Acceso usuarios
Valladolid, España
Valladolid, España
Antecedentes: la desnutrición relacionada con la enfermedad (DRE) afecta al 30-50 % de los pacientes hospitalizados y, a menudo, está infradiagnosticada, lo que incrementa los riesgos de complicaciones y los costos sanitarios. Los métodos tradicionales para detectar la DRE se han basado en técnicas manuales que carecen de precisión y eficiencia.
Objetivo: esta revisión narrativa analiza cómo la inteligencia artificial (IA), en particular el aprendizaje automático (AA) y el aprendizaje profundo (AP), puede revolucionar la predicción y el manejo de la DRE en entornos clínicos.
Métodos: se analizan modelos ampliamente utilizados de AA y AP, centrándose en su aplicabilidad clínica, ventajas y limitaciones. También se revisa la integración de estos modelos en los sistemas de registros electrónicos de salud, destacando su potencial para la detección automatizada del riesgo y la optimización de la gestión en tiempo real de los pacientes.
Resultados: los modelos de AA y AP muestran un gran potencial para evaluar con precisión el estado nutricional y predecir complicaciones de la DRE. Estas tecnologías mejoran la toma de decisiones clínicas y la gestión de recursos. Sin embargo, su implementación enfrenta desafíos como la necesidad de grandes volúmenes de datos estandarizados y la integración con los sistemas existentes.
Conclusión: la IA ofrece perspectivas prometedoras para el manejo proactivo de la DRE, subrayando la necesidad de una colaboración interdisciplinaria para superar las barreras existentes y maximizar su impacto positivo en la atención al paciente.
Background: disease-related malnutrition (DRM) affects 30-50 % of hospitalized patients and is often underdiagnosed, increasing risks of complications and healthcare costs. Traditional DRM detection has relied on manual methods that lack accuracy and efficiency.
Objective: this narrative review explores how artificial intelligence (AI), specifically machine learning (ML) and deep learning (DL), can transform the prediction and management of DRM in clinical settings.
Methods: we examine widely used ML and DL models, assessing their clinical applicability, advantages, and limitations. The integration of these models into electronic health record systems allows for automated risk detection and optimizes real-time patient management.
Results: ML and DL models show significant potential for accurate assessment of nutritional status and prediction of complications in patients with DRM. These models facilitate improved clinical decision-making and more efficient resource management, although their implementation faces challenges related to the need for large volumes of standardized data and integration with existing systems.
Conclusion: AI offers promising prospects for proactive DRM management, highlighting the need for interdisciplinary collaboration to overcome existing barriers and maximize its positive impact on patient care.
