Acceso usuarios
Shanoja Naik
, Doris Grinspun
Introducción. La inteligencia artificial y metodologías de aprendizaje automático, como la predicción, reconocimiento de patrones, o inferencia general basada en datos utilizados en aspectos clínicos, deben encajar entre las razones previstas para su desarrollo. El objetivo de este artículo es brindar detalles no técnicos de alto nivel, sobre la iniciativa y el acercamiento exhaustivo que fue tomado para integrar técnicas impulsadas por IA en prácticas de enfermería basadas en evidencia apropiadamente. Metodología. Un abordaje de múltiples enfoques por fases se consideró para desarrollar herramientas de inteligencia artificial. Este abordaje incluye la realización de una revisión integrativa, el análisis de datos para identificar patrones de intervención de impacto, el empleo de triangulación de datos, la mejora en la recolección de datos basados en estrategias de intervención de impacto, y el desarrollo de un prototipo (piloto) para una herramienta de inteligencia artificial. El proceso agrupa una prueba piloto, realización de pruebas y entrenamiento, validación, e implementación. Resultados. En esta etapa temprana de la prueba piloto de la herramienta, el enfoque principal fue identificar patrones de las diferentes fuentes de información recolectada por organizaciones de la salud. Este análisis reveló oportunidades para la generación de conocimiento, facilitó una implementación acelerada de las guías, y potenció la eficiencia de los recursos. Discusión. Enfocándose en un modelo basado en datos para informar acerca de las mejores prácticas para la implementación de guías e identificar las intervenciones con mayor impacto es facilitado por un extenso almacenamiento interno de datos. La triangulación de los enfoques para el desarrollo de la guía, la implementación y la evaluación contribuye al desarrollo de inteligencia artificial y metodologías de aprendizaje automático científicamente validadas. Conclusión. Cualquier técnica de inteligencia artificial requiere una gran cantidad de datos. Para proveer a organizaciones de la salud la mejor evidencia disponible, deben realizarse esfuerzos significativos para estructurar la recolección de datos y asegurar la calidad de estos antes de expandir el desarrollo de herramientas de inteligencia artificial.
Introduction. Artificial intelligence and machine learning methodologies, such as prediction, pattern recognition, or general inference based on the data used in clinical aspects, must fit within the intended purposes of developing it. This article aims to provide high-level, non-technical details of the initiative and a comprehensive approach that has been taken to integrate AI-powered techniques in evidence-based nursing practices appropriately. Methodology. A multi-pronged phased approach was considered for developing artificial intelligence tools. This approach includes conducting a scoping review, analyzing data to identify patterns of impactful intervention, employing data triangulation, enhancing data collection based on impactful intervention strategies, and developing a prototype (pilot) for an artificial intelligence tool. The process encompasses piloting, testing and training, validation, and implementation. Results. In this early stage of piloting the tool, the primary focus was identifying patterns from various information gathered from healthcare organizations. This analysis revealed opportunities for knowledge generation, facilitated the expedited implementation of guidelines, and enhanced resource efficiency. Discussion. Focusing on a data-driven model to inform best practices for implementing guidelines and identifying the most impactful interventions is facilitated by extensive in-house data storage. The triangulation of approaches to guideline development, implementation, and evaluation contributes to developing this scientifically validated artificial intelligence and machine learning initiative. Conclusion. Any artificial intelligence technique requires extensive data. To provide healthcare organizations with the best available evidence, purposeful efforts must be made to structure data collection and ensure data quality before expanding the development of artificial intelligence tools.
