Aprendizaje automático en salud: Aplicaciones, limitaciones e implicancias éticas
Resumen
Gran parte de las decisiones que asumimos en las ciencias de la salud, desde la salud pública hasta la práctica asistencial, son respaldadas por información obtenida a partir de datos. En las últimas décadas, las instituciones han buscado aglomerarlos en amplias bases, con el objetivo de generar nuevos conocimientos. Sin embargo, el dato como tal es inútil, puesto que requieren un análisis mediante el uso de algoritmos para obtener resultados. Durante el siglo XXI estos algoritmos han tenido un notable desarrollo, siendo aún más potentes que la estadística clásica.
Descargas
Citas
Deo RC. Machine learning in medicine. Circulation. 2018; 132 (20): 1920-1930
Poostchi M, Silamut K, Maude R, Jeager S, Thoma G. Image analysis and machine learning for detecting malaria.Transl Res. 2019; 194: 36-55
Mooney SJ, Pejaver V. Big data in public health: Terminology, machine leargning and privacy. AnnuRev Public Health. 2018; 39(1): 95-112
Mohr D, Zhang M, SchuellerS. Personal Sensing: Understanding Mental Health Using Ubiquitous Sensors and Machine Learning.Annu Rev Clin Psychol. 2017; 13: 23-47
Gianfrancesco M, Tamang S, Yazdany J, Schmajuk G. Potential Biases in Machine Learning Algorithms Using Electronic Health Record Data.JAMA Intern Med. 2018; 178(11): 1544-1547
Char DS, Shah NH, Magnus D. Implementing Machine Learning in Health Care —Addressing Ethical Challenges.N Engl J Med. 2018; 378(11): 981-983