BUSSINESS INTELLIGENCE

Inteligencia Artificial: Cómo podría ayudar a los médicos a reducir la mortalidad materna

noviembre 24, 2021

Uno de los países con mayor tasa de mortalidad materna con ingresos altos, son los Estados Unidos. En contraste con otros países como Francia o Canada, en EU se tienen el doble de probabilidades de morir por complicaciones del parto. Además, es imperante destacar que esta crisis se encuentra más pronunciada en poblaciones de minorías étnicas y raciales ya que tienen muchas más probabilidades de morir por complicaciones relacionadas con el embarazo que sus contrapartes blancas y tienen más probabilidades de sufrir una morbilidad materna grave debido a una hemorragia posparto, trastornos hipertensivos y sepsis.

Sin embargo, datos del CDC (Centros para el Control y la Prevención de Enfermedades) sugieren que aproximadamente el 60% de las muertes maternas se pueden prevenir. Una estrategia prometedora para identificar a las madres de alto riesgo y reducir las muertes y las complicaciones del parto incluye:

  • Usar inteligencia artificial (IA) para predecir qué mujeres embarazadas tienen un alto riesgo de experimentar complicaciones durante el parto.
  • Emplear tecnología digital para monitorear a las pacientes y mejorar su acceso a la atención durante sus embarazos.
  • Las pacientes obstétricas de alto riesgo que dan a luz a sus bebés en hospitales de baja agudeza tienen un 50% más de riesgo de desarrollar morbilidad materna grave en comparación con el parto en hospitales de mayor agudeza con recursos más sólidos y experiencia clínica.
  • Estas estrategias no solo mejorarían los resultados, sino que también reduciría significativamente los costos médicos. Donde se estima que esta aumenta el gasto anual en atención médica de $ 825 millones a varios miles de millones de dólares anuales.
Cómo pueden ayudar los macrodatos y la inteligencia artificial

Estudios han proporcionado evidencia de que la IA, junto con la información de los registros electrónicos, se pueden utilizar para ayudar a prevenir la mortalidad materna. En adición se ha desarrollado una herramienta de detección, que podría predecir complicaciones en el embarazo. Otros dos estudios publicados este año mencionan que mediante el uso de algoritmos de aprendizaje automático se podrían predecir complicaciones obstétricas. Este sistema funciona cuando a las pacientes embarazadas hospitalizadas se les toman sus signos vitales, el dispositivo utilizado para la prueba ingresa automáticamente los datos en los registros médicos electrónicos de las pacientes. La tecnología incorporada en el sistema EHR luego escanea los datos de los signos vitales en todos los registros de las mujeres embarazadas, identifica a las mujeres en riesgo de enfermedad y alerta al personal.

El uso de este sistema es simplemente mostrar que la tecnología se puede usar de esta manera, lo cual demostró la viabilidad del mismo, pero un estudio de seguimiento que realizó mostró que el sistema era mejor que los humanos en la identificación de pacientes obstétricas con riesgo de hemorragias.

Una infraestructura tecnológica sólida que admita la supervisión remota y las consultas médicas virtuales puede permitir que las personas que viven lejos de un centro médico importante accedan a la atención médica de rutina y de alta agudeza, tanto antes como después del nacimiento. Y con esto es más probable que los pacientes modifiquen su comportamiento, realicen un seguimiento y se adhieran a los planes de tratamiento.

Las empresas de tecnología pueden hacer mucho más para ayudar a reducir tanto la brecha digital como las disparidades existentes en obstetricia. Al asociarse con los gobiernos con los centros médicos universitarios, los grandes sistemas de salud y los médicos-científicos líderes, se puede ayudar a desarrollar y financiar el tipo de tecnologías de inteligencia artificial para garantizar que los hospitales y los sistemas de salud más pequeños que atienden a las comunidades más pobres tengan acceso a estas tecnologías.

transformacion digital

Notas populares

  • 1
  • 2
  • 3
  • 4