Actualmente, el sector sanitario está experimentando una transformación derivada del uso de tecnologías avanzadas en analítica e Inteligencia Artificial. Las demandas y desafíos a los que se enfrentan los sistemas de salud han impulsado el desarrollo de Modelos de Riesgo, que se han consolidado como una estrategia eficaz para abordar estas necesidades de manera eficiente y efectiva.
El proceso de codificación presenta muchos desafíos. En este artículo, exploraremos algunos de los errores más comunes en la Codificación Clínica del Capítulo 11 CIE-10-MC.
Los sesgos presentes en los modelos de ML representan una preocupación de gran envergadura, en especial en sectores como la Sanidad, donde la precisión y la imparcialidad son aspectos fundamentales para brindar una atención de calidad. Abordar estos sesgos exige un enfoque multidisciplinar que abarque desde la recolección y selección de datos hasta el diseño e implantación de los algoritmos.
Recopilamos los conceptos de IA y Machine Learning así como los sistemas de información en Sanidad, los desafíos que hay y cómo se aplican en Sigesa.
Desmenuzamos los códigos que nos aportan información sobre “Factores que influyen en el estado de salud y contacto con los servicios de salud”
Comentaremos conceptos como la generalización y la robustez, sus desafíos y sus mejoras, la monitorización del rendimiento de los modelos de producción y sus limitaciones.
Se profundizará en los conceptos de interpretabilidad y transparencia y se desmitificará el concepto de "cajas negras" explicando qué hay detrás de los modelos.
Trataremos los sesgos en Sanidad, por qué se pueden producir dichos sesgos y como se pueden mitigar, introduciendo conceptos como imparcialidad y equidad.
¿Qué es el Índice de Funcionamiento, para qué sirve, cómo se calcula y cómo se interpreta?. Definición y conceptos del IF.
¿Qué es el Índice de Complejidad, para qué sirve, cómo se calcula y cómo se interpreta?. Definición y conceptos del IC.
