37653495" "web" => "Medline" ] ] ] ] ] ] ] ] 31 => array:3 [ "identificador" => "bib0490" "etiqueta" => "32" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Domain Adaptation Using Convolutional Autoencoder and Gradient Boosting for Adverse Events Prediction in the Intensive Care Unit" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "Y. Zhu" 1 => "J. Venugopalan" 2 => "Z. Zhang" 3 => "N.K. Chanani" 4 => "K.O. Maher" 5 => "M.D. Wang" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.3389/frai.2022.640926" "Revista" => array:5 [ "tituloSerie" => "Front Artif Intell." "fecha" => "2022" "volumen" => "5" "paginaInicial" => "640926" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35481281" "web" => "Medline" ] ] ] ] ] ] ] ] 32 => array:3 [ "identificador" => "bib0495" "etiqueta" => "33" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Development and validation of an interpretable 3 day intensive care unit readmission prediction model using explainable boosting machines" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "S. Hegselmann" 1 => "C. Ertmer" 2 => "T. Volkert" 3 => "A. Gottschalk" 4 => "M. Dugas" 5 => "J. Varghese" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "Front Med." "fecha" => "2022" "volumen" => "9" "paginaInicial" => "960296" ] ] ] ] ] ] 33 => array:3 [ "identificador" => "bib0500" "etiqueta" => "34" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "A systematic review of tools for predicting severe adverse events following patient discharge from intensive care units" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "F.S. Hosein" 1 => "N. Bobrovitz" 2 => "S. Berthelot" 3 => "D. Zygun" 4 => "W.A. Ghali" 5 => "H.T. Stelfox" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "Crit Care Lond Engl." "fecha" => "2013" "volumen" => "17" "paginaInicial" => "R102" ] ] ] ] ] ] 34 => array:3 [ "identificador" => "bib0505" "etiqueta" => "35" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Utilization of interpretable machine learning model to forecast the risk of major adverse kidney events in elderly patients in critical care" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "L. Wang" 1 => "S.-B. Duan" 2 => "P. Yan" 3 => "X.-Q. Luo" 4 => "N.-Y. Zhang" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1080/0886022X.2023.2215329" "Revista" => array:5 [ "tituloSerie" => "Ren Fail." "fecha" => "2023" "volumen" => "45" "paginaInicial" => "2215329" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/37218683" "web" => "Medline" ] ] ] ] ] ] ] ] 35 => array:3 [ "identificador" => "bib0510" "etiqueta" => "36" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Predicting Major Adverse Kidney Events among Critically Ill Adults Using the Electronic Health Record" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "A.C. McKown" 1 => "L. Wang" 2 => "J.P. Wanderer" 3 => "J. Ehrenfeld" 4 => "T.W. Rice" 5 => "G.R. Bernard" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "J Med Syst." "fecha" => "2017" "volumen" => "41" "paginaInicial" => "156" ] ] ] ] ] ] 36 => array:3 [ "identificador" => "bib0515" "etiqueta" => "37" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Development and Validation of Unplanned Extubation Prediction Models Using Intensive Care Unit Data: Retrospective, Comparative, Machine Learning Study" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "S. Hur" 1 => "J.Y. Min" 2 => "J. Yoo" 3 => "K. Kim" 4 => "C.R. Chung" 5 => "P.C. Dykes" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.2196/23508" "Revista" => array:5 [ "tituloSerie" => "J Med Internet Res." "fecha" => "2021" "volumen" => "23" "paginaInicial" => "e23508" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34382940" "web" => "Medline" ] ] ] ] ] ] ] ] 37 => array:3 [ "identificador" => "bib0520" "etiqueta" => "38" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Artificial Intelligence for the Prediction of In-Hospital Clinical Deterioration: A Systematic Review" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "L.I. Veldhuis" 1 => "N.J.C. Woittiez" 2 => "P.W.B. Nanayakkara" 3 => "J. Ludikhuize" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1097/CCE.0000000000000744" "Revista" => array:5 [ "tituloSerie" => "Crit Care Explor." "fecha" => "2022" "volumen" => "4" "paginaInicial" => "e0744" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/36046062" "web" => "Medline" ] ] ] ] ] ] ] ] 38 => array:3 [ "identificador" => "bib0525" "etiqueta" => "39" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Predicting Intensive Care Transfers and Other Unforeseen Events: Analytic Model Validation Study and Comparison to Existing Methods" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "B.C. Cummings" 1 => "S. Ansari" 2 => "J.R. Motyka" 3 => "G. Wang" 4 => "R.P. Medlin" 5 => "S.L. Kronick" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "JMIR Med Inform." "fecha" => "2021" "volumen" => "9" "paginaInicial" => "e25066" ] ] ] ] ] ] 39 => array:3 [ "identificador" => "bib0530" "etiqueta" => "40" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Trends in Adverse Event Rates in Hospitalized Patients, 2010-2019" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "N. Eldridge" 1 => "Y. Wang" 2 => "M. Metersky" 3 => "S. Eckenrode" 4 => "J. Mathew" 5 => "N. Sonnenfeld" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1001/jama.2022.9600" "Revista" => array:6 [ "tituloSerie" => "JAMA." "fecha" => "2022" "volumen" => "328" "paginaInicial" => "173" "paginaFinal" => "183" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35819424" "web" => "Medline" ] ] ] ] ] ] ] ] 40 => array:3 [ "identificador" => "bib0535" "etiqueta" => "41" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Incidence of adverse drug events and potential adverse drug events. Implications for prevention. ADE Prevention Study Group" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "D.W. Bates" 1 => "D.J. Cullen" 2 => "N. Laird" 3 => "L.A. Petersen" 4 => "S.D. Small" 5 => "D. Servi" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "JAMA." "fecha" => "1995" "volumen" => "274" "paginaInicial" => "29" "paginaFinal" => "34" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/7791255" "web" => "Medline" ] ] ] ] ] ] ] ] 41 => array:3 [ "identificador" => "bib0540" "etiqueta" => "42" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Associations of physicians’ prescribing experience, work hours, and workload with prescription errors" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "I. Leviatan" 1 => "B. Oberman" 2 => "E. Zimlichman" 3 => "G.Y. Stein" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1093/jamia/ocaa219" "Revista" => array:6 [ "tituloSerie" => "J Am Med Inform Assoc JAMIA." "fecha" => "2021" "volumen" => "28" "paginaInicial" => "1074" "paginaFinal" => "1080" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/33120412" "web" => "Medline" ] ] ] ] ] ] ] ] 42 => array:3 [ "identificador" => "bib0545" "etiqueta" => "43" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The Use of Artificial Intelligence in Pharmacovigilance: A Systematic Review of the Literature" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "M. Salas" 1 => "J. Petracek" 2 => "P. Yalamanchili" 3 => "O. Aimer" 4 => "D. Kasthuril" 5 => "S. Dhingra" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Pharm Med." "fecha" => "2022" "volumen" => "36" "paginaInicial" => "295" "paginaFinal" => "306" ] ] ] ] ] ] 43 => array:3 [ "identificador" => "bib0550" "etiqueta" => "44" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Key use cases for artificial intelligence to reduce the frequency of adverse drug events: a scoping review" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "A. Syrowatka" 1 => "W. Song" 2 => "M.G. Amato" 3 => "D. Foer" 4 => "H. Edrees" 5 => "Z. Co" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/S2589-7500(21)00229-6" "Revista" => array:6 [ "tituloSerie" => "Lancet Digit Health." "fecha" => "2022" "volumen" => "4" "paginaInicial" => "e137" "paginaFinal" => "e148" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34836823" "web" => "Medline" ] ] ] ] ] ] ] ] 44 => array:3 [ "identificador" => "bib0555" "etiqueta" => "45" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Pharmacophenotype identification of intensive care unit medications using unsupervised cluster analysis of the ICURx common data model" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "A. Sikora" 1 => "A. Rafiei" 2 => "M.G. Rad" 3 => "K. Keats" 4 => "S.E. Smith" 5 => "J.W. Devlin" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "Crit Care Lond Engl." "fecha" => "2023" "volumen" => "27" "paginaInicial" => "167" ] ] ] ] ] ] 45 => array:3 [ "identificador" => "bib0560" "etiqueta" => "46" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Artificial Intelligence and Machine Learning Approaches to Facilitate Therapeutic Drug Management and Model-Informed Precision Dosing" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "E.A. Poweleit" 1 => "A.A. Vinks" 2 => "T. Mizuno" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "Ther Drug Monit." "fecha" => "2023" "volumen" => "45" "paginaInicial" => "143" "paginaFinal" => "150" ] ] ] ] ] ] 46 => array:3 [ "identificador" => "bib0565" "etiqueta" => "47" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Personalised, Rational Efficacy-Driven Cancer Drug Dosing via an Artificial Intelligence SystEm (PRECISE): A Protocol for the PRECISE CURATE.AI Pilot Clinical Trial" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "B.K.J. Tan" 1 => "C.B. Teo" 2 => "X. Tadeo" 3 => "S. Peng" 4 => "H.P.L. Soh" 5 => "S.D.X. Du" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.3389/fdgth.2021.635524" "Revista" => array:5 [ "tituloSerie" => "Front Digit Health." "fecha" => "2021" "volumen" => "3" "paginaInicial" => "635524" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34713106" "web" => "Medline" ] ] ] ] ] ] ] ] 47 => array:3 [ "identificador" => "bib0570" "etiqueta" => "48" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Medication errors: prescribing faults and prescription errors" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "G.P. Velo" 1 => "P. Minuz" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1111/j.1365-2125.2009.03425.x" "Revista" => array:6 [ "tituloSerie" => "Br J Clin Pharmacol." "fecha" => "2009" "volumen" => "67" "paginaInicial" => "624" "paginaFinal" => "628" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/19594530" "web" => "Medline" ] ] ] ] ] ] ] ] 48 => array:3 [ "identificador" => "bib0575" "etiqueta" => "49" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Screening for medication errors using an outlier detection system" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "G.D. Schiff" 1 => "L.A. Volk" 2 => "M. Volodarskaya" 3 => "D.H. Williams" 4 => "L. Walsh" 5 => "S.G. Myers" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1093/jamia/ocw171" "Revista" => array:6 [ "tituloSerie" => "J Am Med Inform Assoc." "fecha" => "2017" "volumen" => "24" "paginaInicial" => "281" "paginaFinal" => "287" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/28104826" "web" => "Medline" ] ] ] ] ] ] ] ] 49 => array:3 [ "identificador" => "bib0580" "etiqueta" => "50" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Reducing drug prescription errors and adverse drug events by application of a probabilistic, machine-learning based clinical decision support system in an inpatient setting" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "G. Segal" 1 => "A. Segev" 2 => "A. Brom" 3 => "Y. Lifshitz" 4 => "Y. Wasserstrum" 5 => "E. Zimlichman" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1093/jamia/ocz135" "Revista" => array:6 [ "tituloSerie" => "J Am Med Inform Assoc." "fecha" => "2019" "volumen" => "26" "paginaInicial" => "1560" "paginaFinal" => "1565" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31390471" "web" => "Medline" ] ] ] ] ] ] ] ] 50 => array:3 [ "identificador" => "bib0585" "etiqueta" => "51" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Ethical Machine Learning in Healthcare" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "I.Y. Chen" 1 => "E. Pierson" 2 => "S. Rose" 3 => "S. Joshi" 4 => "K. Ferryman" 5 => "M. Ghassemi" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1146/annurev-biodatasci-092820-114757" "Revista" => array:6 [ "tituloSerie" => "Annu Rev Biomed Data Sci." "fecha" => "2021" "volumen" => "4" "paginaInicial" => "123" "paginaFinal" => "144" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34396058" "web" => "Medline" ] ] ] ] ] ] ] ] 51 => array:3 [ "identificador" => "bib0590" "etiqueta" => "52" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Risks of infection, hospital and ICU admission, and death from COVID-19 in people with asthma: systematic review and meta-analyses" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "A. Otunla" 1 => "K. Rees" 2 => "P. Dennison" 3 => "R. Hobbs" 4 => "J. Suklan" 5 => "E. Schofield" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1136/bmjebm-2021-111788" "Revista" => array:6 [ "tituloSerie" => "BMJ Evid-Based Med." "fecha" => "2022" "volumen" => "27" "paginaInicial" => "263" "paginaFinal" => "273" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34933924" "web" => "Medline" ] ] ] ] ] ] ] ] 52 => array:3 [ "identificador" => "bib0595" "etiqueta" => "53" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Hidden in Plain Sight - Reconsidering the Use of Race Correction in Clinical Algorithms" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "D.A. Vyas" 1 => "L.G. Eisenstein" 2 => "D.S. Jones" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1056/NEJMms2004740" "Revista" => array:6 [ "tituloSerie" => "N Engl J Med." "fecha" => "2020" "volumen" => "383" "paginaInicial" => "874" "paginaFinal" => "882" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/32853499" "web" => "Medline" ] ] ] ] ] ] ] ] 53 => array:3 [ "identificador" => "bib0600" "etiqueta" => "54" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:1 [ "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "R. Caruana" 1 => "Y. Lou" 2 => "J. Gehrke" 3 => "P. Koch" 4 => "M. Sturm" 5 => "N. Elhadad" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "Intelligible Models for HealthCare." "fecha" => "2015" "paginaInicial" => "1721" "paginaFinal" => "1730" ] ] ] ] ] ] 54 => array:3 [ "identificador" => "bib0605" "etiqueta" => "55" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Disadvantages of using the area under the receiver operating characteristic curve to assess imaging tests: a discussion and proposal for an alternative approach" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "S. Halligan" 1 => "D.G. Altman" 2 => "S. Mallett" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1007/s00330-014-3487-0" "Revista" => array:6 [ "tituloSerie" => "Eur Radiol." "fecha" => "2015" "volumen" => "25" "paginaInicial" => "932" "paginaFinal" => "939" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/25599932" "web" => "Medline" ] ] ] ] ] ] ] ] 55 => array:3 [ "identificador" => "bib0610" "etiqueta" => "56" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Magician's Corner: 9 Performance Metrics for Machine Learning Models" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "B.J. Erickson" 1 => "F. Kitamura" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1148/ryai.2021200126" "Revista" => array:5 [ "tituloSerie" => "Radiol Artif Intell." "fecha" => "2021" "volumen" => "3" "paginaInicial" => "e200126" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34136815" "web" => "Medline" ] ] ] ] ] ] ] ] 56 => array:3 [ "identificador" => "bib0615" "etiqueta" => "57" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Operationalising fairness in medical algorithms" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "S. Parbhoo" 1 => "J.W. Gichoya" 2 => "L.A. Celi" 3 => "M.Á.A. de la Hoz" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1136/bmjhci-2022-100617" "Revista" => array:5 [ "tituloSerie" => "BMJ Health Care Inform." "fecha" => "2022" "volumen" => "29" "paginaInicial" => "e100617" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35688512" "web" => "Medline" ] ] ] ] ] ] ] ] 57 => array:3 [ "identificador" => "bib0620" "etiqueta" => "58" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Addressing Fairness Bias, and Appropriate Use of Artificial Intelligence and Machine Learning in Global Health" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "R.R. Fletcher" 1 => "A. Nakeshimana" 2 => "O. Olubeko" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.3389/frai.2020.561802" "Revista" => array:5 [ "tituloSerie" => "Front Artif Intell." "fecha" => "2020" "volumen" => "3" "paginaInicial" => "561802" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/33981989" "web" => "Medline" ] ] ] ] ] ] ] ] 58 => array:3 [ "identificador" => "bib0625" "etiqueta" => "59" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Too Relaxed to Be Fair" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "M. Lohaus" 1 => "M. Perrot" 2 => "U.V. Luxburg" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "PMLR." "fecha" => "2020" "volumen" => "119" "paginaInicial" => "6360" "paginaFinal" => "6369" ] ] ] ] ] ] 59 => array:3 [ "identificador" => "bib0630" "etiqueta" => "60" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Controlling Attribute Effect in Linear Regression" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "T. Calders" 1 => "A. Karim" 2 => "F. Kamiran" 3 => "W. Ali" 4 => "X. Zhang" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "IEEE" "fecha" => "2013" "paginaInicial" => "71" "paginaFinal" => "80" ] ] ] ] ] ] 60 => array:3 [ "identificador" => "bib0635" "etiqueta" => "61" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Fairness Constraints: Mechanisms for Fair Classification" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "M.B. Zafar" 1 => "I. Valera" 2 => "M.G. Rodriguez" 3 => "K.P. Gummadi" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:2 [ "tituloSerie" => "arXiv." "fecha" => "2017" ] ] ] ] ] ] 61 => array:3 [ "identificador" => "bib0640" "etiqueta" => "62" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Reporting guideline for the early-stage clinical evaluation of decision support systems driven by artificial intelligence: DECIDE-AI" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "B. Vasey" 1 => "M. Nagendran" 2 => "B. Campbell" 3 => "D.A. Clifton" 4 => "G.S. Collins" 5 => "S. Denaxas" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/s41591-022-01772-9" "Revista" => array:6 [ "tituloSerie" => "Nat Med." "fecha" => "2022" "volumen" => "28" "paginaInicial" => "924" "paginaFinal" => "933" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35585198" "web" => "Medline" ] ] ] ] ] ] ] ] 62 => array:3 [ "identificador" => "bib0645" "etiqueta" => "63" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The «inconvenient truth» about AI in healthcare" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "T. Panch" 1 => "H. Mattie" 2 => "L.A. Celi" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "NPJ Digit Med." "fecha" => "2019" "volumen" => "2" "paginaInicial" => "77" ] ] ] ] ] ] 63 => array:3 [ "identificador" => "bib0650" "etiqueta" => "64" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Understanding critically ill sepsis patients with normal serum lactate levels: results from U.S. and European ICU cohorts" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "C.M. Sauer" 1 => "J. Gómez" 2 => "M.R. Botella" 3 => "D.R. Ziehr" 4 => "W.M. Oldham" 5 => "G. Gavidia" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/s41598-021-99581-6" "Revista" => array:5 [ "tituloSerie" => "Sci Rep." "fecha" => "2021" "volumen" => "11" "paginaInicial" => "20076" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34625640" "web" => "Medline" ] ] ] ] ] ] ] ] 64 => array:3 [ "identificador" => "bib0655" "etiqueta" => "65" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The enlightening role of explainable artificial intelligence in medical & healthcare domains: A systematic literature review" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "S. Ali" 1 => "F. Akhlaq" 2 => "A.S. Imran" 3 => "Z. Kastrati" 4 => "S.M. Daudpota" 5 => "M. Moosa" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.compbiomed.2023.107555" "Revista" => array:5 [ "tituloSerie" => "Comput Biol Med." "fecha" => "2023" "volumen" => "166" "paginaInicial" => "107555" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/37806061" "web" => "Medline" ] ] ] ] ] ] ] ] 65 => array:3 [ "identificador" => "bib0660" "etiqueta" => "66" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Clinical artificial intelligence quality improvement: towards continual monitoring and updating of AI algorithms in healthcare" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "J. Feng" 1 => "R.V. Phillips" 2 => "I. Malenica" 3 => "A. Bishara" 4 => "A.E. Hubbard" 5 => "L.A. Celi" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/s41746-022-00611-y" "Revista" => array:5 [ "tituloSerie" => "NPJ Digit Med." "fecha" => "2022" "volumen" => "5" "paginaInicial" => "66" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35641814" "web" => "Medline" ] ] ] ] ] ] ] ] ] ] ] ] ] "idiomaDefecto" => "es" "url" => "/02105691/unassign/S021056912400086X/v2_202404260425/es/main.assets" "Apartado" => null "PDF" => "https://static.elsevier.es/multimedia/02105691/unassign/S021056912400086X/v2_202404260425/es/main.pdf?idApp=WMIE&text.app=https://medintensiva.org/" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S021056912400086X?idApp=WMIE"]

Estadísticas

PUESTA AL DÍA EN MEDICINA INTENSIVA: SEGURIDAD DEL PACIENTE CRÍTICO

Perspectivas actuales sobre el uso de la inteligencia artificial en la seguridad del paciente crítico

Current Perspectives on the Use of Artificial Intelligence in Critical Patient Safety

Jesús Abelardo Barea Mendozaa,

Autor para correspondencia

jesusabelardo.barea@salud.madrid.org

Autor para correspondencia.

, Marcos Valiente Fernandeza, Alex Pardo Fernandezb, Josep Gómez Álvarezc

a UCI de Trauma y Emergencias, Servicio de Medicina Intensiva, Hospital Universitario 12 de Octubre, Instituto de Investigación Hospital 12 de Octubre, Madrid, España

b Universidad Rovira i Virgili, Tarragona, España

c Hospital Universitario de Tarragona Joan XXIII, Universidad Rovira i Virgili, Instituto de Investigación Sanitaria Pere i Virgili, Tarragona, España

Leído

130

Veces
se ha leído el artículo

Total PDF

Total HTML

Compartir estadísticas

 array:23 [
  "pii" => "S021056912400086X"
  "issn" => "02105691"
  "doi" => "10.1016/j.medin.2024.03.007"
  "estado" => "S200"
  "fechaPublicacion" => "2024-04-22"
  "aid" => "2007"
  "copyright" => "Elsevier Espa&#241;a&#44; S&#46;L&#46;U&#46; y SEMICYUC"
  "copyrightAnyo" => "2024"
  "documento" => "article"
  "crossmark" => 0
  "subdocumento" => "sco"
  "abierto" => array:3 [
    "ES" => false
    "ES2" => false
    "LATM" => false
  ]
  "gratuito" => false
  "lecturas" => array:1 [
    "total" => 0
  ]
  "Traduccion" => array:1 [
    "en" => array:17 [
      "pii" => "S2173572724000808"
      "issn" => "21735727"
      "doi" => "10.1016/j.medine.2024.04.002"
      "estado" => "S200"
      "fechaPublicacion" => "2024-04-28"
      "aid" => "2007"
      "documento" => "article"
      "crossmark" => 0
      "subdocumento" => "sco"
      "abierto" => array:3 [
        "ES" => false
        "ES2" => false
        "LATM" => false
      ]
      "gratuito" => false
      "lecturas" => array:1 [
        "total" => 0
      ]
      "en" => array:12 [
        "idiomaDefecto" => true
        "cabecera" => "<span class="elsevierStyleTextfn">Update in intensive care medicine&#58; Critical patient safety</span>"
        "titulo" => "Current perspectives on the use of artificial intelligence in critical patient safety"
        "tienePdf" => "en"
        "tieneTextoCompleto" => "en"
        "tieneResumen" => array:2 [
          0 => "en"
          1 => "es"
        ]
        "titulosAlternativos" => array:1 [
          "es" => array:1 [
            "titulo" => "Perspectivas actuales sobre el uso de la inteligencia artificial en la seguridad del paciente cr&#237;tico"
          ]
        ]
        "contieneResumen" => array:2 [
          "en" => true
          "es" => true
        ]
        "contieneTextoCompleto" => array:1 [
          "en" => true
        ]
        "contienePdf" => array:1 [
          "en" => true
        ]
        "resumenGrafico" => array:2 [
          "original" => 0
          "multimedia" => array:8 [
            "identificador" => "fig0010"
            "etiqueta" => "Figure 2"
            "tipo" => "MULTIMEDIAFIGURA"
            "mostrarFloat" => true
            "mostrarDisplay" => false
            "figura" => array:1 [
              0 => array:4 [
                "imagen" => "gr2.jpeg"
                "Alto" => 1414
                "Ancho" => 2540
                "Tamanyo" => 332753
              ]
            ]
            "detalles" => array:1 [
              0 => array:3 [
                "identificador" => "at0010"
                "detalle" => "Figure "
                "rol" => "short"
              ]
            ]
            "descripcion" => array:1 [
              "en" => "<p id="spar0010" class="elsevierStyleSimplePara elsevierViewall">Map of the 4 phases of secure real-time AI implementation&#46; In phase 1&#44; the AI is tested to ensure it adapts to the reality of the data from the center where it is deployed&#46; In phase 2&#44; the data flow is constructed to evaluate its performance in real-time&#46; In phase 3&#44; the results of using AI vs not using it are compared in relation to patient benefit&#46; Finally&#44; in phase 4&#44; the performance of the AI is continuously monitored&#44; and necessary improvements are applied to ensure its evolution for the benefit of all&#46;</p>"
            ]
          ]
        ]
        "autores" => array:1 [
          0 => array:2 [
            "autoresLista" => "Jes&#250;s Abelardo Barea Mendoza, Marcos Valiente Fernandez, Alex Pardo Fernandez, Josep G&#243;mez &#193;lvarez"
            "autores" => array:4 [
              0 => array:2 [
                "nombre" => "Jes&#250;s Abelardo"
                "apellidos" => "Barea Mendoza"
              ]
              1 => array:2 [
                "nombre" => "Marcos"
                "apellidos" => "Valiente Fernandez"
              ]
              2 => array:2 [
                "nombre" => "Alex"
                "apellidos" => "Pardo Fernandez"
              ]
              3 => array:2 [
                "nombre" => "Josep"
                "apellidos" => "G&#243;mez &#193;lvarez"
              ]
            ]
          ]
        ]
      ]
      "idiomaDefecto" => "en"
      "Traduccion" => array:1 [
        "es" => array:9 [
          "pii" => "S021056912400086X"
          "doi" => "10.1016/j.medin.2024.03.007"
          "estado" => "S200"
          "subdocumento" => ""
          "abierto" => array:3 [
            "ES" => false
            "ES2" => false
            "LATM" => false
          ]
          "gratuito" => false
          "lecturas" => array:1 [
            "total" => 0
          ]
          "idiomaDefecto" => "es"
          "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S021056912400086X?idApp=WMIE"
        ]
      ]
      "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2173572724000808?idApp=WMIE"
      "url" => "/21735727/unassign/S2173572724000808/v1_202404280947/en/main.assets"
    ]
  ]
  "itemSiguiente" => array:18 [
    "pii" => "S0210569124000895"
    "issn" => "02105691"
    "doi" => "10.1016/j.medin.2024.03.010"
    "estado" => "S200"
    "fechaPublicacion" => "2024-04-28"
    "aid" => "2010"
    "copyright" => "Elsevier Espa&#241;a&#44; S&#46;L&#46;U&#46; y SEMICYUC"
    "documento" => "article"
    "crossmark" => 0
    "subdocumento" => "sco"
    "abierto" => array:3 [
      "ES" => false
      "ES2" => false
      "LATM" => false
    ]
    "gratuito" => false
    "lecturas" => array:1 [
      "total" => 0
    ]
    "es" => array:10 [
      "idiomaDefecto" => true
      "cabecera" => "<span class="elsevierStyleTextfn">Im&#225;genes en Medicina Intensiva</span>"
      "titulo" => "Endoftalmitis end&#243;gena en un caso de meningitis meningoc&#243;cica"
      "tienePdf" => "es"
      "tieneTextoCompleto" => "es"
      "titulosAlternativos" => array:1 [
        "en" => array:1 [
          "titulo" => "Endogenous endophthalmitis in a meningococcal meningitis case"
        ]
      ]
      "contieneTextoCompleto" => array:1 [
        "es" => true
      ]
      "contienePdf" => array:1 [
        "es" => true
      ]
      "resumenGrafico" => array:2 [
        "original" => 0
        "multimedia" => array:6 [
          "identificador" => "fig0005"
          "etiqueta" => "Figura 1"
          "tipo" => "MULTIMEDIAFIGURA"
          "mostrarFloat" => true
          "mostrarDisplay" => false
          "figura" => array:1 [
            0 => array:4 [
              "imagen" => "gr1.jpeg"
              "Alto" => 798
              "Ancho" => 600
              "Tamanyo" => 88872
            ]
          ]
        ]
      ]
      "autores" => array:1 [
        0 => array:2 [
          "autoresLista" => "Jos&#233; Ginestal, Elena &#193;lvaro, Zaira Molina"
          "autores" => array:3 [
            0 => array:2 [
              "nombre" => "Jos&#233;"
              "apellidos" => "Ginestal"
            ]
            1 => array:2 [
              "nombre" => "Elena"
              "apellidos" => "&#193;lvaro"
            ]
            2 => array:2 [
              "nombre" => "Zaira"
              "apellidos" => "Molina"
            ]
          ]
        ]
      ]
    ]
    "idiomaDefecto" => "es"
    "Traduccion" => array:1 [
      "en" => array:9 [
        "pii" => "S2173572724000857"
        "doi" => "10.1016/j.medine.2024.04.007"
        "estado" => "S200"
        "subdocumento" => ""
        "abierto" => array:3 [
          "ES" => false
          "ES2" => false
          "LATM" => false
        ]
        "gratuito" => false
        "lecturas" => array:1 [
          "total" => 0
        ]
        "idiomaDefecto" => "en"
        "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2173572724000857?idApp=WMIE"
      ]
    ]
    "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0210569124000895?idApp=WMIE"
    "url" => "/02105691/unassign/S0210569124000895/v1_202404280932/es/main.assets"
  ]
  "itemAnterior" => array:17 [
    "pii" => "S0210569117302929"
    "issn" => "02105691"
    "doi" => "10.1016/j.medin.2017.09.014"
    "estado" => "S200"
    "fechaPublicacion" => "2017-11-21"
    "aid" => "1125"
    "copyright" => "Elsevier Espa&#241;a&#44; S&#46;L&#46;U&#46; y SEMICYUC"
    "documento" => "simple-article"
    "crossmark" => 0
    "subdocumento" => "ret"
    "abierto" => array:3 [
      "ES" => false
      "ES2" => false
      "LATM" => false
    ]
    "gratuito" => false
    "lecturas" => array:2 [
      "total" => 86
      "formatos" => array:3 [
        "EPUB" => 4
        "HTML" => 4
        "PDF" => 78
      ]
    ]
    "es" => array:8 [
      "idiomaDefecto" => true
      "titulo" => "WITHDRAWN&#58; Control del dolor postoperatorio tras implante de un desfibrilador autom&#225;tico implantable&#46; Estudio aleatorizado"
      "tienePdf" => "es"
      "tieneTextoCompleto" => 0
      "tieneResumen" => "es"
      "contieneResumen" => array:1 [
        "es" => true
      ]
      "contienePdf" => array:1 [
        "es" => true
      ]
      "autores" => array:1 [
        0 => array:2 [
          "autoresLista" => "M&#46; Luque Oliveros"
          "autores" => array:1 [
            0 => array:2 [
              "nombre" => "M&#46;"
              "apellidos" => "Luque Oliveros"
            ]
          ]
        ]
      ]
    ]
    "idiomaDefecto" => "es"
    "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0210569117302929?idApp=WMIE"
    "url" => "/02105691/unassign/S0210569117302929/v2_201803140621/es/main.assets"
  ]
  "es" => array:18 [
    "idiomaDefecto" => true
    "cabecera" => "<span class="elsevierStyleTextfn">PUESTA AL D&#205;A EN MEDICINA INTENSIVA&#58; SEGURIDAD DEL PACIENTE CR&#205;TICO</span>"
    "titulo" => "Perspectivas actuales sobre el uso de la inteligencia artificial en la seguridad del paciente cr&#237;tico"
    "tieneTextoCompleto" => true
    "autores" => array:1 [
      0 => array:4 [
        "autoresLista" => "Jes&#250;s Abelardo Barea Mendoza, Marcos Valiente Fernandez, Alex Pardo Fernandez, Josep G&#243;mez &#193;lvarez"
        "autores" => array:4 [
          0 => array:4 [
            "nombre" => "Jes&#250;s Abelardo"
            "apellidos" => "Barea Mendoza"
            "email" => array:1 [
              0 => "jesusabelardo.barea@salud.madrid.org"
            ]
            "referencia" => array:2 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">a</span>"
                "identificador" => "aff0005"
              ]
              1 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">&#42;</span>"
                "identificador" => "cor0005"
              ]
            ]
          ]
          1 => array:3 [
            "nombre" => "Marcos"
            "apellidos" => "Valiente Fernandez"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">a</span>"
                "identificador" => "aff0005"
              ]
            ]
          ]
          2 => array:3 [
            "nombre" => "Alex"
            "apellidos" => "Pardo Fernandez"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">b</span>"
                "identificador" => "aff0010"
              ]
            ]
          ]
          3 => array:3 [
            "nombre" => "Josep"
            "apellidos" => "G&#243;mez &#193;lvarez"
            "referencia" => array:1 [
              0 => array:2 [
                "etiqueta" => "<span class="elsevierStyleSup">c</span>"
                "identificador" => "aff0015"
              ]
            ]
          ]
        ]
        "afiliaciones" => array:3 [
          0 => array:3 [
            "entidad" => "UCI de Trauma y Emergencias&#44; Servicio de Medicina Intensiva&#44; Hospital Universitario 12 de Octubre&#44; Instituto de Investigaci&#243;n Hospital 12 de Octubre&#44; Madrid&#44; Espa&#241;a"
            "etiqueta" => "a"
            "identificador" => "aff0005"
          ]
          1 => array:3 [
            "entidad" => "Universidad Rovira i Virgili&#44; Tarragona&#44; Espa&#241;a"
            "etiqueta" => "b"
            "identificador" => "aff0010"
          ]
          2 => array:3 [
            "entidad" => "Hospital Universitario de Tarragona Joan XXIII&#44; Universidad Rovira i Virgili&#44; Instituto de Investigaci&#243;n Sanitaria Pere i Virgili&#44; Tarragona&#44; Espa&#241;a"
            "etiqueta" => "c"
            "identificador" => "aff0015"
          ]
        ]
        "correspondencia" => array:1 [
          0 => array:3 [
            "identificador" => "cor0005"
            "etiqueta" => "&#8270;"
            "correspondencia" => "Autor para correspondencia&#46;"
          ]
        ]
      ]
    ]
    "titulosAlternativos" => array:1 [
      "en" => array:1 [
        "titulo" => "Current Perspectives on the Use of Artificial Intelligence in Critical Patient Safety"
      ]
    ]
    "resumenGrafico" => array:2 [
      "original" => 0
      "multimedia" => array:7 [
        "identificador" => "fig0010"
        "etiqueta" => "Figura 2"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "gr2.jpeg"
            "Alto" => 1414
            "Ancho" => 2540
            "Tamanyo" => 346180
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0040" class="elsevierStyleSimplePara elsevierViewall">Mapa de las cuatro fases de implementaci&#243;n segura de IA en tiempo real&#46; En la fase 1 se testea que la IA se adapte a la realidad de los datos del centro donde se implanta&#46; En la fase 2 se construye el flujo de datos que permita evaluar su rendimiento en tiempo real&#46; En la fase 3 se comparan los resultados de utilizar o no la IA con relaci&#243;n al beneficio del paciente&#46; Finalmente&#44; en la fase 4 se monitoriza continuamente el rendimiento de la IA y se aplican las mejoras necesarias para que esta evolucione en beneficio de todos&#46;</p>"
        ]
      ]
    ]
    "textoCompleto" => "<span class="elsevierStyleSections"><span id="sec0005" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0025">Inteligencia artificial y seguridad en el &#225;mbito sanitario</span><p id="par0005" class="elsevierStylePara elsevierViewall">La inteligencia artificial &#40;IA&#41; no es un concepto nuevo ni reciente&#46; La primera vez que se emple&#243; este t&#233;rmino fue en la d&#233;cada de los 50<a class="elsevierStyleCrossRef" href="#bib0335"><span class="elsevierStyleSup">1</span></a>&#46; Sin embargo&#44; es en los &#250;ltimos a&#241;os cuando su implementaci&#243;n a gran escala ha sido posible gracias al crecimiento exponencial de la tecnolog&#237;a<a class="elsevierStyleCrossRef" href="#bib0340"><span class="elsevierStyleSup">2</span></a>&#46; La IA es percibida como una herramienta muy poderosa con un potencial enorme para cambiar la forma en la que vivimos&#44; sin embargo&#44; no est&#225; exenta de controversia<a class="elsevierStyleCrossRef" href="#bib0345"><span class="elsevierStyleSup">3</span></a>&#46; De todos los tipos de IA que existen&#44; la que es capaz de llegar a niveles m&#225;s altos de capacidad predictiva o incluso creativa est&#225; basada en modelos de aprendizaje profundo<a class="elsevierStyleCrossRef" href="#bib0350"><span class="elsevierStyleSup">4</span></a>&#46; Estos modelos son modelos no lineales basados en un gran n&#250;mero de operaciones matem&#225;ticas que complican su interpretaci&#243;n<a class="elsevierStyleCrossRefs" href="#bib0355"><span class="elsevierStyleSup">5&#44;6</span></a>&#46; Es precisamente este &#250;ltimo tipo de IA el que genera m&#225;s inquietud y desconfianza para la sociedad&#44; y se est&#225; tratando de analizar desde la &#233;tica y el derecho<a class="elsevierStyleCrossRef" href="#bib0365"><span class="elsevierStyleSup">7</span></a>&#46;</p><p id="par0010" class="elsevierStylePara elsevierViewall">Si bien la introducci&#243;n de la IA requiere de un an&#225;lisis de riesgo-beneficio en cualquier escenario&#44; en el &#225;mbito de la salud este debe ser profundo y exhaustivo&#46; Se ha propuesto como la soluci&#243;n a muchos de los problemas de los actuales sistemas de salud contribuyendo a evitar muertes&#44; reducir d&#237;as de hospitalizaci&#243;n o prevenir eventos adversos<a class="elsevierStyleCrossRefs" href="#bib0370"><span class="elsevierStyleSup">8&#8211;16</span></a>&#46;</p><p id="par0015" class="elsevierStylePara elsevierViewall">A pesar de los esfuerzos recientes por incrementar la cultura de seguridad en los sistemas sanitarios&#44; los eventos adversos siguen contribuyendo de forma muy relevante a la morbimortalidad y el gasto sanitario&#46; La incorporaci&#243;n de nuevas tecnolog&#237;as emerge como una estrategia prometedora en ese sentido&#46; El entorno del paciente cr&#237;tico resulta un escenario ideal para la implementaci&#243;n de este tipo de tecnolog&#237;as&#46; En ellas&#44; coexisten pacientes extremadamente graves sobre los que se realizan diariamente numerosas intervenciones y tratamientos de alta complejidad susceptibles al error&#46; Se une adem&#225;s la presi&#243;n por la toma de decisiones r&#225;pidas al ser un &#225;rea t&#237;pica de atenci&#243;n a patolog&#237;as tiempo dependientes&#46; El volumen de informaci&#243;n que se genera en una Unidad de Cuidados Intensivos &#40;UCI&#41; puede ser abrumador&#44; habi&#233;ndose argumentado que excede a la capacidad de un cl&#237;nico experto<a class="elsevierStyleCrossRef" href="#bib0415"><span class="elsevierStyleSup">17</span></a>&#46; As&#237; el incremento de informaci&#243;n disponible en diferentes formatos &#40;im&#225;genes&#44; pruebas de laboratorio&#44; gen&#233;tica&#44; monitorizaci&#243;n invasiva de la fisiolog&#237;a&#44; etc&#46;&#41; no siempre se asocia a mejores decisiones&#46; En las &#225;reas de cuidados cr&#237;ticos la incorporaci&#243;n de tecnolog&#237;as derivadas de la IA podr&#237;a ayudar a los cl&#237;nicos a incrementar las capacidades diagn&#243;sticas o terap&#233;uticas y contribuir a la mejora de los desenlaces facilitando una mejor integraci&#243;n de la informaci&#243;n<a class="elsevierStyleCrossRef" href="#bib0420"><span class="elsevierStyleSup">18</span></a>&#46; Existe una creciente controversia debido a la proliferaci&#243;n de publicaciones de IA con escasa calidad metodol&#243;gica y validez m&#225;s que dudosa&#44; lo cual limita su implementaci&#243;n&#46; Una reciente revisi&#243;n sistem&#225;tica que incorpor&#243; m&#225;s de 400 estudios que reportaron modelos desarrollados en el entorno del paciente cr&#237;tico determin&#243; que m&#225;s del 20&#37; se encontraban relacionados con la prevenci&#243;n de eventos adversos&#46; Sin embargo&#44; los autores destacan que la calidad metodol&#243;gica de los art&#237;culos fue muy escasa siendo la mayor&#237;a retrospectivos &#40;96&#44;4&#37;&#41; con un alto riesgo de sesgo<a class="elsevierStyleCrossRef" href="#bib0425"><span class="elsevierStyleSup">19</span></a>&#46;</p><p id="par0020" class="elsevierStylePara elsevierViewall">A la luz de estas razones&#44; el objetivo del presente manuscrito es revisar la potencial contribuci&#243;n de la IA a la seguridad del paciente en el entorno del enfermo cr&#237;tico resumiendo los aspectos t&#233;cnicos y ofreciendo ejemplos&#46; En un segundo lugar se han revisado aspectos de la seguridad propios de los procesos de implementaci&#243;n de tecnolog&#237;as derivadas de la IA que sin duda formar&#225;n parte del futuro de nuestras unidades&#46;</p></span><span id="sec0010" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0030">Principales aplicaciones de la inteligencia artificial en la seguridad del paciente</span><span id="sec0015" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0035">Ayuda a la toma de decisi&#243;n&#46; Sistemas de soporte a la decisi&#243;n</span><p id="par0025" class="elsevierStylePara elsevierViewall">Las innovaciones tecnol&#243;gicas permiten la implementaci&#243;n de Sistemas de Soporte a la Decisi&#243;n Cl&#237;nica &#40;CDSS&#41; que pretenden asistir a los m&#233;dicos en la toma de decisiones ayudando a identificar r&#225;pidamente patrones de problemas potenciales &#40;que no son f&#225;cilmente perceptibles por los humanos&#41; y a sugerir planes de tratamiento &#243;ptimos&#46; Estas herramientas pueden analizar y sintetizar r&#225;pidamente grandes conjuntos de datos cl&#237;nicos &#40;historia cl&#237;nica&#44; constantes vitales o imagen&#41;<a class="elsevierStyleCrossRef" href="#bib0430"><span class="elsevierStyleSup">20</span></a>&#46; Los CDSS no son nuevos remont&#225;ndose su desarrollo a los avances inform&#225;ticos desde 1970<a class="elsevierStyleCrossRef" href="#bib0435"><span class="elsevierStyleSup">21</span></a>&#46; Como se ha se&#241;alado&#44; las UCI constituyen un nicho para los CDSS debido a sus caracter&#237;sticas inherentes &#40;alta disponibilidad de datos&#44; monitorizaci&#243;n&#44; complejidad cl&#237;nica&#41;&#44; as&#237; como las nuevas implementaciones tecnol&#243;gicas basadas en IA y <span class="elsevierStyleItalic">Machine Learning</span> &#40;ML&#41;&#46;</p></span><span id="sec0020" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0040">&#191;Por qu&#233; pueden ser &#250;tiles y qu&#233; papel pueden desempe&#241;ar los CDSS&#63;</span><p id="par0030" class="elsevierStylePara elsevierViewall">La implementaci&#243;n de los CDSS busca mejorar la calidad en todas sus dimensiones&#44; especialmente la seguridad&#46; Aunque se ha demostrado su utilidad en ciertas disciplinas m&#233;dicas&#44; su papel &#243;ptimo sigue siendo objeto de debate<a class="elsevierStyleCrossRef" href="#bib0440"><span class="elsevierStyleSup">22</span></a>&#46; Resultan &#250;tiles por diferentes motivos&#58; 1&#41; incorporaci&#243;n de la medicina personalizada gracias al uso de modelos basados en ML&#46; Estos modelos han demostrado ser iguales o superiores a profesionales experimentados en varios escenarios&#58; predicci&#243;n de mortalidad&#44; reingreso&#44; fracaso renal&#44; sepsis y distr&#233;s respiratorio entre otros&#46; 2&#41; Generaci&#243;n de propuestas de plan terap&#233;utico a demanda&#46; 3&#41; Reducci&#243;n de la sobrecarga de informaci&#243;n permitiendo a los equipos tomar mejores decisiones basadas en el gran volumen de datos disponibles &#40;<a class="elsevierStyleCrossRef" href="#tbl0005">tabla 1</a>&#41;<a class="elsevierStyleCrossRef" href="#bib0435"><span class="elsevierStyleSup">21</span></a>&#46;</p><elsevierMultimedia ident="tbl0005"></elsevierMultimedia></span><span id="sec0025" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0045">&#191;Qu&#233; tipos de modelos utilizan los CDSS&#63;</span><p id="par0035" class="elsevierStylePara elsevierViewall">Los CDSS hasta hace unos a&#241;os se han basado en el conocimiento previo empleando reglas del tipo &#171;si A &#8211; entonces B&#187;&#44; lo que supon&#237;a una simplificaci&#243;n de la praxis m&#233;dica&#46; Los CDSS basados en IA permiten almacenar y procesar fuentes de datos muy variables&#44; espec&#237;ficas del paciente&#44; y finalmente proponer recomendaciones con las que podemos dar <span class="elsevierStyleItalic">feedback</span> al sistema&#46; As&#237; se mitiga la simplificaci&#243;n de la praxis m&#233;dica de los CDSS previos<a class="elsevierStyleCrossRef" href="#bib0445"><span class="elsevierStyleSup">23</span></a>&#46; Es clave que la UCI facilite el acceso a un flujo constante de datos permitiendo la realizaci&#243;n de an&#225;lisis espec&#237;ficos &#40;series temporales&#41; que pueden evaluar las tendencias y anticiparnos potencialmente a sus problemas<a class="elsevierStyleCrossRef" href="#bib0450"><span class="elsevierStyleSup">24</span></a>&#46;</p></span><span id="sec0030" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0050">&#191;Es f&#225;cil su implantaci&#243;n en el &#225;mbito cl&#237;nico&#63;</span><p id="par0040" class="elsevierStylePara elsevierViewall">Su implantaci&#243;n cl&#237;nica no est&#225; exenta de limitaciones&#44; siendo algunos de los elementos clave<a class="elsevierStyleCrossRef" href="#bib0455"><span class="elsevierStyleSup">25</span></a>&#58;<ul class="elsevierStyleList" id="lis0005"><li class="elsevierStyleListItem" id="lsti0005"><span class="elsevierStyleLabel">&#8226;</span><p id="par0045" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Confianza&#58;</span> tanto pacientes como cl&#237;nicos deben confiar en los modelos de IA utilizados&#46; Tambi&#233;n preocupa un exceso de confianza por parte del cl&#237;nico ya que estos sistemas requieren de la supervisi&#243;n humana en todo el proceso&#46;</p></li><li class="elsevierStyleListItem" id="lsti0010"><span class="elsevierStyleLabel">&#8226;</span><p id="par0050" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Sesgo&#58;</span> los conjuntos de datos utilizados para entrenar modelos de IA pueden contener sesgos en funci&#243;n del origen de los mismos&#44; contexto epidemiol&#243;gico o tratamiento de los datos&#46;</p></li><li class="elsevierStyleListItem" id="lsti0015"><span class="elsevierStyleLabel">&#8226;</span><p id="par0055" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Escalabilidad&#58;</span> la implementaci&#243;n de CDSS debe ser f&#225;cilmente escalable y adaptable a una variedad de entornos cl&#237;nicos&#46; La implementaci&#243;n requiere de un proceso gradual junto a retroalimentaci&#243;n entre desarrolladores y profesionales cl&#237;nicos&#46; Tambi&#233;n son necesarias la mejora de la calidad de los datos&#44; la realizaci&#243;n de numerosas iteraciones y ajustes&#44; as&#237; como la optimizaci&#243;n del flujo de trabajo&#46;</p></li><li class="elsevierStyleListItem" id="lsti0020"><span class="elsevierStyleLabel">&#8226;</span><p id="par0060" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Despliegue&#58;</span> enfrenta desaf&#237;os regulatorios debido al acceso a datos de car&#225;cter personal especialmente sensibles&#44; as&#237; como por la escasa reproducibilidad de los resultados&#46; Sin embargo&#44; en el caso de los CDSS el inter&#233;s puede recaer en explotar las caracter&#237;sticas locales&#44; con reevaluaciones de los datos y refinamientos peri&#243;dicos<a class="elsevierStyleCrossRefs" href="#bib0460"><span class="elsevierStyleSup">26&#44;27</span></a>&#46;</p></li><li class="elsevierStyleListItem" id="lsti0025"><span class="elsevierStyleLabel">&#8226;</span><p id="par0065" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">&#201;ticos&#58;</span> la implementaci&#243;n de estos sistemas puede suponer un desaf&#237;o cultural y &#233;tico&#44; afectando a la concepci&#243;n de la autonom&#237;a de m&#233;dicos y pacientes en funci&#243;n de las sugerencias de los CDSS<a class="elsevierStyleCrossRef" href="#bib0470"><span class="elsevierStyleSup">28</span></a>&#46;</p></li><li class="elsevierStyleListItem" id="lsti0030"><span class="elsevierStyleLabel">&#8226;</span><p id="par0070" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Perspectiva de los cl&#237;nicos&#58;</span> la evidencia muestra que los cl&#237;nicos se muestran favorables a la integraci&#243;n de CDSS&#44; especialmente para ciertas preguntas cl&#237;nicas como la probabilidad de reingreso &#40;<a class="elsevierStyleCrossRef" href="#fig0005">fig&#46; 1</a>&#41;&#46; Tambi&#233;n buscan entender los factores que contribuyen a las predicciones&#46; Resulta as&#237; de especial inter&#233;s el desarrollo de la explicabilidad algor&#237;tmica &#40;XAI&#44; <span class="elsevierStyleItalic">eXplanaible Artificial Intelligence</span>&#41;<a class="elsevierStyleCrossRef" href="#bib0475"><span class="elsevierStyleSup">29</span></a>&#46;</p><elsevierMultimedia ident="fig0005"></elsevierMultimedia></li></ul></p></span><span id="sec0035" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0055">Predicci&#243;n de eventos adversos en la Unidad de Cuidados Intensivos</span><p id="par0075" class="elsevierStylePara elsevierViewall">Recientemente se ha propuesto el empleo de la IA en los principales dominios de los eventos adversos destacando la predicci&#243;n&#44; prevenci&#243;n y detecci&#243;n temprana de pacientes en riesgo de deterioro&#46; De esta manera la IA&#44; basada en la automatizaci&#243;n de registros y el uso de ML&#44; ofrece nuevas estrategias para mitigar la aparici&#243;n de evento adverso &#40;EA&#41;<a class="elsevierStyleCrossRef" href="#bib0480"><span class="elsevierStyleSup">30</span></a>&#46; Actualmente existen algoritmos que utilizan los datos de pacientes en tiempo real acumulando informaci&#243;n para personalizar el tratamiento durante su ingreso&#46; Estas herramientas&#44; por ejemplo&#44; permitir&#237;an iniciar o discontinuar la terapia antitromb&#243;tica seg&#250;n el riesgo de sangrado en un momento concreto del ingreso<a class="elsevierStyleCrossRef" href="#bib0485"><span class="elsevierStyleSup">31</span></a>&#46; Otros algoritmos permiten resumir toda la informaci&#243;n de un paciente respecto a un evento de inter&#233;s&#46; Al condensarla&#44; facilitan la comparaci&#243;n con otros pacientes y la creaci&#243;n de cohortes pacientes con perfiles de riesgo equiparables para un determinado evento de inter&#233;s &#40;mortalidad&#41;<a class="elsevierStyleCrossRef" href="#bib0490"><span class="elsevierStyleSup">32</span></a>&#46; Son m&#250;ltiples los entornos cl&#237;nicos en los que se han publicado resultados en este sentido destacando&#58; 1&#41; predicci&#243;n y estratificaci&#243;n del riesgo de reingreso&#44; ayudando en la gesti&#243;n del flujo de pacientes y evitando EA asociados al reingreso no programado<a class="elsevierStyleCrossRefs" href="#bib0495"><span class="elsevierStyleSup">33&#44;34</span></a>&#46; 2&#41; Predicci&#243;n de EA relacionados con el fallo renal<a class="elsevierStyleCrossRefs" href="#bib0505"><span class="elsevierStyleSup">35&#44;36</span></a>&#46; 3&#41; Predicci&#243;n de extubaci&#243;n no planeada permitiendo implementar medidas preventivas y reduciendo la carga de trabajo para el personal<a class="elsevierStyleCrossRef" href="#bib0515"><span class="elsevierStyleSup">37</span></a>&#46; Aunque su implementaci&#243;n puede centrarse en mitigar los eventos adversos de pacientes de UCI&#44; no debe reducirse al &#225;mbito de UCI&#46; Esta tecnolog&#237;a puede utilizarse en cualquier punto del sistema sanitario para predecir el deterioro cl&#237;nico temprano o las transferencias inmediatas a UCI que permitir&#237;an instaurar tratamiento precoz y organizar los recursos<a class="elsevierStyleCrossRefs" href="#bib0520"><span class="elsevierStyleSup">38&#44;39</span></a>&#46; La efectividad de un algoritmo puede estar limitada fuera de su entorno original&#44; pues los datos que utiliza reflejan la cultura y pr&#225;cticas espec&#237;ficas de cada UCI&#46; As&#237;&#44; lo que funciona en un entorno puede no ser aplicable en otro&#44; especialmente si las condiciones de trabajo y ratios de personal var&#237;an&#44; afectando a los resultados&#46; Los &#225;mbitos de aplicaci&#243;n de la IA en seguridad son m&#250;ltiples&#44; dentro o fuera de la UCI &#40;estrategia UCI sin paredes&#41; y cada vez disponemos de algoritmos m&#225;s novedosos que permiten captar y adaptar mejor la informaci&#243;n obtenida a partir de los datos de los pacientes para hacer predicciones m&#225;s precisas&#46;</p></span><span id="sec0040" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0060">Prescripci&#243;n y eventos adversos asociados a medicaci&#243;n</span><p id="par0080" class="elsevierStylePara elsevierViewall">Los incidentes relacionados con los medicamentos se mantienen entre los EA m&#225;s frecuentes<a class="elsevierStyleCrossRef" href="#bib0530"><span class="elsevierStyleSup">40</span></a>&#46; Hasta un 25&#37; de los eventos adversos son considerados prevenibles<a class="elsevierStyleCrossRef" href="#bib0535"><span class="elsevierStyleSup">41</span></a>&#46; Adem&#225;s&#44; las UCI por su complejidad t&#233;cnica y vinculaci&#243;n a la patolog&#237;a tiempo dependiente son m&#225;s susceptibles a la aparici&#243;n de errores de prescripci&#243;n<a class="elsevierStyleCrossRef" href="#bib0540"><span class="elsevierStyleSup">42</span></a>&#46; Las aplicaciones de la IA en esta &#225;rea son diversas pudiendo destacar los modelos de predicci&#243;n de riesgo para el desarrollo de reacciones adversas&#44; la detecci&#243;n de eventos vinculados a la polifarmacia&#44; el desarrollo de modelos de interacci&#243;n y alergia <span class="elsevierStyleItalic">in silico</span>&#44; la aplicaci&#243;n de CDSS as&#237; como la explotaci&#243;n de la historia cl&#237;nica electr&#243;nica &#40;EHR&#41; para la detecci&#243;n de reacciones adversas inadvertidas<a class="elsevierStyleCrossRef" href="#bib0545"><span class="elsevierStyleSup">43</span></a>&#46; En funci&#243;n del momento en que se apliquen los modelos&#44; estos pueden ayudar a predecir el riesgo reduciendo la incidencia de los mismos &#40;estrategias de prevenci&#243;n&#41; o posteriormente contribuir a la detecci&#243;n precoz disminuyendo su gravedad y duraci&#243;n &#40;estrategias mitigaci&#243;n del da&#241;o&#41;<a class="elsevierStyleCrossRef" href="#bib0550"><span class="elsevierStyleSup">44</span></a>&#46;</p><p id="par0085" class="elsevierStylePara elsevierViewall">Desde el punto de vista de los casos de uso vinculados a la predicci&#243;n encontramos diversas estrategias y ejemplos en la literatura&#46; La m&#225;s frecuente es la predicci&#243;n de aquellos pacientes con riesgo elevado de reacciones adversas a medicamentos&#46; Los grupos de eventos m&#225;s estudiados en este sentido son los renales&#44; cardiovasculares&#44; as&#237; como la sobredosis vinculada al empleo de opioides<a class="elsevierStyleCrossRef" href="#bib0550"><span class="elsevierStyleSup">44</span></a>&#46; Un segundo grupo consiste en la predicci&#243;n de la respuesta terap&#233;utica&#46; As&#237; podr&#237;a evitarse el empleo en pacientes no respondedores&#46; Este es especialmente interesante en grupos farmac&#233;uticos con alta incidencia de eventos adversos y mala tolerancia como los antineopl&#225;sicos o algunos antivirales<a class="elsevierStyleCrossRef" href="#bib0555"><span class="elsevierStyleSup">45</span></a>&#46; Tambi&#233;n la predicci&#243;n de la dosis &#243;ptima es un &#225;rea de inter&#233;s siendo f&#225;rmacos id&#243;neos para estos usos los anticoagulantes o los antineopl&#225;sicos<a class="elsevierStyleCrossRefs" href="#bib0485"><span class="elsevierStyleSup">31&#44;46&#44;47</span></a>&#46; Es interesante rese&#241;ar que estos modelos integran informaci&#243;n de toda la historia cl&#237;nica incorporando antecedentes&#44; historia actual en texto libre o resultados de laboratorio&#46; Aunque resulta prometedor es importante resaltar que la incorporaci&#243;n de resultados gen&#233;ticos a los modelos solo ha conseguido mejorar la capacidad predictiva de forma discreta<a class="elsevierStyleCrossRef" href="#bib0555"><span class="elsevierStyleSup">45</span></a>&#46; Desde un punto de vista t&#233;cnico los modelos m&#225;s frecuentemente empleados son los &#225;rboles de decisi&#243;n&#44; t&#233;cnicas de procesamiento de lenguaje natural y de redes neuronales&#44; aunque la variedad y variabilidad de t&#233;cnicas empleadas es alta&#46;</p><p id="par0090" class="elsevierStylePara elsevierViewall">En el bloque de detecci&#243;n temprana de incidentes distinguimos la detecci&#243;n de las reacciones&#44; as&#237; como la detecci&#243;n de errores de medicaci&#243;n que ya se han producido &#40;prescripci&#243;n inadecuada&#44; interacciones y duplicidades&#41;&#46; Sin duda&#44; una de las &#225;reas de mayor inter&#233;s es la relacionada con los errores de prescripci&#243;n&#46; Desde un punto de vista de la seguridad&#44; aunque estos se producen tras una acci&#243;n individual &#40;prescriptor&#44; administrador o consumidor&#41; son considerados como un fallo del sistema&#46; Algunos autores incluso afirman que deben considerarse fallos de los sistemas de informaci&#243;n cl&#237;nica<a class="elsevierStyleCrossRef" href="#bib0570"><span class="elsevierStyleSup">48</span></a>&#46; En los &#250;ltimos a&#241;os se han testado algunos CDSS que incorporan algoritmos de ML ayudando a la detecci&#243;n de errores de prescripci&#243;n en tiempo real<a class="elsevierStyleCrossRef" href="#bib0575"><span class="elsevierStyleSup">49</span></a>&#46; Estos modelos incorporan la informaci&#243;n de la EHR y posteriormente detectan aquellas prescripciones que son consideradas at&#237;picas por el modelo&#46; Estas atipicidades pueden deberse a prescripciones infrecuentes &#40;anticonceptivo a un lactante&#41;&#44; discordantes con la historia cl&#237;nica &#40;antidiab&#233;tico en un paciente sin antecedentes de diabetes&#41; o con posolog&#237;as infrecuentes&#46; Estos sistemas son capaces de intervenir en dos puntos generando alertas sincr&#243;nicas &#40;en el momento de hacer la prescripci&#243;n&#41; o asincr&#243;nicas &#40;durante el seguimiento cuando cambia la situaci&#243;n cl&#237;nica del paciente&#41;&#46; Los principales tipos de alertas y ejemplos se describen en la <a class="elsevierStyleCrossRef" href="#tbl0010">tabla 2</a>&#46;</p><elsevierMultimedia ident="tbl0010"></elsevierMultimedia><p id="par0095" class="elsevierStylePara elsevierViewall">Uno de los sistemas con m&#225;s desarrollo en este sentido es el <span class="elsevierStyleItalic">software</span><span class="elsevierStyleItalic">MedAware</span> &#40;<a href="https://www.medaware.com/about/">https&#58;&#47;&#47;www&#46;medaware&#46;com&#47;about&#47;</a>&#41; que ha sido validado de forma prospectiva&#46; En una validaci&#243;n sobre m&#225;s 78&#46;000 prescripciones la tasa de alertas fue baja &#40;0&#44;40&#37;&#41;&#46; De estas el 40&#37; fueron de tipo sincr&#243;nico siendo las m&#225;s frecuentes las tiempo-dependientes &#40;64&#44;80&#37;&#41;&#46; De las alertas generadas el 89&#37; se consideraron adecuadas y un 43&#37; condicionaron un cambio en la prescripci&#243;n&#46; Estos datos fueron superiores al CDSS basado en reglas que present&#243; una carga de alertas elevada &#40;37&#44;10&#37;&#41; y de escasa trascendencia cl&#237;nica &#40;5&#44;30&#37; cambios de prescripci&#243;n&#41;<a class="elsevierStyleCrossRef" href="#bib0580"><span class="elsevierStyleSup">50</span></a>&#46;</p></span></span><span id="sec0045" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0065">Seguridad en los procesos de implementaci&#243;n de herramientas basadas en inteligencia artificial</span><p id="par0100" class="elsevierStylePara elsevierViewall">Tal y como se ha expuesto anteriormente&#44; la IA puede ser de utilidad en varios aspectos de la medicina intensiva&#46; Sin embargo&#44; tambi&#233;n plantea retos tanto m&#233;dicos como &#233;ticos y tecnol&#243;gicos&#46; Resulta relevante no solo analizar la utilidad de la IA en la seguridad del paciente sino establecer los marcos te&#243;ricos para que los procesos de uso e implementaci&#243;n de IA tambi&#233;n sean seguros&#46; Tras revisar las posibles contribuciones de esta tecnolog&#237;a a la seguridad&#44; a continuaci&#243;n se profundizar&#225; en los riesgos que presenta as&#237; como en las soluciones en relaci&#243;n con los efectos adversos que pueden generar y a la implementaci&#243;n segura de estos algoritmos&#46;</p><span id="sec0050" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0070">C&#243;mo generar una inteligencia artificial segura basada en <span class="elsevierStyleItalic">machine learning</span></span><p id="par0105" class="elsevierStylePara elsevierViewall">Los algoritmos de predicci&#243;n que emplean aprendizaje autom&#225;tico supervisado basan su funcionamiento en el aprendizaje con ejemplos&#46; Gracias a ellos&#44; se modela un sistema que es capaz de asociar nuevos eventos a los datos aprendidos y generar una predicci&#243;n&#46; Resulta evidente que los datos usados en el aprendizaje ser&#225;n un punto clave para el &#233;xito del modelo&#46; Es por esto que la recolecci&#243;n de datos es crucial y se debe asegurar que los datos representan correctamente a la poblaci&#243;n objetivo&#46; Entre los problemas m&#225;s citados podemos destacar<a class="elsevierStyleCrossRef" href="#bib0585"><span class="elsevierStyleSup">51</span></a>&#58;<ul class="elsevierStyleList" id="lis0010"><li class="elsevierStyleListItem" id="lsti0035"><span class="elsevierStyleLabel">&#8226;</span><p id="par0110" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Poblaciones&#47;casos desbalanceados&#58;</span> sucede cuando no todos los grupos est&#225;n igualmente representados&#46; Si no se tiene en cuenta en la fase de entrenamiento&#44; se corre el riesgo de que se favorezca una predicci&#243;n de un grupo por el simple hecho de tener m&#225;s casos&#46;</p></li><li class="elsevierStyleListItem" id="lsti0040"><span class="elsevierStyleLabel">&#8226;</span><p id="par0115" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">No generalizaci&#243;n&#58;</span> tiene lugar cuando la selecci&#243;n de poblaci&#243;n para el entrenamiento no incluye casos de toda la poblaci&#243;n objetivo&#46; En este caso&#44; si el sistema entra en producci&#243;n&#44; fallar&#225; al generar predicciones para estos grupos&#46;</p></li><li class="elsevierStyleListItem" id="lsti0045"><span class="elsevierStyleLabel">&#8226;</span><p id="par0120" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic">Infrarrepresentaci&#243;n de un grupo&#58;</span> como en el caso anterior&#44; se excluye un grupo del conjunto de entrenamiento&#46; No se considera un problema en la selecci&#243;n de la poblaci&#243;n&#44; sino que es debido a una infrarrepresentaci&#243;n de este grupo por causas sociales o econ&#243;micas que no se pueden solventar mediante una selecci&#243;n m&#225;s amplia del grupo de entrenamiento&#46;</p></li></ul></p><p id="par0125" class="elsevierStylePara elsevierViewall">En la fase de selecci&#243;n de variables se deber&#225;n incluir los factores de confusi&#243;n y asegurarnos que no se incluyen variables que favorezcan la discriminaci&#243;n de un grupo&#46; Existen varios ejemplos que ilustran la importancia de esta fase&#46; En el transcurso de la pandemia de COVID-19 se observ&#243; un menor riesgo de hospitalizaci&#243;n por neumon&#237;as relacionadas con el virus en individuos asm&#225;ticos&#46; Este fen&#243;meno puede deberse a la subestimaci&#243;n del riesgo en una subpoblaci&#243;n espec&#237;fica&#44; a saber&#44; asm&#225;ticos que desarrollan neumon&#237;a&#46; Esta subestimaci&#243;n puede ser atribuible a la falta de consideraci&#243;n de factores relevantes&#44; como el uso previo de esteroides<a class="elsevierStyleCrossRef" href="#bib0590"><span class="elsevierStyleSup">52</span></a>&#46; Adem&#225;s&#44; se han reportado tasas menores de ingreso por insuficiencia cardiaca en poblaciones de riesgo de exclusi&#243;n&#44; como las comunidades afrodescendientes y latinas&#44; lo que resalta la necesidad de abordar las disparidades en la evaluaci&#243;n del riesgo<a class="elsevierStyleCrossRefs" href="#bib0595"><span class="elsevierStyleSup">53&#44;54</span></a>&#46; Adem&#225;s de definir las variables&#44; tendremos que seleccionar la funci&#243;n de error a optimizar&#44; es decir&#44; la m&#233;trica que evaluar&#225; nuestro modelo&#46; Esta selecci&#243;n no es trivial y puede inducir sesgos en el momento de la aplicaci&#243;n<a class="elsevierStyleCrossRef" href="#bib0605"><span class="elsevierStyleSup">55</span></a>&#46; Queda claro&#44; por tanto&#44; que es esencial entender el efecto de cada m&#233;trica de evaluaci&#243;n en el problema que se trata de resolver<a class="elsevierStyleCrossRef" href="#bib0610"><span class="elsevierStyleSup">56</span></a>&#46;</p><p id="par0130" class="elsevierStylePara elsevierViewall">En la <a class="elsevierStyleCrossRef" href="#tbl0015">tabla 3</a> se detallan diversas m&#233;tricas de evaluaci&#243;n&#44; as&#237; como sus inconvenientes&#44; los riesgos a nivel cl&#237;nico&#44; su transparencia y casos de uso&#46; Finalmente&#44; es conveniente definir qu&#233; significa que el modelo desarrollado sea justo&#44; entendiendo que individuos con caracter&#237;sticas parecidas sean tratados de forma similar<a class="elsevierStyleCrossRefs" href="#bib0615"><span class="elsevierStyleSup">57&#44;58</span></a>&#46; En diversas publicaciones se proponen implementaciones que tienen en cuenta la paridad demogr&#225;fica y la igualdad de oportunidades&#44; sin embargo&#44; su uso no est&#225; normalizado en el &#225;rea cl&#237;nica<a class="elsevierStyleCrossRefs" href="#bib0625"><span class="elsevierStyleSup">59&#8211;61</span></a>&#46;</p><elsevierMultimedia ident="tbl0015"></elsevierMultimedia></span><span id="sec0055" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0075">C&#243;mo implementar una inteligencia artificial segura en tiempo real</span><p id="par0135" class="elsevierStylePara elsevierViewall">Disponer de una IA generada de forma segura con datos de un entorno de desarrollo &#40;ED&#41; no implica necesariamente que vaya a funcionar de forma segura cuando se realice como herramienta de soporte a la decisi&#243;n en la pr&#225;ctica cl&#237;nica en tiempo real con datos de un entorno de implementaci&#243;n &#40;EI&#41;&#46; Es importante aclarar que estos dos entornos pueden ser diferentes debido a la dimensi&#243;n espacial &#40;dos UCI distintas&#41;&#44; pero tambi&#233;n pueden ser diferentes debido a la dimensi&#243;n temporal &#40;misma UCI distintos periodos de tiempo&#41;&#46; A d&#237;a de hoy no existe un protocolo estandarizado de los pasos a seguir para garantizar su &#233;xito&#44; pero s&#237; existen gu&#237;as consensuadas entre expertos que nos pueden ayudar durante el proceso<a class="elsevierStyleCrossRef" href="#bib0640"><span class="elsevierStyleSup">62</span></a>&#46; Nosotros proponemos un m&#237;nimo de cuatro fases necesarias para trasladar una IA del ED al EI de forma segura como herramienta de soporte a la decisi&#243;n &#40;<a class="elsevierStyleCrossRef" href="#fig0010">fig&#46; 2</a>&#41;&#46;</p><elsevierMultimedia ident="fig0010"></elsevierMultimedia><span id="sec0060" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0080">Fase 1&#58; testear la inteligencia artificial con datos retrospectivos del entorno de implementaci&#243;n</span><p id="par0140" class="elsevierStylePara elsevierViewall">Las IA necesitan un conjunto de variables predictoras &#40;VP&#41; para devolver la variable respuesta &#40;VR&#41;&#46; Un primer paso evidente es asegurar que se pueden obtener de forma autom&#225;tica las VP a partir de la EHR del EI&#46; Cuantas menos VP requiera la IA y menos espec&#237;ficas sean estas&#44; m&#225;s f&#225;cil ser&#225; su implementaci&#243;n en distintos EI&#46; Actualmente&#44; modelos de IA que han demostrado un gran rendimiento en la literatura no son&#44; en su mayor&#237;a&#44; aplicables en la pr&#225;ctica cl&#237;nica<a class="elsevierStyleCrossRef" href="#bib0645"><span class="elsevierStyleSup">63</span></a>&#46; En caso de poder asegurar su obtenci&#243;n autom&#225;tica&#44; se proceder&#225; a evaluar el rendimiento de la IA dentro del EI con datos retrospectivos&#46; Si los resultados no son satisfactorios se deber&#225; tomar la decisi&#243;n de&#44; o bien finalizar el proceso&#44; o bien abrir un nuevo escenario de reentrenamiento de la IA para mejorar los resultados en el EI&#44; es decir&#44; pasar por un proceso de generalizaci&#243;n<a class="elsevierStyleCrossRef" href="#bib0650"><span class="elsevierStyleSup">64</span></a>&#46; Esto &#250;ltimo depender&#225; mucho del marco en el que se est&#233; llevando el proceso de integraci&#243;n&#44; y deber&#225;n seguirse siempre todas las directrices &#233;ticas y legales que se requieran&#46; Solo en caso de llegar a obtener un buen rendimiento de la IA con los datos retrospectivos del EI tiene sentido pasar a la Fase 2&#46;</p></span><span id="sec0065" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0085">Fase 2&#58; testear la inteligencia artificial con datos en tiempo real del entorno de implementaci&#243;n de forma ciega para el cl&#237;nico</span><p id="par0145" class="elsevierStylePara elsevierViewall">Convertir un proceso de extracci&#243;n&#44; transformaci&#243;n y carga &#40;ETL&#41; de las VP para ejecutar una IA de forma &#171;<span class="elsevierStyleItalic">ad-hoc</span>&#187; en un proceso o <span class="elsevierStyleItalic">pipeline</span> estable y escalable a prueba de fallos es una tarea costosa a nivel tecnol&#243;gico&#46; Sin entrar en detalles t&#233;cnicos&#44; una vez asegurado que todo funciona en tiempo real y habiendo dise&#241;ado un protocolo de actuaci&#243;n en caso de fallos en el sistema&#44; se puede proceder a evaluar la IA de forma prospectiva&#46; Este tipo de evaluaci&#243;n prospectiva es necesaria tambi&#233;n en los casos en los que el ED y el EI sean la misma UCI&#44; donde lo que habr&#225; cambiado es la dimensi&#243;n temporal&#46; Una IA que haya demostrado buen rendimiento en su ED o en la Fase 1 del EI puede verse mermada por los cambios inherentes al tiempo &#40;nuevos profesionales&#44; nuevos h&#225;bitos&#44; nuevos f&#225;rmacos&#44; pandemias&#44; etc&#46;&#41;&#46; Es por tanto muy necesario asegurar un buen rendimiento sostenido en esta Fase 2&#44; ya que ser&#225; tanto indicador de que el EI dispone de la infraestructura tecnol&#243;gica necesaria para mantener la herramienta de soporte a la decisi&#243;n como de que la IA es lo suficientemente robusta para funcionar de forma estable en el tiempo&#46;</p></span><span id="sec0070" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0090">Fase 3&#58; ensayo cl&#237;nico considerando el uso de la inteligencia artificial como intervenci&#243;n</span><p id="par0150" class="elsevierStylePara elsevierViewall">En caso de haber superado la Fase 2 con &#233;xito&#44; sabemos que disponemos de una IA robusta y estable capaz de generar una predicci&#243;n acertada en la mayor&#237;a de los casos&#46; Sin embargo&#44; no sabemos qu&#233; impacto podr&#237;a haber tenido en el paciente su utilizaci&#243;n por parte del equipo cl&#237;nico&#46; En esta fase se requiere dise&#241;ar un ensayo cl&#237;nico capaz de evaluar si existen diferencias significativas entre un grupo control sin IA y un grupo de intervenci&#243;n con IA<a class="elsevierStyleCrossRef" href="#bib0640"><span class="elsevierStyleSup">62</span></a>&#46; Es en este punto donde puede ser clave que la IA sea interpretable y no una caja negra<a class="elsevierStyleCrossRef" href="#bib0655"><span class="elsevierStyleSup">65</span></a>&#46; Una IA interpretable puede dar informaci&#243;n al cl&#237;nico sobre las VP que est&#225;n teniendo peso en la VR&#44; ayudando al cl&#237;nico a entender que deber&#237;a modificar para evitar esa VR no deseada en el caso que decida hacerlo&#46; En el caso contrario la tarea de b&#250;squeda del motivo por el cual la IA ofrece una VR no deseada recaer&#225; totalmente en el cl&#237;nico&#46;</p></span><span id="sec0075" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0095">Fase 4&#58; monitorizaci&#243;n continua y evoluci&#243;n de la inteligencia artificial</span><p id="par0155" class="elsevierStylePara elsevierViewall">Las IA basadas en ML aprenden de un conjunto de casos en base a unas VP y definiendo las VR&#46; La dimensi&#243;n temporal convierte inevitablemente cualquier EI en ED con el paso del tiempo&#46; Nuevos contextos socioecon&#243;micos&#44; nuevos equipos&#44; nuevos f&#225;rmacos incluso nuevos h&#225;bitos adquiridos de las futuras sinergias IA-humano har&#225;n que las IA queden obsoletas si no evolucionan de forma din&#225;mica&#46; Por ejemplo&#44; una IA entrenada para predecir un determinado evento adverso en un entorno donde los protocolos no usaban esa misma IA puede dejar de funcionar en el momento en que se aplique la propia IA para evitarlo&#44; ya que se habr&#225;n generado nuevos protocolos que incluyan la IA modificando completamente el contexto en el que se entren&#243;&#46; En esta &#250;ltima fase se deber&#225; definir un conjunto de indicadores de acciones humanas motivadas por la IA cuya monitorizaci&#243;n permita asegurar que la convivencia de ambas inteligencias &#40;humana-artificial&#41; es beneficiosa para el paciente&#46; Este conjunto de indicadores depender&#225; del tipo de IA y su objetivo&#46; Finalmente&#44; de forma peri&#243;dica y mediante los constantes <span class="elsevierStyleItalic">inputs</span> cl&#237;nicos se deber&#225;n reentrenar las IA con nuevas VP a fin de irse adaptando a nuevos EI y mejorar su rendimiento<a class="elsevierStyleCrossRef" href="#bib0660"><span class="elsevierStyleSup">66</span></a>&#46;</p></span></span></span><span id="sec0080" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0100">Conclusiones</span><p id="par0160" class="elsevierStylePara elsevierViewall">La integraci&#243;n de la IA en el &#225;mbito de la seguridad&#44; aunque prometedora&#44; enfrenta desaf&#237;os clave&#46; La predicci&#243;n de eventos adversos y ayuda a la prescripci&#243;n segura representan oportunidades significativas&#46; Sin embargo&#44; la falta de calidad metodol&#243;gica en las investigaciones y la necesidad de abordar preocupaciones &#233;ticas&#44; como la confianza y el sesgo&#44; son imperativos&#46; La implementaci&#243;n exitosa requiere no solo robustez t&#233;cnica sino tambi&#233;n una transici&#243;n cuidadosa&#44; asegurando la comprensi&#243;n y aceptaci&#243;n de los profesionales de la salud&#46; La seguridad continua y la adaptabilidad emergen como cimientos cruciales para una colaboraci&#243;n efectiva entre la IA y la atenci&#243;n m&#233;dica&#44; asegurando beneficios tangibles para la seguridad del paciente&#46;</p></span><span id="sec0085" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0105">Contribuci&#243;n de los autores</span><p id="par0170" class="elsevierStylePara elsevierViewall">Jes&#250;s Abelardo Barea Mendoza&#58; conceptualizaci&#243;n&#44; redacci&#243;n&#44; edici&#243;n y revisi&#243;n de manuscrito final&#46; Josep G&#243;mez &#193;lvarez&#58; conceptualizaci&#243;n&#44; redacci&#243;n&#44; edici&#243;n y revisi&#243;n de manuscrito final&#46; Alex Pardo Fernandez&#58; redacci&#243;n y revisi&#243;n de manuscrito final&#46; Marcos Valiente Fernandez&#58; redacci&#243;n y revisi&#243;n de manuscrito final&#46;</p><p id="par0185" class="elsevierStylePara elsevierViewall">Durante la preparaci&#243;n de este trabajo&#44; los autores utilizaron Chat-GPT 3&#46;5 para solicitar sin&#243;nimos y mejorar la traducci&#243;n de expresiones t&#233;cnicas del ingl&#233;s al espa&#241;ol&#46; Despu&#233;s de usar este servicio&#44; los autores revisaron y editaron el contenido seg&#250;n fuera necesario&#44; asumiendo la plena responsabilidad del contenido de la publicaci&#243;n&#46;</p></span><span id="sec0090" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0110">Financiaci&#243;n</span><p id="par0175" class="elsevierStylePara elsevierViewall">No se ha recibido financiaci&#243;n para la realizaci&#243;n del presente manuscrito&#46;</p></span><span id="sec0095" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="sect0115">Conflicto de intereses</span><p id="par0180" class="elsevierStylePara elsevierViewall">Jes&#250;s Abelardo Barea Mendoza ha trabajado para la empresa de inteligencia artificial Savana M&#233;dica&#46; El resto de los autores no presenta conflicto de intereses relacionado con el presente estudio&#46;</p></span></span>"
    "textoCompletoSecciones" => array:1 [
      "secciones" => array:12 [
        0 => array:3 [
          "identificador" => "xres2135150"
          "titulo" => "Resumen"
          "secciones" => array:1 [
            0 => array:1 [
              "identificador" => "abst0005"
            ]
          ]
        ]
        1 => array:2 [
          "identificador" => "xpalclavsec1813118"
          "titulo" => "Palabras clave"
        ]
        2 => array:3 [
          "identificador" => "xres2135149"
          "titulo" => "Abstract"
          "secciones" => array:1 [
            0 => array:1 [
              "identificador" => "abst0010"
            ]
          ]
        ]
        3 => array:2 [
          "identificador" => "xpalclavsec1813117"
          "titulo" => "Keywords"
        ]
        4 => array:2 [
          "identificador" => "sec0005"
          "titulo" => "Inteligencia artificial y seguridad en el &#225;mbito sanitario"
        ]
        5 => array:3 [
          "identificador" => "sec0010"
          "titulo" => "Principales aplicaciones de la inteligencia artificial en la seguridad del paciente"
          "secciones" => array:6 [
            0 => array:2 [
              "identificador" => "sec0015"
              "titulo" => "Ayuda a la toma de decisi&#243;n&#46; Sistemas de soporte a la decisi&#243;n"
            ]
            1 => array:2 [
              "identificador" => "sec0020"
              "titulo" => "&#191;Por qu&#233; pueden ser &#250;tiles y qu&#233; papel pueden desempe&#241;ar los CDSS&#63;"
            ]
            2 => array:2 [
              "identificador" => "sec0025"
              "titulo" => "&#191;Qu&#233; tipos de modelos utilizan los CDSS&#63;"
            ]
            3 => array:2 [
              "identificador" => "sec0030"
              "titulo" => "&#191;Es f&#225;cil su implantaci&#243;n en el &#225;mbito cl&#237;nico&#63;"
            ]
            4 => array:2 [
              "identificador" => "sec0035"
              "titulo" => "Predicci&#243;n de eventos adversos en la Unidad de Cuidados Intensivos"
            ]
            5 => array:2 [
              "identificador" => "sec0040"
              "titulo" => "Prescripci&#243;n y eventos adversos asociados a medicaci&#243;n"
            ]
          ]
        ]
        6 => array:3 [
          "identificador" => "sec0045"
          "titulo" => "Seguridad en los procesos de implementaci&#243;n de herramientas basadas en inteligencia artificial"
          "secciones" => array:2 [
            0 => array:2 [
              "identificador" => "sec0050"
              "titulo" => "C&#243;mo generar una inteligencia artificial segura basada en machine learning"
            ]
            1 => array:3 [
              "identificador" => "sec0055"
              "titulo" => "C&#243;mo implementar una inteligencia artificial segura en tiempo real"
              "secciones" => array:4 [
                0 => array:2 [
                  "identificador" => "sec0060"
                  "titulo" => "Fase 1&#58; testear la inteligencia artificial con datos retrospectivos del entorno de implementaci&#243;n"
                ]
                1 => array:2 [
                  "identificador" => "sec0065"
                  "titulo" => "Fase 2&#58; testear la inteligencia artificial con datos en tiempo real del entorno de implementaci&#243;n de forma ciega para el cl&#237;nico"
                ]
                2 => array:2 [
                  "identificador" => "sec0070"
                  "titulo" => "Fase 3&#58; ensayo cl&#237;nico considerando el uso de la inteligencia artificial como intervenci&#243;n"
                ]
                3 => array:2 [
                  "identificador" => "sec0075"
                  "titulo" => "Fase 4&#58; monitorizaci&#243;n continua y evoluci&#243;n de la inteligencia artificial"
                ]
              ]
            ]
          ]
        ]
        7 => array:2 [
          "identificador" => "sec0080"
          "titulo" => "Conclusiones"
        ]
        8 => array:2 [
          "identificador" => "sec0085"
          "titulo" => "Contribuci&#243;n de los autores"
        ]
        9 => array:2 [
          "identificador" => "sec0090"
          "titulo" => "Financiaci&#243;n"
        ]
        10 => array:2 [
          "identificador" => "sec0095"
          "titulo" => "Conflicto de intereses"
        ]
        11 => array:1 [
          "titulo" => "Bibliograf&#237;a"
        ]
      ]
    ]
    "pdfFichero" => "main.pdf"
    "tienePdf" => true
    "fechaRecibido" => "2023-12-19"
    "fechaAceptado" => "2024-03-11"
    "PalabrasClave" => array:2 [
      "es" => array:1 [
        0 => array:4 [
          "clase" => "keyword"
          "titulo" => "Palabras clave"
          "identificador" => "xpalclavsec1813118"
          "palabras" => array:8 [
            0 => "Cuidados cr&#237;ticos"
            1 => "Seguridad del paciente"
            2 => "Predicci&#243;n"
            3 => "Evaluaci&#243;n de riesgos"
            4 => "Algoritmos"
            5 => "Inteligencia artificial"
            6 => "Aprendizaje autom&#225;tico"
            7 => "Eventos adversos"
          ]
        ]
      ]
      "en" => array:1 [
        0 => array:4 [
          "clase" => "keyword"
          "titulo" => "Keywords"
          "identificador" => "xpalclavsec1813117"
          "palabras" => array:8 [
            0 => "Critical care"
            1 => "Patients safety"
            2 => "Prediction"
            3 => "Risk assessment"
            4 => "Algorithms"
            5 => "Artificial intelligence"
            6 => "Machine learning"
            7 => "Adverse events"
          ]
        ]
      ]
    ]
    "tieneResumen" => true
    "resumen" => array:2 [
      "es" => array:2 [
        "titulo" => "Resumen"
        "resumen" => "<span id="abst0005" class="elsevierStyleSection elsevierViewall"><p id="spar0005" class="elsevierStyleSimplePara elsevierViewall">Las unidades de cuidados intensivos &#40;UCI&#41; han sido objeto de mejoras en la seguridad del paciente y la inteligencia artificial &#40;IA&#41; se presenta como una tecnolog&#237;a disruptiva que ofrece nuevas oportunidades&#46; Aunque la evidencia publicada es limitada y tiene problemas metodol&#243;gicos&#44; algunas &#225;reas resultan prometedoras como los sistemas de ayuda a la decisi&#243;n&#44; detecci&#243;n de eventos adversos o errores de prescripci&#243;n&#46; El uso de la IA en seguridad puede tener un objetivo diagn&#243;stico o predictivo&#46; La implementaci&#243;n de sistemas basados en IA requiere procedimientos para garantizar la asistencia segura&#44; enfrentando desaf&#237;os como la confianza en dichos sistemas&#44; sesgos&#44; calidad de los mismos&#44; escalabilidad y consideraciones &#233;ticas y de confidencialidad&#46; El desarrollo y la aplicaci&#243;n de la IA demandan pruebas exhaustivas&#44; incluyendo testeo sobre datos retrospectivos&#44; validaci&#243;n con cohortes prospectivas en tiempo real y demostraci&#243;n de eficacia en ensayos cl&#237;nicos&#46; La transparencia y explicabilidad algor&#237;tmica resultan esenciales siendo la participaci&#243;n activa de profesionales cl&#237;nicos en la implementaci&#243;n crucial&#46;</p></span>"
      ]
      "en" => array:2 [
        "titulo" => "Abstract"
        "resumen" => "<span id="abst0010" class="elsevierStyleSection elsevierViewall"><p id="spar0010" class="elsevierStyleSimplePara elsevierViewall">Intensive Care Units &#40;ICUs&#41; have undergone enhancements in patient safety&#44; and artificial intelligence &#40;AI&#41; emerges as a disruptive technology offering novel opportunities&#46; While the published evidence is limited and presents methodological issues&#44; certain areas show promise&#44; such as decision support systems&#44; detection of adverse events&#44; and prescription error identification&#46; The application of AI in safety may pursue predictive or diagnostic objectives&#46; Implementing AI-based systems necessitates procedures to ensure secure assistance&#44; addressing challenges including trust in such systems&#44; biases&#44; data quality&#44; scalability&#44; and ethical and confidentiality considerations&#46; The development and application of AI demand thorough testing&#44; encompassing retrospective data assessments&#44; real-time validation with prospective cohorts&#44; and efficacy demonstration in clinical trials&#46; Algorithmic transparency and explainability are essential&#44; with active involvement of clinical professionals being crucial in the implementation process&#46;</p></span>"
      ]
    ]
    "multimedia" => array:5 [
      0 => array:7 [
        "identificador" => "fig0005"
        "etiqueta" => "Figura 1"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "gr1.jpeg"
            "Alto" => 1335
            "Ancho" => 2925
            "Tamanyo" => 321985
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0035" class="elsevierStyleSimplePara elsevierViewall">Representa la transmisi&#243;n de la informaci&#243;n y la generaci&#243;n de recomendaciones&#46; El paciente genera datos que son aprovechados cl&#237;nicamente por el m&#233;dico&#44; pero que tambi&#233;n pueden ser aprovechados para ser valorados digitalmente&#46; El cada vez mayor n&#250;mero de datos&#44; en pacientes complejos&#44; en ambientes con presi&#243;n temporal puede hacer que se tomen decisiones sesgadas&#46; Es por ello que el procesamiento de las m&#250;ltiples fuentes de informaci&#243;n biom&#233;dica del paciente &#40;historia cl&#237;nica&#44; constantes pruebas radiol&#243;gicas&#44; laboratorio o medicaci&#243;n&#41; puede ser transferido a sistemas que almacenen y procesen autom&#225;ticamente esta informaci&#243;n&#44; sobre la que aplicar algoritmos&#46; Tras la aplicaci&#243;n de algoritmos obtendremos una recomendaci&#243;n sobre la cual nosotros podr&#237;amos retroalimentar al sistema&#46;</p>"
        ]
      ]
      1 => array:7 [
        "identificador" => "fig0010"
        "etiqueta" => "Figura 2"
        "tipo" => "MULTIMEDIAFIGURA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "figura" => array:1 [
          0 => array:4 [
            "imagen" => "gr2.jpeg"
            "Alto" => 1414
            "Ancho" => 2540
            "Tamanyo" => 346180
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0040" class="elsevierStyleSimplePara elsevierViewall">Mapa de las cuatro fases de implementaci&#243;n segura de IA en tiempo real&#46; En la fase 1 se testea que la IA se adapte a la realidad de los datos del centro donde se implanta&#46; En la fase 2 se construye el flujo de datos que permita evaluar su rendimiento en tiempo real&#46; En la fase 3 se comparan los resultados de utilizar o no la IA con relaci&#243;n al beneficio del paciente&#46; Finalmente&#44; en la fase 4 se monitoriza continuamente el rendimiento de la IA y se aplican las mejoras necesarias para que esta evolucione en beneficio de todos&#46;</p>"
        ]
      ]
      2 => array:8 [
        "identificador" => "tbl0005"
        "etiqueta" => "Tabla 1"
        "tipo" => "MULTIMEDIATABLA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "detalles" => array:1 [
          0 => array:3 [
            "identificador" => "at1"
            "detalle" => "Tabla "
            "rol" => "short"
          ]
        ]
        "tabla" => array:2 [
          "leyenda" => "<p id="spar0050" class="elsevierStyleSimplePara elsevierViewall">Adaptado de Sutton R&#46;<a class="elsevierStyleCrossRef" href="#bib0435"><span class="elsevierStyleSup">21</span></a></p><p id="spar0055" class="elsevierStyleSimplePara elsevierViewall">CDSS&#58; Sistemas de Soporte a la Decisi&#243;n Cl&#237;nica&#46;</p>"
          "tablatextoimagen" => array:1 [
            0 => array:2 [
              "tabla" => array:1 [
                0 => """
                  <table border="0" frame="\n
                  \t\t\t\t\tvoid\n
                  \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Funciones y utilidadesde los CDSS&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Da&#241;os potencialesde los CDSS&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Estrategias mitigaci&#243;n&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Explicaci&#243;n&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Seguridad del PacienteMinimizar la incidencia de errores y eventos adversos&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Fatiga de alertasAcontece cuando se presentan demasiadas alertas insignificantes&#46; Correr&#237;a el riesgo de descartar las alarmas independientemente de su importancia&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Priorizar alertas cr&#237;ticas&#44; minimizar el uso de alertas disruptivas para indicaciones no cr&#237;ticas&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">La fatiga de alertas podr&#237;a ser minimizada priorizando y seleccionando alertas que sean cr&#237;ticamente importantes&#44; que tengan el mayor impacto&#44; y personalizando las alertas seg&#250;n escenarios cl&#237;nicos&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Manejo cl&#237;nicoFavorecer adherencia a gu&#237;as cl&#237;nicas&#44; recordatorios de seguimiento y tratamiento&#44; etc&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Impacto negativo en las habilidades del usuarioUn ejemplo es la dependencia o confianza excesiva en la precisi&#243;n de un sistema&#46;Conflicto con la autonom&#237;a del m&#233;dico&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Evitar la prescriptividad sistem&#225;tica en el dise&#241;o del sistema&#46; Evaluar el impacto del sistema de manera continua&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Los sistemas deber&#237;an ser implementados para ser &#250;tiles a los cl&#237;nicos&#44; sin comprometer la autonom&#237;a ni ser demasiado &#8216;prescriptivos&#8217; y definitivos&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Funci&#243;n administrativaSelecci&#243;n de c&#243;digos de diagn&#243;stico&#44;documentaci&#243;n automatizada yautocompletado de notas&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Desaf&#237;os de mantenimiento del sistema y del contenidoA medida que cambian las pr&#225;cticas&#44; puede haber dificultades para mantener actualizados el contenido y las reglas de conocimiento que impulsan el CDSS&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Se podr&#237;an implementar dos estrategias&#58;1&#41; gesti&#243;n del conocimiento establecido&#44; con un enfoque en la traducci&#243;n a sistemas CDSS&#46;2&#41; Sistema para la medici&#243;n yan&#225;lisis del rendimiento evolutivos del CDSS&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">1&#41; Facilitar la revisi&#243;n programada&#44; m&#233;todos para adquirir e implementar nuevos conocimientos&#46; Implementar medidas de retroalimentaci&#243;n de los m&#233;dicos sobre el sistema&#44; as&#237; como capacitar a los usuarios sobre la introducci&#243;n adecuada de datos&#46;2&#41; Es importante identificar cambios en el rendimiento y uso a lo largo del tiempo&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Soporte diagn&#243;sticoSugerir diagn&#243;sticos basados en datos del paciente y automatizar la salida de resultados de pruebas&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Desconfianza del usuario hacia el CDSSDesacuerdo con la gu&#237;a proporcionada por el CDSS&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Incluir referencias cient&#237;ficas enlos mensajes cuando sea apropiado&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Facilitar una fuente de informaci&#243;n verificable al usuario sobre por qu&#233; existe la recomendaci&#243;n&#46;Adem&#225;s de aumentar la confianza&#44; esto puede dar orientaci&#243;n a los usuarios para actualizar su conocimiento&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Soporte de decisi&#243;n para pacientesAyudar en la decisi&#243;n a los pacientes a trav&#233;s de registros de salud personales y otros sistemas&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Dependencia de la alfabetizaci&#243;n inform&#225;tica de los usuariosLos CDSS pueden requerir un alto nivel de competencia tecnol&#243;gica para su uso&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">1&#41; Adecuarse a la funcionalidad existente&#46;2&#41; Proporcionar capacitaci&#243;n adecuada disponible en el lanzamiento&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">1&#41; Mantener la consistencia con la interfaz de usuario del sistema preexistente &#40;si lo hay&#41; es crucial para asegurar que los usuarios no tengan una curva de aprendizaje larga para usar el sistema&#46;2&#41; Debe estar disponible una capacitaci&#243;n adecuada y de f&#225;cil acceso para los usuarios&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr></tbody></table>
                  """
              ]
              "imagenFichero" => array:1 [
                0 => "xTab3520149.png"
              ]
            ]
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0045" class="elsevierStyleSimplePara elsevierViewall">Posibles funcionalidades de los CDSS&#44; sus potenciales riesgos y estrategias de mitigaci&#243;n de riesgos</p>"
        ]
      ]
      3 => array:8 [
        "identificador" => "tbl0010"
        "etiqueta" => "Tabla 2"
        "tipo" => "MULTIMEDIATABLA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "detalles" => array:1 [
          0 => array:3 [
            "identificador" => "at2"
            "detalle" => "Tabla "
            "rol" => "short"
          ]
        ]
        "tabla" => array:2 [
          "leyenda" => "<p id="spar0065" class="elsevierStyleSimplePara elsevierViewall">CDSS&#58; Sistemas de Soporte a la Decisi&#243;n Cl&#237;nica&#46;</p>"
          "tablatextoimagen" => array:1 [
            0 => array:2 [
              "tabla" => array:1 [
                0 => """
                  <table border="0" frame="\n
                  \t\t\t\t\tvoid\n
                  \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Alerta&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Definici&#243;n&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Ejemplos&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Tiempo-dependiente &#40;sincr&#243;nica&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Datos existentes en el perfil del paciente hacen que el medicamento prescrito sea inapropiado o peligroso&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Antihipertensivo en un paciente en <span class="elsevierStyleItalic">shock</span> s&#233;ptico&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Atipicidad cl&#237;nica&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Prescripci&#243;n no se ajusta al perfil cl&#237;nico del paciente&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">F&#225;rmaco hipogluc&#233;mico a un paciente sin diagn&#243;stico de diabetes mellitus ni resultados indicativos de tal enfermedad&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Atipicidad de dosis&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">La dosis de cierto medicamento se considera como un valor at&#237;pico con respecto a la distribuci&#243;n de dosis aprendida por el modelo de ese medicamento en la poblaci&#243;n y&#47;o el historial propio del paciente&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Dosis raras&#44; unidades de dosificaci&#243;n inusuales&#44; frecuencia poco com&#250;n&#44; v&#237;a poco com&#250;n&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Prescripci&#243;n solapada&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Una alerta se&#241;alada cuando hay tratamiento simult&#225;neo con 2 medicamentos del mismo grupo&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Prescripci&#243;n duplicada de perfusiones de noradrenalina con diferente formulaci&#243;n&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Tiempo-dependiente &#40;asincr&#243;nica&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Una alerta se&#241;alada cuando se producen cambios en el perfil del paciente despu&#233;s de la prescripci&#243;n&#44; haciendo que la prescripci&#243;n sea inapropiada o peligrosa para continuar&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Cuando la presi&#243;n arterial disminuye y la continuaci&#243;n de los medicamentos antihipertensivos es inapropiada&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr></tbody></table>
                  """
              ]
              "imagenFichero" => array:1 [
                0 => "xTab3520147.png"
              ]
            ]
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0060" class="elsevierStyleSimplePara elsevierViewall">Tipos de alertas m&#225;s frecuentes generadas por CDSS basados en modelos</p>"
        ]
      ]
      4 => array:8 [
        "identificador" => "tbl0015"
        "etiqueta" => "Tabla 3"
        "tipo" => "MULTIMEDIATABLA"
        "mostrarFloat" => true
        "mostrarDisplay" => false
        "detalles" => array:1 [
          0 => array:3 [
            "identificador" => "at3"
            "detalle" => "Tabla "
            "rol" => "short"
          ]
        ]
        "tabla" => array:2 [
          "leyenda" => "<p id="spar0075" class="elsevierStyleSimplePara elsevierViewall">AUC&#58; &#225;rea bajo la curva&#59; FPR&#58; tasa de falsos positivos&#59; ROC&#58; Receiver Operating Characteristic&#59; TPR&#58; tasa de verdaderos positivos&#59; UCI&#58; Unidad de Cuidados Intensivos&#46;</p>"
          "tablatextoimagen" => array:1 [
            0 => array:2 [
              "tabla" => array:1 [
                0 => """
                  <table border="0" frame="\n
                  \t\t\t\t\tvoid\n
                  \t\t\t\t" class=""><thead title="thead"><tr title="table-row"><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">M&#233;trica&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Descripci&#243;n&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Impacto en los resultados cl&#237;nicos&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Transparencia&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th><th class="td" title="\n
                  \t\t\t\t\ttable-head\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t" scope="col" style="border-bottom: 2px solid black">Ejemplos&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t\t\t</th></tr></thead><tbody title="tbody"><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Exactitud&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Porcentaje de datos correctamente clasificados&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Puede conducir a una mayor tasa de falsos negativos&#44; lo que puede retrasar o impedir el tratamiento adecuado&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">F&#225;cil de entender e interpretar&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Predicci&#243;n de la probabilidad de muerte de pacientes con COVID-19&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Precisi&#243;n&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Porcentaje de datos positivos correctamente clasificados&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Puede conducir a una mayor tasa de falsos positivos&#44; lo que puede causar ansiedad o estr&#233;s en los pacientes&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Puede ser dif&#237;cil de interpretar si la prevalencia de la clase positiva es baja&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Predicci&#243;n de la presencia de c&#225;ncer de mama en mamograf&#237;as&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">F1-<span class="elsevierStyleItalic">score</span>&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Media ponderada de la precisi&#243;n y la exhaustividad&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Puede ser una buena opci&#243;n para tareas de clasificaci&#243;n equilibrada&#44; pero es importante considerar el impacto potencial en los resultados cl&#237;nicos&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Puede ser dif&#237;cil de interpretar si la prevalencia de la clase positiva es baja&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Predicci&#243;n de la probabilidad de ictus en pacientes con hipertensi&#243;n&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Especificidad&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Porcentaje de datos negativos correctamente clasificados&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Puede conducir a una mayor tasa de falsos negativos&#44; lo que puede retrasar o impedir el tratamiento adecuado&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Puede ser dif&#237;cil de interpretar si la prevalencia de la clase positiva es baja&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Biomarcadores &#40;usada con la precisi&#243;n&#41;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Curva ROC&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Representa la relaci&#243;n entre la TPR y FPR&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Puede ser una buena opci&#243;n para comparar el rendimiento de diferentes modelos&#44; pero otorga la misma importancia a la precisi&#243;n y a la especificidad&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Puede ser dif&#237;cil de interpretar si la prevalencia de la clase positiva es baja&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Predicci&#243;n de la probabilidad de supervivencia de pacientes con c&#225;ncer&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">AUC ROC&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Valor de la curva ROC en el punto &#40;0&#44; 0&#41; y &#40;1&#44; 1&#41;&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Puede ser una buena opci&#243;n para comparar el rendimiento de diferentes modelos&#44; pero otorga la misma importancia a la precisi&#243;n y a la especificidad&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Puede ser dif&#237;cil de interpretar si la prevalencia de la clase positiva es baja&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Predicci&#243;n de mortalidad en pacientes de UCI&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Precisi&#243;n&#47;<span class="elsevierStyleItalic">Recall</span> AUC&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Representa la relaci&#243;n entre la precisi&#243;n y la exhaustividad &#40;<span class="elsevierStyleItalic">recall</span>&#41;&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Puede ser dif&#237;cil de interpretar si la prevalencia de la clase positiva es baja&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Puede ser una buena opci&#243;n para tareas de clasificaci&#243;n desequilibrada&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Predicci&#243;n de hospitalizaciones agudas en personas mayores que reciben atenci&#243;n domiciliaria&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">P&#233;rdida logar&#237;tmica&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Suma de los logaritmos de las probabilidades de las predicciones correctas&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Puede ser una buena opci&#243;n para comparar el rendimiento de diferentes modelos&#44; pero es sensible a datos desbalanceados y carece de explicabilidad&#46; Adem&#225;s&#44; no considera la gravedad del error&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Es una m&#233;trica dif&#237;cil de interpretar&#44; ya que requiere un conocimiento de los logaritmos&#46; Sin embargo&#44; es una m&#233;trica objetiva que puede ser utilizada para comparar el rendimiento de diferentes modelos&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Predicci&#243;n de readmisi&#243;n un a&#241;o despu&#233;s del alta&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr><tr title="table-row"><td class="td-with-role" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t ; entry_with_role_rowhead " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">&#205;ndice Jaccard&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Relaci&#243;n entre el n&#250;mero de elementos correctamente clasificados frente a la suma del n&#250;mero de elementos correctamente clasificados y el n&#250;mero de elementos mal clasificados&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Puede ser una buena opci&#243;n para comparar el rendimiento de diferentes modelos&#44; pero otorga la misma importancia a la precisi&#243;n y a la especificidad&#46; Adem&#225;s&#44; a nivel individual &#40;p&#46; ej&#46;&#44; pixel en el caso de im&#225;genes&#41;&#44; carece de gradaci&#243;n ya que es una m&#233;trica binaria&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Es una m&#233;trica f&#225;cil de entender e interpretar&#46; Sin embargo&#44; es menos sensible a los falsos negativos que otras m&#233;tricas&#44; como la exactitud o el F1-<span class="elsevierStyleItalic">score</span>&#46;&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td><td class="td" title="\n
                  \t\t\t\t\ttable-entry\n
                  \t\t\t\t  " align="left" valign="\n
                  \t\t\t\t\ttop\n
                  \t\t\t\t">Predicci&#243;n de la presencia de da&#241;o cerebral en im&#225;genes de resonancia magn&#233;tica&nbsp;\t\t\t\t\t\t\n
                  \t\t\t\t</td></tr></tbody></table>
                  """
              ]
              "imagenFichero" => array:1 [
                0 => "xTab3520148.png"
              ]
            ]
          ]
        ]
        "descripcion" => array:1 [
          "es" => "<p id="spar0070" class="elsevierStyleSimplePara elsevierViewall">Principales m&#233;tricas empleadas en la evaluaci&#243;n de modelos en IA</p>"
        ]
      ]
    ]
    "bibliografia" => array:2 [
      "titulo" => "Bibliograf&#237;a"
      "seccion" => array:1 [
        0 => array:2 [
          "identificador" => "bibs0015"
          "bibliografiaReferencia" => array:66 [
            0 => array:3 [
              "identificador" => "bib0335"
              "etiqueta" => "1"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Introduction to artificial intelligence in medicine"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:2 [
                            0 => "Y&#46; Mintz"
                            1 => "R&#46; Brodie"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1080/13645706.2019.1575882"
                      "Revista" => array:6 [
                        "tituloSerie" => "Minim Invasive Ther Allied Technol&#46;"
                        "fecha" => "2019"
                        "volumen" => "28"
                        "paginaInicial" => "73"
                        "paginaFinal" => "81"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30810430"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            1 => array:3 [
              "identificador" => "bib0340"
              "etiqueta" => "2"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "History of artificial intelligence in medicine"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:3 [
                            0 => "V&#46; Kaul"
                            1 => "S&#46; Enslin"
                            2 => "S&#46;A&#46; Gross"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1016/j.gie.2020.06.040"
                      "Revista" => array:6 [
                        "tituloSerie" => "Gastrointest Endosc&#46;"
                        "fecha" => "2020"
                        "volumen" => "92"
                        "paginaInicial" => "807"
                        "paginaFinal" => "812"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/32565184"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            2 => array:3 [
              "identificador" => "bib0345"
              "etiqueta" => "3"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Medical ethics considerations on artificial intelligence"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:1 [
                            0 => "K&#46;H&#46; Keskinbora"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:5 [
                        "tituloSerie" => "J Clin Neurosci Off J Neurosurg Soc Australas&#46;"
                        "fecha" => "2019"
                        "volumen" => "64"
                        "paginaInicial" => "277"
                        "paginaFinal" => "282"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            3 => array:3 [
              "identificador" => "bib0350"
              "etiqueta" => "4"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Opportunities and obstacles for deep learning in biology and medicine"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "T&#46; Ching"
                            1 => "D&#46;S&#46; Himmelstein"
                            2 => "B&#46;K&#46; Beaulieu-Jones"
                            3 => "A&#46;A&#46; Kalinin"
                            4 => "B&#46;T&#46; Do"
                            5 => "G&#46;P&#46; Way"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1098/rsif.2017.0387"
                      "Revista" => array:5 [
                        "tituloSerie" => "J R Soc Interface&#46;"
                        "fecha" => "2018"
                        "volumen" => "15"
                        "paginaInicial" => "20170387"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29618526"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            4 => array:3 [
              "identificador" => "bib0355"
              "etiqueta" => "5"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "&#171;Just&#187; accuracy&#63; Procedural fairness demands explainability in AI-based medical resource allocations"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "J&#46; Rueda"
                            1 => "J&#46;D&#46; Rodr&#237;guez"
                            2 => "I&#46;P&#46; Jounou"
                            3 => "J&#46; Hortal-Carmona"
                            4 => "T&#46; Aus&#237;n"
                            5 => "D&#46; Rodr&#237;guez-Arias"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:4 [
                        "tituloSerie" => "AI Soc&#46;"
                        "fecha" => "2022"
                        "paginaInicial" => "1"
                        "paginaFinal" => "12"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            5 => array:3 [
              "identificador" => "bib0360"
              "etiqueta" => "6"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Artificial Intelligence and Black-Box Medical Decisions&#58; Accuracy versus Explainability"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:1 [
                            0 => "A&#46;J&#46; London"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1002/hast.1050"
                      "Revista" => array:6 [
                        "tituloSerie" => "Hastings Cent Rep&#46;"
                        "fecha" => "2019"
                        "volumen" => "49"
                        "paginaInicial" => "15"
                        "paginaFinal" => "21"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31581336"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            6 => array:3 [
              "identificador" => "bib0365"
              "etiqueta" => "7"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "The regulation of artificial intelligence"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:1 [
                            0 => "G&#46; Finocchiaro"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:2 [
                        "tituloSerie" => "AI Soc&#46;"
                        "fecha" => "2023"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            7 => array:3 [
              "identificador" => "bib0370"
              "etiqueta" => "8"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Prediction model of in-hospital mortality in intensive care unit patients with heart failure&#58; machine learning-based&#44; retrospective analysis of the MIMIC-III database"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "F&#46; Li"
                            1 => "H&#46; Xin"
                            2 => "J&#46; Zhang"
                            3 => "M&#46; Fu"
                            4 => "J&#46; Zhou"
                            5 => "Z&#46; Lian"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1136/bmjopen-2020-044779"
                      "Revista" => array:5 [
                        "tituloSerie" => "BMJ Open&#46;"
                        "fecha" => "2021"
                        "volumen" => "11"
                        "paginaInicial" => "e044779"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34301649"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            8 => array:3 [
              "identificador" => "bib0375"
              "etiqueta" => "9"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Real-time mortality prediction in the Intensive Care Unit"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:2 [
                            0 => "A&#46;E&#46;W&#46; Johnson"
                            1 => "R&#46;G&#46; Mark"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:6 [
                        "tituloSerie" => "AMIA Annu Symp Proc&#46;"
                        "fecha" => "2018"
                        "volumen" => "2017"
                        "paginaInicial" => "994"
                        "paginaFinal" => "1003"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29854167"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            9 => array:3 [
              "identificador" => "bib0380"
              "etiqueta" => "10"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Predicting hospital mortality for intensive care unit patients&#58; Time-series analysis"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:5 [
                            0 => "A&#46; Awad"
                            1 => "M&#46; Bader-El-Den"
                            2 => "J&#46; McNicholas"
                            3 => "J&#46; Briggs"
                            4 => "Y&#46; El-Sonbaty"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:5 [
                        "tituloSerie" => "Health Informatics J&#46;"
                        "fecha" => "2020"
                        "volumen" => "26"
                        "paginaInicial" => "1043"
                        "paginaFinal" => "1059"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            10 => array:3 [
              "identificador" => "bib0385"
              "etiqueta" => "11"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Which Models Can I Use to Predict Adult ICU Length of Stay&#63;&#46; A Systematic Review"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "I&#46;W&#46;M&#46; Verburg"
                            1 => "A&#46; Atashi"
                            2 => "S&#46; Eslami"
                            3 => "R&#46; Holman"
                            4 => "A&#46; Abu-Hanna"
                            5 => "E&#46; de Jonge"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:5 [
                        "tituloSerie" => "Crit Care Med&#46;"
                        "fecha" => "2017"
                        "volumen" => "45"
                        "paginaInicial" => "e222"
                        "paginaFinal" => "e231"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            11 => array:3 [
              "identificador" => "bib0390"
              "etiqueta" => "12"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Data-driven methodology to predict the ICU length of stay&#58; A multicentre study of 99&#44;492 admissions in 109 Brazilian units"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:5 [
                            0 => "I&#46;T&#46; Peres"
                            1 => "S&#46; Hamacher"
                            2 => "F&#46;L&#46; Cyrino Oliveira"
                            3 => "F&#46;A&#46; Bozza"
                            4 => "J&#46;I&#46;F&#46; Salluh"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1016/j.accpm.2022.101142"
                      "Revista" => array:5 [
                        "tituloSerie" => "Anaesth Crit Care Pain Med&#46;"
                        "fecha" => "2022"
                        "volumen" => "41"
                        "paginaInicial" => "101142"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35988701"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            12 => array:3 [
              "identificador" => "bib0395"
              "etiqueta" => "13"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "A Machine Learning decision-making tool for extubation in Intensive Care Unit patients"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "A&#46; Fabregat"
                            1 => "M&#46; Magret"
                            2 => "J&#46;A&#46; Ferr&#233;"
                            3 => "A&#46; Vernet"
                            4 => "N&#46; Guasch"
                            5 => "A&#46; Rodr&#237;guez"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1016/j.cmpb.2020.105869"
                      "Revista" => array:5 [
                        "tituloSerie" => "Comput Methods Programs Biomed&#46;"
                        "fecha" => "2021"
                        "volumen" => "200"
                        "paginaInicial" => "105869"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/33250280"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            13 => array:3 [
              "identificador" => "bib0400"
              "etiqueta" => "14"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Predicting Cardiac Arrest and Respiratory Failure Using Feasible Artificial Intelligence with Simple Trajectories of Patient Data"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:5 [
                            0 => "J&#46; Kim"
                            1 => "M&#46; Chae"
                            2 => "H&#46;-J&#46; Chang"
                            3 => "Y&#46;-A&#46; Kim"
                            4 => "E&#46; Park"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.3390/jcm8091336"
                      "Revista" => array:5 [
                        "tituloSerie" => "J Clin Med&#46;"
                        "fecha" => "2019"
                        "volumen" => "8"
                        "paginaInicial" => "1336"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31470543"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            14 => array:3 [
              "identificador" => "bib0405"
              "etiqueta" => "15"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Length of stay prediction for ICU patients using individualized single classification algorithm"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:4 [
                            0 => "X&#46; Ma"
                            1 => "Y&#46; Si"
                            2 => "Z&#46; Wang"
                            3 => "Y&#46; Wang"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1016/j.cmpb.2019.105224"
                      "Revista" => array:5 [
                        "tituloSerie" => "Comput Methods Programs Biomed&#46;"
                        "fecha" => "2020"
                        "volumen" => "186"
                        "paginaInicial" => "105224"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31765937"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            15 => array:3 [
              "identificador" => "bib0410"
              "etiqueta" => "16"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:1 [
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "F&#46; Alfieri"
                            1 => "A&#46; Ancona"
                            2 => "G&#46; Tripepi"
                            3 => "A&#46; Rubeis"
                            4 => "N&#46; Arjoldi"
                            5 => "S&#46; Finazzi"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1371/journal.pone.0287398"
                      "Revista" => array:5 [
                        "tituloSerie" => "PloS One&#46;"
                        "fecha" => "2023"
                        "volumen" => "18"
                        "paginaInicial" => "e0287398"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/37490482"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            16 => array:3 [
              "identificador" => "bib0415"
              "etiqueta" => "17"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Human Cognitive Limitations&#46; Broad&#44; Consistent&#44; Clinical Application of Physiological Principles Will Require Decision Support"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:1 [
                            0 => "A&#46;H&#46; Morris"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1513/AnnalsATS.201706-449KV"
                      "Revista" => array:6 [
                        "tituloSerie" => "Ann Am Thorac Soc&#46;"
                        "fecha" => "2018"
                        "volumen" => "15"
                        "paginaInicial" => "S53"
                        "paginaFinal" => "S56"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29461892"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            17 => array:3 [
              "identificador" => "bib0420"
              "etiqueta" => "18"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Enhancing sepsis management through machine learning techniques&#58; A review"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "N&#46; Ocampo-Quintero"
                            1 => "P&#46; Vidal-Cort&#233;s"
                            2 => "L&#46; Del R&#237;o Carbajo"
                            3 => "F&#46; Fdez-Riverola"
                            4 => "M&#46; Reboiro-Jato"
                            5 => "D&#46; Glez-Pe&#241;a"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1016/j.medine.2020.04.015"
                      "Revista" => array:6 [
                        "tituloSerie" => "Med Intensiva&#46;"
                        "fecha" => "2022"
                        "volumen" => "46"
                        "paginaInicial" => "140"
                        "paginaFinal" => "156"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35221003"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            18 => array:3 [
              "identificador" => "bib0425"
              "etiqueta" => "19"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Moving from bytes to bedside&#58; a systematic review on the use of artificial intelligence in the intensive care unit"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:5 [
                            0 => "D&#46; van de Sande"
                            1 => "M&#46;E&#46; van Genderen"
                            2 => "J&#46; Huiskens"
                            3 => "D&#46; Gommers"
                            4 => "J&#46; van Bommel"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1007/s00134-021-06446-7"
                      "Revista" => array:6 [
                        "tituloSerie" => "Intensive Care Med&#46;"
                        "fecha" => "2021"
                        "volumen" => "47"
                        "paginaInicial" => "750"
                        "paginaFinal" => "760"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34089064"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            19 => array:3 [
              "identificador" => "bib0430"
              "etiqueta" => "20"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Artificial intelligence for clinical decision support for monitoring patients in cardiovascular ICUs&#58; A systematic review"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "S&#46; Moazemi"
                            1 => "S&#46; Vahdati"
                            2 => "J&#46; Li"
                            3 => "S&#46; Kalkhoff"
                            4 => "L&#46;J&#46;V&#46; Castano"
                            5 => "B&#46; Dewitz"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:4 [
                        "tituloSerie" => "Front Med&#46;"
                        "fecha" => "2023"
                        "volumen" => "10"
                        "paginaInicial" => "1109411"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            20 => array:3 [
              "identificador" => "bib0435"
              "etiqueta" => "21"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "An overview of clinical decision support systems&#58; benefits&#44; risks&#44; and strategies for success"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "R&#46;T&#46; Sutton"
                            1 => "D&#46; Pincock"
                            2 => "D&#46;C&#46; Baumgart"
                            3 => "D&#46;C&#46; Sadowski"
                            4 => "R&#46;N&#46; Fedorak"
                            5 => "K&#46;I&#46; Kroeker"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:4 [
                        "tituloSerie" => "NPJ Digit Med&#46;"
                        "fecha" => "2020"
                        "volumen" => "3"
                        "paginaInicial" => "17"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            21 => array:3 [
              "identificador" => "bib0440"
              "etiqueta" => "22"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Enhancing Diagnosis Through Technology&#58; Decision Support&#46; Artificial Intelligence&#44; and Beyond"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:2 [
                            0 => "R&#46; El-Kareh"
                            1 => "D&#46;F&#46; Sittig"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:5 [
                        "tituloSerie" => "Crit Care Clin&#46;"
                        "fecha" => "2022"
                        "volumen" => "38"
                        "paginaInicial" => "129"
                        "paginaFinal" => "139"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            22 => array:3 [
              "identificador" => "bib0445"
              "etiqueta" => "23"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Towards effective clinical decision support systems&#58; A systematic review"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:3 [
                            0 => "F&#46; Hak"
                            1 => "T&#46; Guimar&#227;es"
                            2 => "M&#46; Santos"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:4 [
                        "tituloSerie" => "PloS One&#46;"
                        "fecha" => "2022"
                        "volumen" => "17"
                        "paginaInicial" => "e0272846"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            23 => array:3 [
              "identificador" => "bib0450"
              "etiqueta" => "24"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "State of the Art of Machine Learning-Enabled Clinical Decision Support in Intensive Care Units&#58; Literature Review"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "N&#46; Hong"
                            1 => "C&#46; Liu"
                            2 => "J&#46; Gao"
                            3 => "L&#46; Han"
                            4 => "F&#46; Chang"
                            5 => "M&#46; Gong"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.2196/28781"
                      "Revista" => array:5 [
                        "tituloSerie" => "JMIR Med Inform&#46;"
                        "fecha" => "2022"
                        "volumen" => "10"
                        "paginaInicial" => "e28781"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35238790"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            24 => array:3 [
              "identificador" => "bib0455"
              "etiqueta" => "25"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Collaborative strategies for deploying AI-based physician decision support systems&#58; challenges and deployment approaches"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:3 [
                            0 => "M&#46; Mittermaier"
                            1 => "M&#46; Raza"
                            2 => "J&#46;C&#46; Kvedar"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1038/s41746-023-00889-6"
                      "Revista" => array:5 [
                        "tituloSerie" => "NPJ Digit Med&#46;"
                        "fecha" => "2023"
                        "volumen" => "6"
                        "paginaInicial" => "137"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/37543707"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            25 => array:3 [
              "identificador" => "bib0460"
              "etiqueta" => "26"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Intensive Care Unit Telemedicine in the Era of Big Data Artificial Intelligence&#44; and Computer Clinical Decision Support Systems"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:4 [
                            0 => "R&#46;D&#46; Kindle"
                            1 => "O&#46; Badawi"
                            2 => "L&#46;A&#46; Celi"
                            3 => "S&#46; Sturland"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1016/j.ccc.2019.02.005"
                      "Revista" => array:6 [
                        "tituloSerie" => "Crit Care Clin&#46;"
                        "fecha" => "2019"
                        "volumen" => "35"
                        "paginaInicial" => "483"
                        "paginaFinal" => "495"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31076048"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            26 => array:3 [
              "identificador" => "bib0465"
              "etiqueta" => "27"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Intelligent Clinical Decision Support"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:3 [
                            0 => "M&#46;R&#46; Pinsky"
                            1 => "A&#46; Dubrawski"
                            2 => "G&#46; Clermont"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.3390/s22041408"
                      "Revista" => array:5 [
                        "tituloSerie" => "Sensors&#46;"
                        "fecha" => "2022"
                        "volumen" => "22"
                        "paginaInicial" => "1408"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35214310"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            27 => array:3 [
              "identificador" => "bib0470"
              "etiqueta" => "28"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Respecting Human Autonomy in Critical Care Clinical Decision Support"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:4 [
                            0 => "M&#46; Hendriks"
                            1 => "M&#46;C&#46; Willemsen"
                            2 => "F&#46; Sartor"
                            3 => "J&#46; Hoonhout"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:5 [
                        "tituloSerie" => "Front Comput Sci&#46;"
                        "fecha" => "2021"
                        "volumen" => "3"
                        "paginaInicial" => "1"
                        "paginaFinal" => "10"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            28 => array:3 [
              "identificador" => "bib0475"
              "etiqueta" => "29"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Intensive Care Unit Physicians&#8217; Perspectives on Artificial Intelligence-Based Clinical Decision Support Tools&#58; Preimplementation Survey Study"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "S&#46;L&#46; van der Meijden"
                            1 => "A&#46;A&#46;H&#46; de Hond"
                            2 => "P&#46;J&#46; Thoral"
                            3 => "E&#46;W&#46; Steyerberg"
                            4 => "I&#46;M&#46;J&#46; Kant"
                            5 => "G&#46; Cin&#224;"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.2196/39114"
                      "Revista" => array:5 [
                        "tituloSerie" => "JMIR Hum Factors&#46;"
                        "fecha" => "2023"
                        "volumen" => "10"
                        "paginaInicial" => "e39114"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/36602843"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            29 => array:3 [
              "identificador" => "bib0480"
              "etiqueta" => "30"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "The potential of artificial intelligence to improve patient safety&#58; a scoping review"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "D&#46;W&#46; Bates"
                            1 => "D&#46; Levine"
                            2 => "A&#46; Syrowatka"
                            3 => "M&#46; Kuznetsova"
                            4 => "K&#46;J&#46;T&#46; Craig"
                            5 => "A&#46; Rui"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1038/s41746-021-00423-6"
                      "Revista" => array:5 [
                        "tituloSerie" => "NPJ Digit Med&#46;"
                        "fecha" => "2021"
                        "volumen" => "4"
                        "paginaInicial" => "54"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/33742085"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            30 => array:3 [
              "identificador" => "bib0485"
              "etiqueta" => "31"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Application of artificial neural network in daily prediction of bleeding in ICU patients treated with anti-thrombotic therapy"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "D&#46; Chen"
                            1 => "R&#46; Wang"
                            2 => "Y&#46; Jiang"
                            3 => "Z&#46; Xing"
                            4 => "Q&#46; Sheng"
                            5 => "X&#46; Liu"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1186/s12911-023-02274-5"
                      "Revista" => array:5 [
                        "tituloSerie" => "BMC Med Inform Decis Mak&#46;"
                        "fecha" => "2023"
                        "volumen" => "23"
                        "paginaInicial" => "171"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/37653495"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            31 => array:3 [
              "identificador" => "bib0490"
              "etiqueta" => "32"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Domain Adaptation Using Convolutional Autoencoder and Gradient Boosting for Adverse Events Prediction in the Intensive Care Unit"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "Y&#46; Zhu"
                            1 => "J&#46; Venugopalan"
                            2 => "Z&#46; Zhang"
                            3 => "N&#46;K&#46; Chanani"
                            4 => "K&#46;O&#46; Maher"
                            5 => "M&#46;D&#46; Wang"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.3389/frai.2022.640926"
                      "Revista" => array:5 [
                        "tituloSerie" => "Front Artif Intell&#46;"
                        "fecha" => "2022"
                        "volumen" => "5"
                        "paginaInicial" => "640926"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35481281"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            32 => array:3 [
              "identificador" => "bib0495"
              "etiqueta" => "33"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Development and validation of an interpretable 3 day intensive care unit readmission prediction model using explainable boosting machines"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "S&#46; Hegselmann"
                            1 => "C&#46; Ertmer"
                            2 => "T&#46; Volkert"
                            3 => "A&#46; Gottschalk"
                            4 => "M&#46; Dugas"
                            5 => "J&#46; Varghese"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:4 [
                        "tituloSerie" => "Front Med&#46;"
                        "fecha" => "2022"
                        "volumen" => "9"
                        "paginaInicial" => "960296"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            33 => array:3 [
              "identificador" => "bib0500"
              "etiqueta" => "34"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "A systematic review of tools for predicting severe adverse events following patient discharge from intensive care units"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "F&#46;S&#46; Hosein"
                            1 => "N&#46; Bobrovitz"
                            2 => "S&#46; Berthelot"
                            3 => "D&#46; Zygun"
                            4 => "W&#46;A&#46; Ghali"
                            5 => "H&#46;T&#46; Stelfox"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:4 [
                        "tituloSerie" => "Crit Care Lond Engl&#46;"
                        "fecha" => "2013"
                        "volumen" => "17"
                        "paginaInicial" => "R102"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            34 => array:3 [
              "identificador" => "bib0505"
              "etiqueta" => "35"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Utilization of interpretable machine learning model to forecast the risk of major adverse kidney events in elderly patients in critical care"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:5 [
                            0 => "L&#46; Wang"
                            1 => "S&#46;-B&#46; Duan"
                            2 => "P&#46; Yan"
                            3 => "X&#46;-Q&#46; Luo"
                            4 => "N&#46;-Y&#46; Zhang"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1080/0886022X.2023.2215329"
                      "Revista" => array:5 [
                        "tituloSerie" => "Ren Fail&#46;"
                        "fecha" => "2023"
                        "volumen" => "45"
                        "paginaInicial" => "2215329"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/37218683"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            35 => array:3 [
              "identificador" => "bib0510"
              "etiqueta" => "36"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Predicting Major Adverse Kidney Events among Critically Ill&#160;Adults Using the Electronic Health Record"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "A&#46;C&#46; McKown"
                            1 => "L&#46; Wang"
                            2 => "J&#46;P&#46; Wanderer"
                            3 => "J&#46; Ehrenfeld"
                            4 => "T&#46;W&#46; Rice"
                            5 => "G&#46;R&#46; Bernard"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:4 [
                        "tituloSerie" => "J Med Syst&#46;"
                        "fecha" => "2017"
                        "volumen" => "41"
                        "paginaInicial" => "156"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            36 => array:3 [
              "identificador" => "bib0515"
              "etiqueta" => "37"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Development and Validation of Unplanned Extubation Prediction Models Using Intensive Care Unit Data&#58; Retrospective&#44; Comparative&#44; Machine Learning Study"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "S&#46; Hur"
                            1 => "J&#46;Y&#46; Min"
                            2 => "J&#46; Yoo"
                            3 => "K&#46; Kim"
                            4 => "C&#46;R&#46; Chung"
                            5 => "P&#46;C&#46; Dykes"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.2196/23508"
                      "Revista" => array:5 [
                        "tituloSerie" => "J Med Internet Res&#46;"
                        "fecha" => "2021"
                        "volumen" => "23"
                        "paginaInicial" => "e23508"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34382940"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            37 => array:3 [
              "identificador" => "bib0520"
              "etiqueta" => "38"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Artificial Intelligence for the Prediction of In-Hospital Clinical Deterioration&#58; A Systematic Review"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:4 [
                            0 => "L&#46;I&#46; Veldhuis"
                            1 => "N&#46;J&#46;C&#46; Woittiez"
                            2 => "P&#46;W&#46;B&#46; Nanayakkara"
                            3 => "J&#46; Ludikhuize"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1097/CCE.0000000000000744"
                      "Revista" => array:5 [
                        "tituloSerie" => "Crit Care Explor&#46;"
                        "fecha" => "2022"
                        "volumen" => "4"
                        "paginaInicial" => "e0744"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/36046062"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            38 => array:3 [
              "identificador" => "bib0525"
              "etiqueta" => "39"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Predicting Intensive Care Transfers and Other Unforeseen Events&#58; Analytic Model Validation Study and Comparison to Existing Methods"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "B&#46;C&#46; Cummings"
                            1 => "S&#46; Ansari"
                            2 => "J&#46;R&#46; Motyka"
                            3 => "G&#46; Wang"
                            4 => "R&#46;P&#46; Medlin"
                            5 => "S&#46;L&#46; Kronick"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:4 [
                        "tituloSerie" => "JMIR Med Inform&#46;"
                        "fecha" => "2021"
                        "volumen" => "9"
                        "paginaInicial" => "e25066"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            39 => array:3 [
              "identificador" => "bib0530"
              "etiqueta" => "40"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Trends in Adverse Event Rates in Hospitalized Patients&#44; 2010-2019"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "N&#46; Eldridge"
                            1 => "Y&#46; Wang"
                            2 => "M&#46; Metersky"
                            3 => "S&#46; Eckenrode"
                            4 => "J&#46; Mathew"
                            5 => "N&#46; Sonnenfeld"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1001/jama.2022.9600"
                      "Revista" => array:6 [
                        "tituloSerie" => "JAMA&#46;"
                        "fecha" => "2022"
                        "volumen" => "328"
                        "paginaInicial" => "173"
                        "paginaFinal" => "183"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35819424"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            40 => array:3 [
              "identificador" => "bib0535"
              "etiqueta" => "41"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Incidence of adverse drug events and potential adverse drug events&#46; Implications for prevention&#46; ADE Prevention Study Group"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "D&#46;W&#46; Bates"
                            1 => "D&#46;J&#46; Cullen"
                            2 => "N&#46; Laird"
                            3 => "L&#46;A&#46; Petersen"
                            4 => "S&#46;D&#46; Small"
                            5 => "D&#46; Servi"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:6 [
                        "tituloSerie" => "JAMA&#46;"
                        "fecha" => "1995"
                        "volumen" => "274"
                        "paginaInicial" => "29"
                        "paginaFinal" => "34"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/7791255"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            41 => array:3 [
              "identificador" => "bib0540"
              "etiqueta" => "42"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Associations of physicians&#8217; prescribing experience&#44; work hours&#44; and workload with prescription errors"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:4 [
                            0 => "I&#46; Leviatan"
                            1 => "B&#46; Oberman"
                            2 => "E&#46; Zimlichman"
                            3 => "G&#46;Y&#46; Stein"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1093/jamia/ocaa219"
                      "Revista" => array:6 [
                        "tituloSerie" => "J Am Med Inform Assoc JAMIA&#46;"
                        "fecha" => "2021"
                        "volumen" => "28"
                        "paginaInicial" => "1074"
                        "paginaFinal" => "1080"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/33120412"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            42 => array:3 [
              "identificador" => "bib0545"
              "etiqueta" => "43"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "The Use of Artificial Intelligence in Pharmacovigilance&#58; A Systematic Review of the Literature"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "M&#46; Salas"
                            1 => "J&#46; Petracek"
                            2 => "P&#46; Yalamanchili"
                            3 => "O&#46; Aimer"
                            4 => "D&#46; Kasthuril"
                            5 => "S&#46; Dhingra"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:5 [
                        "tituloSerie" => "Pharm Med&#46;"
                        "fecha" => "2022"
                        "volumen" => "36"
                        "paginaInicial" => "295"
                        "paginaFinal" => "306"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            43 => array:3 [
              "identificador" => "bib0550"
              "etiqueta" => "44"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Key use cases for artificial intelligence to reduce the frequency of adverse drug events&#58; a scoping review"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "A&#46; Syrowatka"
                            1 => "W&#46; Song"
                            2 => "M&#46;G&#46; Amato"
                            3 => "D&#46; Foer"
                            4 => "H&#46; Edrees"
                            5 => "Z&#46; Co"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1016/S2589-7500(21)00229-6"
                      "Revista" => array:6 [
                        "tituloSerie" => "Lancet Digit Health&#46;"
                        "fecha" => "2022"
                        "volumen" => "4"
                        "paginaInicial" => "e137"
                        "paginaFinal" => "e148"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34836823"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            44 => array:3 [
              "identificador" => "bib0555"
              "etiqueta" => "45"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Pharmacophenotype identification of intensive care unit medications using unsupervised cluster analysis of the ICURx common data model"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "A&#46; Sikora"
                            1 => "A&#46; Rafiei"
                            2 => "M&#46;G&#46; Rad"
                            3 => "K&#46; Keats"
                            4 => "S&#46;E&#46; Smith"
                            5 => "J&#46;W&#46; Devlin"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:4 [
                        "tituloSerie" => "Crit Care Lond Engl&#46;"
                        "fecha" => "2023"
                        "volumen" => "27"
                        "paginaInicial" => "167"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            45 => array:3 [
              "identificador" => "bib0560"
              "etiqueta" => "46"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Artificial Intelligence and Machine Learning Approaches to Facilitate Therapeutic Drug Management and Model-Informed Precision Dosing"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:3 [
                            0 => "E&#46;A&#46; Poweleit"
                            1 => "A&#46;A&#46; Vinks"
                            2 => "T&#46; Mizuno"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:5 [
                        "tituloSerie" => "Ther Drug Monit&#46;"
                        "fecha" => "2023"
                        "volumen" => "45"
                        "paginaInicial" => "143"
                        "paginaFinal" => "150"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            46 => array:3 [
              "identificador" => "bib0565"
              "etiqueta" => "47"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Personalised&#44; Rational Efficacy-Driven Cancer Drug Dosing via an Artificial Intelligence SystEm &#40;PRECISE&#41;&#58; A Protocol for the PRECISE CURATE&#46;AI Pilot Clinical Trial"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "B&#46;K&#46;J&#46; Tan"
                            1 => "C&#46;B&#46; Teo"
                            2 => "X&#46; Tadeo"
                            3 => "S&#46; Peng"
                            4 => "H&#46;P&#46;L&#46; Soh"
                            5 => "S&#46;D&#46;X&#46; Du"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.3389/fdgth.2021.635524"
                      "Revista" => array:5 [
                        "tituloSerie" => "Front Digit Health&#46;"
                        "fecha" => "2021"
                        "volumen" => "3"
                        "paginaInicial" => "635524"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34713106"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            47 => array:3 [
              "identificador" => "bib0570"
              "etiqueta" => "48"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Medication errors&#58; prescribing faults and prescription errors"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:2 [
                            0 => "G&#46;P&#46; Velo"
                            1 => "P&#46; Minuz"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1111/j.1365-2125.2009.03425.x"
                      "Revista" => array:6 [
                        "tituloSerie" => "Br J Clin Pharmacol&#46;"
                        "fecha" => "2009"
                        "volumen" => "67"
                        "paginaInicial" => "624"
                        "paginaFinal" => "628"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/19594530"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            48 => array:3 [
              "identificador" => "bib0575"
              "etiqueta" => "49"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Screening for medication errors using an outlier detection system"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "G&#46;D&#46; Schiff"
                            1 => "L&#46;A&#46; Volk"
                            2 => "M&#46; Volodarskaya"
                            3 => "D&#46;H&#46; Williams"
                            4 => "L&#46; Walsh"
                            5 => "S&#46;G&#46; Myers"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1093/jamia/ocw171"
                      "Revista" => array:6 [
                        "tituloSerie" => "J Am Med Inform Assoc&#46;"
                        "fecha" => "2017"
                        "volumen" => "24"
                        "paginaInicial" => "281"
                        "paginaFinal" => "287"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/28104826"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            49 => array:3 [
              "identificador" => "bib0580"
              "etiqueta" => "50"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Reducing drug prescription errors and adverse drug events by application of a probabilistic&#44; machine-learning based clinical decision support system in an inpatient setting"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "G&#46; Segal"
                            1 => "A&#46; Segev"
                            2 => "A&#46; Brom"
                            3 => "Y&#46; Lifshitz"
                            4 => "Y&#46; Wasserstrum"
                            5 => "E&#46; Zimlichman"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1093/jamia/ocz135"
                      "Revista" => array:6 [
                        "tituloSerie" => "J Am Med Inform Assoc&#46;"
                        "fecha" => "2019"
                        "volumen" => "26"
                        "paginaInicial" => "1560"
                        "paginaFinal" => "1565"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/31390471"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            50 => array:3 [
              "identificador" => "bib0585"
              "etiqueta" => "51"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Ethical Machine Learning in Healthcare"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "I&#46;Y&#46; Chen"
                            1 => "E&#46; Pierson"
                            2 => "S&#46; Rose"
                            3 => "S&#46; Joshi"
                            4 => "K&#46; Ferryman"
                            5 => "M&#46; Ghassemi"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1146/annurev-biodatasci-092820-114757"
                      "Revista" => array:6 [
                        "tituloSerie" => "Annu Rev Biomed Data Sci&#46;"
                        "fecha" => "2021"
                        "volumen" => "4"
                        "paginaInicial" => "123"
                        "paginaFinal" => "144"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34396058"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            51 => array:3 [
              "identificador" => "bib0590"
              "etiqueta" => "52"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Risks of infection&#44; hospital and ICU admission&#44; and death from COVID-19 in people with asthma&#58; systematic review and meta-analyses"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "A&#46; Otunla"
                            1 => "K&#46; Rees"
                            2 => "P&#46; Dennison"
                            3 => "R&#46; Hobbs"
                            4 => "J&#46; Suklan"
                            5 => "E&#46; Schofield"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1136/bmjebm-2021-111788"
                      "Revista" => array:6 [
                        "tituloSerie" => "BMJ Evid-Based Med&#46;"
                        "fecha" => "2022"
                        "volumen" => "27"
                        "paginaInicial" => "263"
                        "paginaFinal" => "273"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34933924"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            52 => array:3 [
              "identificador" => "bib0595"
              "etiqueta" => "53"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Hidden in Plain Sight - Reconsidering the Use of Race Correction in Clinical Algorithms"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:3 [
                            0 => "D&#46;A&#46; Vyas"
                            1 => "L&#46;G&#46; Eisenstein"
                            2 => "D&#46;S&#46; Jones"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1056/NEJMms2004740"
                      "Revista" => array:6 [
                        "tituloSerie" => "N Engl J Med&#46;"
                        "fecha" => "2020"
                        "volumen" => "383"
                        "paginaInicial" => "874"
                        "paginaFinal" => "882"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/32853499"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            53 => array:3 [
              "identificador" => "bib0600"
              "etiqueta" => "54"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:1 [
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "R&#46; Caruana"
                            1 => "Y&#46; Lou"
                            2 => "J&#46; Gehrke"
                            3 => "P&#46; Koch"
                            4 => "M&#46; Sturm"
                            5 => "N&#46; Elhadad"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:4 [
                        "tituloSerie" => "Intelligible Models for HealthCare&#46;"
                        "fecha" => "2015"
                        "paginaInicial" => "1721"
                        "paginaFinal" => "1730"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            54 => array:3 [
              "identificador" => "bib0605"
              "etiqueta" => "55"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Disadvantages of using the area under the receiver operating characteristic curve to assess imaging tests&#58; a discussion and proposal for an alternative approach"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:3 [
                            0 => "S&#46; Halligan"
                            1 => "D&#46;G&#46; Altman"
                            2 => "S&#46; Mallett"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1007/s00330-014-3487-0"
                      "Revista" => array:6 [
                        "tituloSerie" => "Eur Radiol&#46;"
                        "fecha" => "2015"
                        "volumen" => "25"
                        "paginaInicial" => "932"
                        "paginaFinal" => "939"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/25599932"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            55 => array:3 [
              "identificador" => "bib0610"
              "etiqueta" => "56"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Magician&#39;s Corner&#58; 9 Performance Metrics for Machine Learning Models"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:2 [
                            0 => "B&#46;J&#46; Erickson"
                            1 => "F&#46; Kitamura"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1148/ryai.2021200126"
                      "Revista" => array:5 [
                        "tituloSerie" => "Radiol Artif Intell&#46;"
                        "fecha" => "2021"
                        "volumen" => "3"
                        "paginaInicial" => "e200126"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34136815"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            56 => array:3 [
              "identificador" => "bib0615"
              "etiqueta" => "57"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Operationalising fairness in medical algorithms"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:4 [
                            0 => "S&#46; Parbhoo"
                            1 => "J&#46;W&#46; Gichoya"
                            2 => "L&#46;A&#46; Celi"
                            3 => "M&#46;&#193;&#46;A&#46; de la Hoz"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1136/bmjhci-2022-100617"
                      "Revista" => array:5 [
                        "tituloSerie" => "BMJ Health Care Inform&#46;"
                        "fecha" => "2022"
                        "volumen" => "29"
                        "paginaInicial" => "e100617"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35688512"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            57 => array:3 [
              "identificador" => "bib0620"
              "etiqueta" => "58"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Addressing Fairness Bias&#44; and Appropriate Use of Artificial Intelligence and Machine Learning in Global Health"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:3 [
                            0 => "R&#46;R&#46; Fletcher"
                            1 => "A&#46; Nakeshimana"
                            2 => "O&#46; Olubeko"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.3389/frai.2020.561802"
                      "Revista" => array:5 [
                        "tituloSerie" => "Front Artif Intell&#46;"
                        "fecha" => "2020"
                        "volumen" => "3"
                        "paginaInicial" => "561802"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/33981989"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            58 => array:3 [
              "identificador" => "bib0625"
              "etiqueta" => "59"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Too Relaxed to Be Fair"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:3 [
                            0 => "M&#46; Lohaus"
                            1 => "M&#46; Perrot"
                            2 => "U&#46;V&#46; Luxburg"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:5 [
                        "tituloSerie" => "PMLR&#46;"
                        "fecha" => "2020"
                        "volumen" => "119"
                        "paginaInicial" => "6360"
                        "paginaFinal" => "6369"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            59 => array:3 [
              "identificador" => "bib0630"
              "etiqueta" => "60"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Controlling Attribute Effect in Linear Regression"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:5 [
                            0 => "T&#46; Calders"
                            1 => "A&#46; Karim"
                            2 => "F&#46; Kamiran"
                            3 => "W&#46; Ali"
                            4 => "X&#46; Zhang"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:4 [
                        "tituloSerie" => "IEEE"
                        "fecha" => "2013"
                        "paginaInicial" => "71"
                        "paginaFinal" => "80"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            60 => array:3 [
              "identificador" => "bib0635"
              "etiqueta" => "61"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Fairness Constraints&#58; Mechanisms for Fair Classification"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:4 [
                            0 => "M&#46;B&#46; Zafar"
                            1 => "I&#46; Valera"
                            2 => "M&#46;G&#46; Rodriguez"
                            3 => "K&#46;P&#46; Gummadi"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:2 [
                        "tituloSerie" => "arXiv&#46;"
                        "fecha" => "2017"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            61 => array:3 [
              "identificador" => "bib0640"
              "etiqueta" => "62"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Reporting guideline for the early-stage clinical evaluation of decision support systems driven by artificial intelligence&#58; DECIDE-AI"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "B&#46; Vasey"
                            1 => "M&#46; Nagendran"
                            2 => "B&#46; Campbell"
                            3 => "D&#46;A&#46; Clifton"
                            4 => "G&#46;S&#46; Collins"
                            5 => "S&#46; Denaxas"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1038/s41591-022-01772-9"
                      "Revista" => array:6 [
                        "tituloSerie" => "Nat Med&#46;"
                        "fecha" => "2022"
                        "volumen" => "28"
                        "paginaInicial" => "924"
                        "paginaFinal" => "933"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35585198"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            62 => array:3 [
              "identificador" => "bib0645"
              "etiqueta" => "63"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "The &#171;inconvenient truth&#187; about AI in healthcare"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:3 [
                            0 => "T&#46; Panch"
                            1 => "H&#46; Mattie"
                            2 => "L&#46;A&#46; Celi"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:1 [
                      "Revista" => array:4 [
                        "tituloSerie" => "NPJ Digit Med&#46;"
                        "fecha" => "2019"
                        "volumen" => "2"
                        "paginaInicial" => "77"
                      ]
                    ]
                  ]
                ]
              ]
            ]
            63 => array:3 [
              "identificador" => "bib0650"
              "etiqueta" => "64"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Understanding critically ill sepsis patients with normal serum lactate levels&#58; results from U&#46;S&#46; and European ICU cohorts"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "C&#46;M&#46; Sauer"
                            1 => "J&#46; G&#243;mez"
                            2 => "M&#46;R&#46; Botella"
                            3 => "D&#46;R&#46; Ziehr"
                            4 => "W&#46;M&#46; Oldham"
                            5 => "G&#46; Gavidia"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1038/s41598-021-99581-6"
                      "Revista" => array:5 [
                        "tituloSerie" => "Sci Rep&#46;"
                        "fecha" => "2021"
                        "volumen" => "11"
                        "paginaInicial" => "20076"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/34625640"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            64 => array:3 [
              "identificador" => "bib0655"
              "etiqueta" => "65"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "The enlightening role of explainable artificial intelligence in medical &#38; healthcare domains&#58; A systematic literature review"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => false
                          "autores" => array:6 [
                            0 => "S&#46; Ali"
                            1 => "F&#46; Akhlaq"
                            2 => "A&#46;S&#46; Imran"
                            3 => "Z&#46; Kastrati"
                            4 => "S&#46;M&#46; Daudpota"
                            5 => "M&#46; Moosa"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1016/j.compbiomed.2023.107555"
                      "Revista" => array:5 [
                        "tituloSerie" => "Comput Biol Med&#46;"
                        "fecha" => "2023"
                        "volumen" => "166"
                        "paginaInicial" => "107555"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/37806061"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
            65 => array:3 [
              "identificador" => "bib0660"
              "etiqueta" => "66"
              "referencia" => array:1 [
                0 => array:2 [
                  "contribucion" => array:1 [
                    0 => array:2 [
                      "titulo" => "Clinical artificial intelligence quality improvement&#58; towards continual monitoring and updating of AI algorithms in healthcare"
                      "autores" => array:1 [
                        0 => array:2 [
                          "etal" => true
                          "autores" => array:6 [
                            0 => "J&#46; Feng"
                            1 => "R&#46;V&#46; Phillips"
                            2 => "I&#46; Malenica"
                            3 => "A&#46; Bishara"
                            4 => "A&#46;E&#46; Hubbard"
                            5 => "L&#46;A&#46; Celi"
                          ]
                        ]
                      ]
                    ]
                  ]
                  "host" => array:1 [
                    0 => array:2 [
                      "doi" => "10.1038/s41746-022-00611-y"
                      "Revista" => array:5 [
                        "tituloSerie" => "NPJ Digit Med&#46;"
                        "fecha" => "2022"
                        "volumen" => "5"
                        "paginaInicial" => "66"
                        "link" => array:1 [
                          0 => array:2 [
                            "url" => "https://www.ncbi.nlm.nih.gov/pubmed/35641814"
                            "web" => "Medline"
                          ]
                        ]
                      ]
                    ]
                  ]
                ]
              ]
            ]
          ]
        ]
      ]
    ]
  ]
  "idiomaDefecto" => "es"
  "url" => "/02105691/unassign/S021056912400086X/v2_202404260425/es/main.assets"
  "Apartado" => null
  "PDF" => "https://static.elsevier.es/multimedia/02105691/unassign/S021056912400086X/v2_202404260425/es/main.pdf?idApp=WMIE&text.app=https://medintensiva.org/"
  "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S021056912400086X?idApp=WMIE"
]

Información del artículo

ISSN: 02105691
Idioma original: Español

DOI:10.1016/j.medin.2024.03.007

Datos actualizados diariamente

año/Mes	Html	Pdf	Total

2024 Octubre	13	4	17
2024 Septiembre	7	7	14
2024 Agosto	2	1	3
2024 Julio	5	3	8
2024 Junio	4	2	6
2024 Mayo	56	7	63
2024 Abril	9	10	19

Indexada en:

Síguenos:

Suscribirse:

Estadísticas

Indexada en:

Síguenos:

Suscribirse:

Estadísticas

Suscríbase a la newsletter