array:24 [ "pii" => "S2253654X21001955" "issn" => "2253654X" "doi" => "10.1016/j.remn.2021.11.002" "estado" => "S300" "fechaPublicacion" => "2022-01-01" "aid" => "1349" "copyright" => "Sociedad Española de Medicina Nuclear e Imagen Molecular" "copyrightAnyo" => "2021" "documento" => "article" "crossmark" => 1 "subdocumento" => "fla" "cita" => "Rev Esp Med Nucl Imagen Mol. 2022;41:39-42" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "Traduccion" => array:1 [ "en" => array:18 [ "pii" => "S2253808921001658" "issn" => "22538089" "doi" => "10.1016/j.remnie.2021.11.002" "estado" => "S300" "fechaPublicacion" => "2022-01-01" "aid" => "1349" "documento" => "article" "crossmark" => 1 "subdocumento" => "fla" "cita" => "Rev Esp Med Nucl Imagen Mol. 2022;41:39-42" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "en" => array:13 [ "idiomaDefecto" => true "cabecera" => "<span class="elsevierStyleTextfn">Special collaboration</span>" "titulo" => "The value of data and its applicability in the Health Sector" "tienePdf" => "en" "tieneTextoCompleto" => "en" "tieneResumen" => array:2 [ 0 => "en" 1 => "es" ] "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "39" "paginaFinal" => "42" ] ] "titulosAlternativos" => array:1 [ "es" => array:1 [ "titulo" => "El valor de los datos y su aplicabilidad en el Sector Sanitario" ] ] "contieneResumen" => array:2 [ "en" => true "es" => true ] "contieneTextoCompleto" => array:1 [ "en" => true ] "contienePdf" => array:1 [ "en" => true ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:8 [ "identificador" => "fig0005" "etiqueta" => "Figure 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 1182 "Ancho" => 2917 "Tamanyo" => 207187 ] ] "detalles" => array:1 [ 0 => array:3 [ "identificador" => "at0005" "detalle" => "Figure " "rol" => "short" ] ] "descripcion" => array:1 [ "en" => "<p id="spar0005" class="elsevierStyleSimplePara elsevierViewall">Example of decomposition of a word.</p>" ] ] ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "Antonio Herrero González" "autores" => array:1 [ 0 => array:2 [ "nombre" => "Antonio" "apellidos" => "Herrero González" ] ] ] ] ] "idiomaDefecto" => "en" "Traduccion" => array:1 [ "es" => array:9 [ "pii" => "S2253654X21001955" "doi" => "10.1016/j.remn.2021.11.002" "estado" => "S300" "subdocumento" => "" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "idiomaDefecto" => "es" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2253654X21001955?idApp=UINPBA00004N" ] ] "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2253808921001658?idApp=UINPBA00004N" "url" => "/22538089/0000004100000001/v1_202201040537/S2253808921001658/v1_202201040537/en/main.assets" ] ] "itemSiguiente" => array:19 [ "pii" => "S2253654X20301918" "issn" => "2253654X" "doi" => "10.1016/j.remn.2020.10.002" "estado" => "S300" "fechaPublicacion" => "2022-01-01" "aid" => "1230" "copyright" => "Sociedad Española de Medicina Nuclear e Imagen Molecular" "documento" => "article" "crossmark" => 1 "subdocumento" => "sco" "cita" => "Rev Esp Med Nucl Imagen Mol. 2022;41:43-4" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "es" => array:11 [ "idiomaDefecto" => true "cabecera" => "<span class="elsevierStyleTextfn">Imágenes de interés</span>" "titulo" => "Afectación mamaria en neoplasias hematológicas con <span class="elsevierStyleSup">18</span>F-Fluorodesoxiglucosa PET/TC" "tienePdf" => "es" "tieneTextoCompleto" => "es" "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "43" "paginaFinal" => "44" ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Breast involvement in hematological malignancies on <span class="elsevierStyleSup">18</span>F-Fluorodeoxyglucose PET/CT" ] ] "contieneTextoCompleto" => array:1 [ "es" => true ] "contienePdf" => array:1 [ "es" => true ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:7 [ "identificador" => "fig0005" "etiqueta" => "Figura 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 649 "Ancho" => 1745 "Tamanyo" => 168361 ] ] "descripcion" => array:1 [ "es" => "<p id="spar0005" class="elsevierStyleSimplePara elsevierViewall">A y B. Múltiples e incontables lesiones hipermetabólicas (patrón miliar) en la PET/TC con [<span class="elsevierStyleSup">18</span>F]fluorodesoxiglucosa basal. C. PET/TC con [<span class="elsevierStyleSup">18</span>F]fluorodesoxiglucosa de seguimiento que muestra una lesión mamaria de pocos milímetros con escaso metabolismo.</p>" ] ] ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "A.M. García Vicente, M.A. Cabero Becerra, G. Pérez Rodríguez, J.R. Romero Macías, Á. Soriano Castrejón" "autores" => array:5 [ 0 => array:2 [ "nombre" => "A.M." "apellidos" => "García Vicente" ] 1 => array:2 [ "nombre" => "M.A." "apellidos" => "Cabero Becerra" ] 2 => array:2 [ "nombre" => "G." "apellidos" => "Pérez Rodríguez" ] 3 => array:2 [ "nombre" => "J.R." "apellidos" => "Romero Macías" ] 4 => array:2 [ "nombre" => "Á." "apellidos" => "Soriano Castrejón" ] ] ] ] ] "idiomaDefecto" => "es" "Traduccion" => array:1 [ "en" => array:9 [ "pii" => "S2253808920301646" "doi" => "10.1016/j.remnie.2020.12.006" "estado" => "S300" "subdocumento" => "" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "idiomaDefecto" => "en" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2253808920301646?idApp=UINPBA00004N" ] ] "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2253654X20301918?idApp=UINPBA00004N" "url" => "/2253654X/0000004100000001/v1_202201060709/S2253654X20301918/v1_202201060709/es/main.assets" ] "itemAnterior" => array:19 [ "pii" => "S2253654X20302110" "issn" => "2253654X" "doi" => "10.1016/j.remn.2020.11.006" "estado" => "S300" "fechaPublicacion" => "2022-01-01" "aid" => "1248" "copyright" => "Sociedad Española de Medicina Nuclear e Imagen Molecular" "documento" => "article" "crossmark" => 1 "subdocumento" => "fla" "cita" => "Rev Esp Med Nucl Imagen Mol. 2022;41:32-8" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "es" => array:13 [ "idiomaDefecto" => true "cabecera" => "<span class="elsevierStyleTextfn">Original</span>" "titulo" => "Correlación entre la captación de <span class="elsevierStyleSup">18</span>F-FDG del tumor primario con los factores pronósticos y subtipo molecular del cáncer ductal de mama" "tienePdf" => "es" "tieneTextoCompleto" => "es" "tieneResumen" => array:2 [ 0 => "es" 1 => "en" ] "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "32" "paginaFinal" => "38" ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Relationships of <span class="elsevierStyleSup">18</span>F-FDG uptake by primary tumors with prognostic factors and molecular subtype in ductal breast cancer" ] ] "contieneResumen" => array:2 [ "es" => true "en" => true ] "contieneTextoCompleto" => array:1 [ "es" => true ] "contienePdf" => array:1 [ "es" => true ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:7 [ "identificador" => "fig0010" "etiqueta" => "Figura 2" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr2.jpeg" "Alto" => 957 "Ancho" => 905 "Tamanyo" => 91195 ] ] "descripcion" => array:1 [ "es" => "<p id="spar0050" class="elsevierStyleSimplePara elsevierViewall">Mujer de 65 años, imagen de proyección de intensidad máxima (MIP) de la PET/TC con [<span class="elsevierStyleSup">18</span>F]FDG <span class="elsevierStyleBold">a)</span> Se observa un carcinoma ductal invasivo y localizado en mama izquierda (diámetro axial de la lesión primaria de 11,8 mm, SUV<span class="elsevierStyleInf">máx</span>: 2,22) en los cortes axiales de la TC, la PET e imagen de fusión (flechas azules) <span class="elsevierStyleBold">b,c,d)</span> Características histopatológicas del tumor primario: grado histológico 1, grado nuclear 1, tasa de mitosis 1, RE 90% positivo, RP 40% positivo, HER2 negativo, Ki 67 15%, p53 negativo, subtipo Luminal A.</p>" ] ] ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "T. Sengoz, Y.A. Karakaya, A. Gültekin, O. Yaylali, H. Senol, D. Yuksel" "autores" => array:6 [ 0 => array:2 [ "nombre" => "T." "apellidos" => "Sengoz" ] 1 => array:2 [ "nombre" => "Y.A." "apellidos" => "Karakaya" ] 2 => array:2 [ "nombre" => "A." "apellidos" => "Gültekin" ] 3 => array:2 [ "nombre" => "O." "apellidos" => "Yaylali" ] 4 => array:2 [ "nombre" => "H." "apellidos" => "Senol" ] 5 => array:2 [ "nombre" => "D." "apellidos" => "Yuksel" ] ] ] ] ] "idiomaDefecto" => "es" "Traduccion" => array:1 [ "en" => array:9 [ "pii" => "S2253808921000094" "doi" => "10.1016/j.remnie.2021.01.004" "estado" => "S300" "subdocumento" => "" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "idiomaDefecto" => "en" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2253808921000094?idApp=UINPBA00004N" ] ] "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2253654X20302110?idApp=UINPBA00004N" "url" => "/2253654X/0000004100000001/v1_202201060709/S2253654X20302110/v1_202201060709/es/main.assets" ] "es" => array:19 [ "idiomaDefecto" => true "cabecera" => "<span class="elsevierStyleTextfn">Colaboración especial</span>" "titulo" => "El valor de los datos y su aplicabilidad en el Sector Sanitario" "tieneTextoCompleto" => true "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "39" "paginaFinal" => "42" ] ] "autores" => array:1 [ 0 => array:3 [ "autoresLista" => "Antonio Herrero González" "autores" => array:1 [ 0 => array:3 [ "nombre" => "Antonio" "apellidos" => "Herrero González" "email" => array:1 [ 0 => "aherrero@quironsalud.es" ] ] ] "afiliaciones" => array:1 [ 0 => array:2 [ "entidad" => "QuironSalud, Madrid, España" "identificador" => "aff0005" ] ] ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "The value of data and its applicability in the Health Sector" ] ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:7 [ "identificador" => "fig0010" "etiqueta" => "Figura 2" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr2.jpeg" "Alto" => 1590 "Ancho" => 2917 "Tamanyo" => 312527 ] ] "descripcion" => array:1 [ "es" => "<p id="spar0020" class="elsevierStyleSimplePara elsevierViewall">Imagen proceso de segmentación.</p>" ] ] ] "textoCompleto" => "<span class="elsevierStyleSections"><p id="par0005" class="elsevierStylePara elsevierViewall">Actualmente las noticias y/o artículos sobre la utilización de la Inteligencia Artificial (IA) y el Big Data nos están inundando y esta situación se ha agudizado con la pandemia, donde se ha dado una gran importancia a su utilización y las diversas aplicaciones en todos los sectores. Unos ámbitos tecnológicos y de oportunidades que cada vez se encuentran más presentes en nuestro día a día.</p><p id="par0010" class="elsevierStylePara elsevierViewall">El sector que más crecimiento ha experimento durante este tiempo de pandemia es, sin lugar a dudas, el sector sanitario. La imperiosa necesidad ha fomentado y agilizado el uso de estas tecnologías. La utilización de datos para poder acometer tratamientos en un breve tiempo, ver las evoluciones de las diferentes enfermedades y predecir su estado es lo que ha impulsado su utilización y donde debido a la situación cualquier ayuda era y es poca.</p><p id="par0015" class="elsevierStylePara elsevierViewall">Lo que hace unos años era inconcebible, ahora con la cantidad de información masiva disponible y la enorme potencia de los sistemas informáticos, ya empieza a ser una realidad.</p><p id="par0020" class="elsevierStylePara elsevierViewall">Sin embargo, hasta ahora no era así, pues cuando hablamos del uso de datos en el sector sanitario, estamos tratando con datos de carácter personal, con referencias unas condiciones clínicas y que requieren del nivel más alto de privacidad, lo cual constituye una barrera a la hora de poner en marcha nuevos proyectos y desarrollos, que deben ser integrados en el circuito habitual de trabajo de los profesionales sanitarios.</p><p id="par0025" class="elsevierStylePara elsevierViewall">Desde este artículo pretendemos dar una explicación de los beneficios del uso de la IA y las diferentes técnicas del Big Data, tanto en el estudio y evolución de enfermedades como en su prevención, detección, seguimiento y tratamiento. Big Data en su definición, consiste en utilizar y procesar grandes cantidades de datos con la finalidad de ver el comportamiento de estos. En este sentido, hay que tener en cuenta que todo análisis de datos y sus comportamientos deben ser contextualizados ya que, sin un contexto, estos análisis no van a tener ningún sentido. Por otro lado, la IA aplicada al campo de la salud, se entendería como el desarrollo y utilización de algoritmos y técnicas de software para predecir la cognición humana a través del análisis masivo de los diferentes conjuntos de datos médicos disponibles.</p><p id="par0030" class="elsevierStylePara elsevierViewall">Son numerosas las aplicaciones de IA y Big Data que se pueden aplicar en el sector sanitario. La mayoría de ellas nacieron en los años 60. Lo único que ha cambiado es que, actualmente, tenemos más capacidad de computación y por tanto podemos acometer el procesamiento de millones de datos en muy poco tiempo.</p><p id="par0035" class="elsevierStylePara elsevierViewall">Definamos brevemente los conceptos más conocidos de este apasionante mundo: <span class="elsevierStyleItalic">Machine Learning</span> y <span class="elsevierStyleItalic">Deep Learning</span>. El <span class="elsevierStyleItalic">Machine Learning</span> utiliza algoritmos para analizar datos, aprender de esos datos y proponer decisiones basadas en lo aprendido, es decir las personas «entrenan» a las máquinas para reconocer patrones basados en datos y hacer sus predicciones. El <span class="elsevierStyleItalic">Deep Learning</span> es un subconjunto del <span class="elsevierStyleItalic">Machine Learning</span> en el que la máquina es capaz de razonar y sacar sus propias conclusiones, aprendiendo por sí misma, estructurando los algoritmos en capas, para crear una red neuronal artificial, similar al cerebro humano, de forma puede aprender y tomar decisiones por sí misma.</p><p id="par0040" class="elsevierStylePara elsevierViewall">Entre las aplicaciones más utilizadas y conocidas de estas tecnologías podemos señalar:</p><p id="par0045" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleBold">PLN</span><a class="elsevierStyleCrossRef" href="#bib0055"><span class="elsevierStyleSup">1</span></a><span class="elsevierStyleBold">(Procesamiento del Lenguaje Natural).</span> Mediante esta técnica podemos estructurar un texto como, por ejemplo, un informe médico y buscar términos relacionados con patologías. Es muy parecido al trabajo que hacen nuestro personal de documentación clínica, los codificadores clínicos que, a lo largo de la estancia de un paciente en el hospital, realización una estructuración y normalización de datos basados en estándares internacionales, como pueden ser Snomed-CT o La CIE-10. Por lo tanto, estructurar un informe médico con PLN<a class="elsevierStyleCrossRef" href="#bib0060"><span class="elsevierStyleSup">2</span></a>, sería lo mismo, pero de forma automática e intentando poner en contexto lo indicado por el profesional sanitario (<a class="elsevierStyleCrossRef" href="#fig0005">fig. 1</a>).</p><elsevierMultimedia ident="fig0005"></elsevierMultimedia><p id="par0050" class="elsevierStylePara elsevierViewall">Esto tiene una ventaja enorme ya que podemos procesar grandes cantidades de información en muy poco tiempo. El objetivo no es sólo procesar la información que se genera en el hospital, sino también procesar información externa y combinando ambas fuentes, poder ayudar a los facultativos a definir tratamientos más personalizados, basados en estudios científicos, alimentándolo con publicaciones de revistas médicas, cientos de libros y millones de textos, dando sentido médico a toda esta información, y utilizarlo siempre como ayuda al diagnóstico<a class="elsevierStyleCrossRef" href="#bib0065"><span class="elsevierStyleSup">3</span></a>.</p><p id="par0055" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic"><span class="elsevierStyleBold">Machine Learning</span></span>. Esta técnica nos permite, por ejemplo, analizar los datos de forma retrospectiva, por ejemplo, valores de laboratorio, estado del paciente, evolución de antecedentes personales, etc. De esta forma, y combinado con la técnica anterior, podemos encontrar patrones de comportamiento mediante los cuales podemos trabajar en la predicción de enfermedades. Este es el punto que quizá sea el más controvertido debido a que muchos de los datos que se tratan y las conclusiones a las que se llegan deben tener una explicación lógica para los facultativos, si no, pueden tener un efecto totalmente contrario al deseado, todo lo que no se pueda explicar es difícil de defender y creer.</p><p id="par0060" class="elsevierStylePara elsevierViewall">Un ejemplo de lo comentado puede ser el siguiente artículo<a class="elsevierStyleCrossRef" href="#bib0070"><span class="elsevierStyleSup">4</span></a>:</p><p id="par0065" class="elsevierStylePara elsevierViewall"><a href="https://www.sciencedaily.com/releases/2019/09/190903101451.htm">https://www.sciencedaily.com/releases/2019/09/190903101451.htm</a>.</p><p id="par0070" class="elsevierStylePara elsevierViewall">Aunque también podemos parafrasear a Charalambos Antoniades, profesor de Medicina Cardiovascular e investigador clínico de BHF en la Universidad de Oxford: «<span class="elsevierStyleItalic">Al aprovechar el poder de la IA, hemos desarrollado una huella digital para encontrar características «malas» alrededor de las arterias de las personas. Esto tiene un enorme potencial para detectar los primeros signos de enfermedad y poder tomar todas las medidas preventivas antes de que ocurra un ataque cardíaco, en última instancia, salvando vidas</span>».</p><p id="par0075" class="elsevierStylePara elsevierViewall"><span class="elsevierStyleItalic"><span class="elsevierStyleBold">Deep Learning</span></span>. Podemos definir un caso de uso en la aplicación de la IA para procesamiento de las imágenes radiológicas, con la finalidad de detectar variaciones o búsqueda de patrones que nos indiquen una anomalía en la propia imagen<a class="elsevierStyleCrossRef" href="#bib0075"><span class="elsevierStyleSup">5</span></a>, muchas de ellas imperceptibles al ojo humano y sobre todo trabajando en la estandarización de las imágenes con gran heterogeneidad debido a los diferentes proveedores y equipos existentes. En este caso lo que se suele hacer es entrenar un sistema, que al final va a estar compuesto por una o varias redes neuronales con capas convolucionales, las cuales puede diferir en su estructura y diseño en función del objetivo perseguido y etiquetando lo visto en la propia imagen por el radiólogo, o el personal correspondiente, para que el modelo aprenda. En el momento que aparezca una imagen nueva muy similar a las etiquetadas y utilizadas en el entrenamiento el modelo nos proporcionará una salida que podemos convertir en aproximación de una patología o anomalía.</p><p id="par0080" class="elsevierStylePara elsevierViewall">En el grupo, tenemos varios casos prácticos en la utilización <span class="elsevierStyleItalic">Deep Learning</span>, uno reciente por lo vivido en la pandemia, nos obligó a estudiar como podíamos ayudar a nuestro personal médico en la identificación de placas de tórax con anomalías. Para ello, evidentemente, nos apoyamos en nuestros radiólogos que nos fueron etiquetando imágenes complicadas que el modelo no detectaba. Con estas acciones más el entrenamiento de nuestro modelo con imágenes públicas y etiquetadas, conseguimos un porcentaje de acierto de entre el 80-90% dependiendo de la patología identificada. Actualmente está puesto en producción dentro del circuito de trabajo de los radiólogos como sistema de ayuda a identificar de forma rápida anomalías en las imágenes.</p><p id="par0085" class="elsevierStylePara elsevierViewall">A todas las imágenes les hacemos un pre-procesado para la normalización inicial que consiste es ajustar tamaños, brillo, contraste, eliminación de ruido, eliminación de datos, marcas, etc.</p><p id="par0090" class="elsevierStylePara elsevierViewall">Como ejemplo de lo anterior, se pueden consultar las <a class="elsevierStyleCrossRefs" href="#fig0010">figuras 2 y 3</a>).</p><elsevierMultimedia ident="fig0010"></elsevierMultimedia><elsevierMultimedia ident="fig0015"></elsevierMultimedia><p id="par0095" class="elsevierStylePara elsevierViewall">Otro caso de uso es la implementación de una herramienta que nos ayuda con una actividad que en Oncología Radioterápica que se conoce como «contorneo». Consiste en la segmentación de imágenes que, posteriormente, se utilizarán como base del tratamiento que va a recibir el paciente. En este caso, el sistema está entrenado con miles de imágenes y cuando necesitamos procesar una nueva tenemos tres ventajas sobre el trabajo manual:<ul class="elsevierStyleList" id="lis0005"><li class="elsevierStyleListItem" id="lsti0005"><span class="elsevierStyleLabel">∘</span><p id="par0100" class="elsevierStylePara elsevierViewall">Reducción de la carga de trabajo, en algunos casos disminuyendo procesado de varias horas a minutos.</p></li><li class="elsevierStyleListItem" id="lsti0010"><span class="elsevierStyleLabel">∘</span><p id="par0105" class="elsevierStylePara elsevierViewall">Aumentar la calidad del contorneo</p></li><li class="elsevierStyleListItem" id="lsti0015"><span class="elsevierStyleLabel">∘</span><p id="par0110" class="elsevierStylePara elsevierViewall">Disminuir la variabilidad interobservador</p></li></ul></p><p id="par0115" class="elsevierStylePara elsevierViewall">Todo esto repercute positivamente en el paciente y evidentemente el proceso final es supervisado por un humano. Esto no se hace desde la perspectiva de ahorrar recursos, sino para aumentar la seguridad del paciente y que estas personas puedan desempeñar labores de mayor valor dentro del servicio.</p><p id="par0120" class="elsevierStylePara elsevierViewall">Para terminar, dentro de la Medicina Nuclear empieza ya a sonar con fuerza el nombre de la radiómica<a class="elsevierStyleCrossRef" href="#bib0080"><span class="elsevierStyleSup">6</span></a> como nuevo método diagnóstico. La radiómica<a class="elsevierStyleCrossRef" href="#bib0085"><span class="elsevierStyleSup">7</span></a> consiste en predecir algo (diagnóstico, pronóstico, genética) de una afección con base en la extracción de características cuantitativas de las imágenes y análisis de multitud de características de una imagen no identificables por el ojo humano, como modificaciones de texturas, ondas, volumen, espesor, forma, etc. La radiómica<a class="elsevierStyleCrossRef" href="#bib0090"><span class="elsevierStyleSup">8</span></a> se puede combinar con la IA debido a su mejor capacidad para manejar una gran cantidad de datos en comparación con los métodos estadísticos tradicionales. Juntos, el propósito principal es el de extraer y analizar la mayor cantidad posible de datos cuantitativos ocultos significativos en el menor lapso de tiempo para su uso en el apoyo a la toma de decisiones, pudiendo llegar a ser una herramienta muy potente para hacer una medicina más personalizada<a class="elsevierStyleCrossRef" href="#bib0095"><span class="elsevierStyleSup">9</span></a>. Con una validación adecuada de los resultados, podremos utilizarla para diagnosticar tumores o saber si éstos son más agresivos e incluso si están respondiendo a los tratamientos que está recibiendo el paciente.</p><p id="par0125" class="elsevierStylePara elsevierViewall">Evidentemente estamos hablando de combinar estas técnicas sofisticadas con biomarcadores obtenidos del estudio avanzado de resultados genómicos, resultados de laboratorio, etc.</p><p id="par0130" class="elsevierStylePara elsevierViewall">De esta manera se reducen los tiempos de diagnóstico<a class="elsevierStyleCrossRef" href="#bib0100"><span class="elsevierStyleSup">10</span></a>.</p><p id="par0135" class="elsevierStylePara elsevierViewall">Esto no es el futuro, es el presente, lo único que se necesita es compromiso para acometer estos proyectos.</p></span>" "pdfFichero" => "main.pdf" "tienePdf" => true "fechaRecibido" => "2021-11-15" "fechaAceptado" => "2021-11-16" "PalabrasClave" => array:2 [ "es" => array:1 [ 0 => array:4 [ "clase" => "keyword" "titulo" => "Palabras clave" "identificador" => "xpalclavsec1463675" "palabras" => array:6 [ 0 => "Inteligencia Artificial" 1 => "Big Data" 2 => "Procesamiento del Lenguaje Natural" 3 => "Machine Learning" 4 => "Deep Learning" 5 => "Radiómica" ] ] ] "en" => array:1 [ 0 => array:4 [ "clase" => "keyword" "titulo" => "Keywords" "identificador" => "xpalclavsec1463674" "palabras" => array:6 [ 0 => "Artificial intelligence" 1 => "Big Data" 2 => "Natural Language Processing" 3 => "Machine Learning" 4 => "Deep Learning" 5 => "Radiomics" ] ] ] ] "tieneResumen" => true "resumen" => array:2 [ "es" => array:2 [ "titulo" => "Resumen" "resumen" => "<span id="abst0005" class="elsevierStyleSection elsevierViewall"><p id="spar0005" class="elsevierStyleSimplePara elsevierViewall">Actualmente las noticias y/o artículos sobre la utilización de la Inteligencia Artificial (IA) y el Big Data nos están inundando y esta situación se ha agudizado con la pandemia, donde se ha dado una gran importancia a su utilización y las diversas aplicaciones en todos los sectores. Unos ámbitos tecnológicos y de oportunidades que cada vez se encuentran más presentes en nuestro día a día. El sector que más crecimiento ha experimento durante este tiempo de pandemia es, sin lugar a dudas, el sector sanitario. La imperiosa necesidad ha fomentado y agilizado el uso de estas tecnologías. La utilización de datos para poder acometer tratamientos en un breve tiempo, ver las evoluciones de las diferentes enfermedades y predecir su estado es lo que ha impulsado su utilización y donde debido a la situación cualquier ayuda era y es poca. Desde este artículo pretendemos dar una explicación de los beneficios del uso de la IA y las diferentes técnicas del Big Data, tanto en el estudio y evolución de enfermedades como en su prevención, detección, seguimiento y tratamiento.</p></span>" ] "en" => array:2 [ "titulo" => "Abstract" "resumen" => "<span id="abst0010" class="elsevierStyleSection elsevierViewall"><p id="spar0010" class="elsevierStyleSimplePara elsevierViewall">Currently news and/or articles on the use of Artificial Intelligence and the Big Data are flooding us and this situation has worsened with the pandemic, where great importance has been given to its use and the various applications in all sectors. Some areas of technology and opportunities that are increasingly are more present in our day to day. The sector that has experienced the most growth during this time of pandemic is, without a doubt, the Health sector. The imperative need has fostered and expedited the use of these technologies. The use of data to be able to undertake treatments in a short time, see the evolutions of the different diseases and predict their state is what has driven its use and where due to the situation any help was and is little. From this article we intend to give an explanation of the benefits of using the Artificial Intelligence and the different Big Data techniques, both in the study and evolution of diseases as in their prevention, detection, monitoring and treatment.</p></span>" ] ] "NotaPie" => array:1 [ 0 => array:2 [ "etiqueta" => "☆" "nota" => "<p class="elsevierStyleNotepara" id="npar0005">Responsable IA/Data Analytics. Área de Big Data Organización Procesos y TIC.</p>" ] ] "multimedia" => array:3 [ 0 => array:7 [ "identificador" => "fig0005" "etiqueta" => "Figura 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 1182 "Ancho" => 2917 "Tamanyo" => 189201 ] ] "descripcion" => array:1 [ "es" => "<p id="spar0015" class="elsevierStyleSimplePara elsevierViewall">Ejemplo descomposición de palabra.</p>" ] ] 1 => array:7 [ "identificador" => "fig0010" "etiqueta" => "Figura 2" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr2.jpeg" "Alto" => 1590 "Ancho" => 2917 "Tamanyo" => 312527 ] ] "descripcion" => array:1 [ "es" => "<p id="spar0020" class="elsevierStyleSimplePara elsevierViewall">Imagen proceso de segmentación.</p>" ] ] 2 => array:7 [ "identificador" => "fig0015" "etiqueta" => "Figura 3" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr3.jpeg" "Alto" => 1161 "Ancho" => 2500 "Tamanyo" => 306356 ] ] "descripcion" => array:1 [ "es" => "<p id="spar0025" class="elsevierStyleSimplePara elsevierViewall">Resultado del procesamiento.</p>" ] ] ] "bibliografia" => array:2 [ "titulo" => "Bibliografía" "seccion" => array:1 [ 0 => array:2 [ "identificador" => "bibs0015" "bibliografiaReferencia" => array:10 [ 0 => array:3 [ "identificador" => "bib0055" "etiqueta" => "1" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Información básica: Semi-supervised medical entity recognition: A study on Spanish and Swedish clinical corpora" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "A. Pérez" 1 => "R. Weegar" 2 => "A. Casillas" 3 => "K. Gojenola" 4 => "M. Oronoz" 5 => "H. Dalianis" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1016/j.jbi.2017.05.009" "Revista" => array:6 [ "tituloSerie" => "J Biomed Inform." "fecha" => "2017 Jul" "volumen" => "71" "paginaInicial" => "16" "paginaFinal" => "30" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/28526460" "web" => "Medline" ] ] ] ] ] ] ] ] 1 => array:3 [ "identificador" => "bib0060" "etiqueta" => "2" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Computer-Assisted Diagnostic Coding: Effectiveness of an NLP-based approach using SNOMED CT to ICD-10 mappings" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "A.N. Nguyen" 1 => "D. Truran" 2 => "M. Kemp" 3 => "B. Koopman" 4 => "D. Conlan" 5 => "J. O’Dwyer" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "AMIA Annu Symp Proc." "fecha" => "2018" "volumen" => "2018" "paginaInicial" => "807" "paginaFinal" => "816" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/30815123" "web" => "Medline" ] ] ] ] ] ] ] ] 2 => array:3 [ "identificador" => "bib0065" "etiqueta" => "3" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Clinical Text Data in Machine Learning: Systematic Review" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "I. Spasic" 1 => "G. Nenadic" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.2196/17984" "Revista" => array:5 [ "tituloSerie" => "JMIR Med Inform." "fecha" => "2020 Mar 31" "volumen" => "8" "paginaInicial" => "e17984" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/32229465" "web" => "Medline" ] ] ] ] ] ] ] ] 3 => array:3 [ "identificador" => "bib0070" "etiqueta" => "4" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:1 [ "titulo" => "New AI technology for advanced heart attack prediction" ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:2 [ "tituloSerie" => "British Heart Foundation." "fecha" => "2019" ] ] ] ] ] ] 4 => array:3 [ "identificador" => "bib0075" "etiqueta" => "5" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Integrative radiogenomics for virtual biopsy and treatment monitoring in ovarian cancer" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "P. Martin-Gonzalez" 1 => "M. Crispin-Ortuzar" 2 => "L. Rundo" 3 => "M. Delgado-Ortet" 4 => "M. Reinius" 5 => "L. Beer" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1186/s13244-020-00895-2" "Revista" => array:5 [ "tituloSerie" => "Insights Imaging" "fecha" => "2020" "volumen" => "11" "paginaInicial" => "94" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/32804260" "web" => "Medline" ] ] ] ] ] ] ] ] 5 => array:3 [ "identificador" => "bib0080" "etiqueta" => "6" "referencia" => array:1 [ 0 => array:1 [ "referenciaCompleta" => "La radiómica, prometedor y novedoso método diagnóstico en cáncer de pulmón 06/02/2020 <a target="_blank" href="https://farmacosalud.com/la-radiomica-prometedor-y-novedoso-metodo-diagnostico-en-cancer-de-pulmon/7">https://farmacosalud.com/la-radiomica-prometedor-y-novedoso-metodo-diagnostico-en-cancer-de-pulmon/7</a>" ] ] ] 6 => array:3 [ "identificador" => "bib0085" "etiqueta" => "7" "referencia" => array:1 [ 0 => array:1 [ "referenciaCompleta" => "La radiómica como herramienta para combatir el cáncer de forma eficaz Autor: Oliver 23 ENERO 2020 <a target="_blank" href="http://cienciacarbonica.es/la-radiomica-como-herramienta-para-combatir-el-cancer-de-forma-eficaz/">http://cienciacarbonica.es/la-radiomica-como-herramienta-para-combatir-el-cancer-de-forma-eficaz/</a>" ] ] ] 7 => array:3 [ "identificador" => "bib0090" "etiqueta" => "8" "referencia" => array:1 [ 0 => array:1 [ "referenciaCompleta" => "Python: Pyradiomics is an open-source python package for the extraction of radiomics data from medical Images 2017 COMPUTATIONAL IMAGING & BIOINFORMATICS LAB - HARVARD MEDICAL SCHOOL https://www.radiomics.io/pyradiomics.html" ] ] ] 8 => array:3 [ "identificador" => "bib0095" "etiqueta" => "9" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Computational Radiomics System to Decode the Radiographic Phenotype" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:6 [ 0 => "J.J.M. van Griethuysen" 1 => "A. Fedorov" 2 => "C. Parmar" 3 => "A. Hosny" 4 => "N. Aucoin" 5 => "V. Narayan" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1158/0008-5472.CAN-17-0339" "Revista" => array:6 [ "tituloSerie" => "Cancer Res." "fecha" => "2017" "volumen" => "77" "paginaInicial" => "e104" "paginaFinal" => "e107" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/29092951" "web" => "Medline" ] ] ] ] ] ] ] ] 9 => array:3 [ "identificador" => "bib0100" "etiqueta" => "10" "referencia" => array:1 [ 0 => array:1 [ "referenciaCompleta" => "Open-source python package for the extraction of Radiomics features from 2<span class="elsevierStyleHsp" style=""></span>D and 3<span class="elsevierStyleHsp" style=""></span>D images and binary masks van Griethuysen, J.J. M., Fedorov, A., Parmar, C., Hosny, A., Aucoin, N., Narayan, V., Beets-Tan, R.G. H., Fillion-Robin, J.C., Pieper, S., Aerts, H.J. W. L. (2017). Computational Radiomics System to Decode the Radiographic Phenotype. Cancer Research, 77(21), e104-e107. https://doi.org/10.1158/0008-5472.CAN-17-0339 https://github.com/AIM-Harvard/pyradiomics." ] ] ] ] ] ] ] ] "idiomaDefecto" => "es" "url" => "/2253654X/0000004100000001/v1_202201060709/S2253654X21001955/v1_202201060709/es/main.assets" "Apartado" => array:4 [ "identificador" => "7913" "tipo" => "SECCION" "es" => array:2 [ "titulo" => "Colaboración especial" "idiomaDefecto" => true ] "idiomaDefecto" => "es" ] "PDF" => "https://static.elsevier.es/multimedia/2253654X/0000004100000001/v1_202201060709/S2253654X21001955/v1_202201060709/es/main.pdf?idApp=UINPBA00004N&text.app=https://www.elsevier.es/" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S2253654X21001955?idApp=UINPBA00004N" ]
Journal Information
Share
Download PDF
More article options
Colaboración especial
El valor de los datos y su aplicabilidad en el Sector Sanitario
The value of data and its applicability in the Health Sector
Antonio Herrero González
QuironSalud, Madrid, España