.png){kind=logo}
La IA puede ayudar a las organizaciones de atención médica (HCO) a identificar a las personas en riesgo de desarrollar el síndrome metabólico (MetS).
El síndrome metabólico (MetS) es un conjunto de factores de riesgo (obesidad central, resistencia a la insulina, dislipidemia e hipertensión) que aumenta significativamente el riesgo de enfermedad cardiovascular y diabetes tipo 2. También suele incluir afecciones como la coagulación sanguínea excesiva y la inflamación crónica de bajo grado, y se ha relacionado con varios tipos de cáncer, como el cáncer de mama, de páncreas, de colon y de hígado (1) (2). Aproximadamente 80 millones de adultos en los EE. UU. cumplen con los criterios para acceder a los servicios de salud hospitalarios, lo que supone un aumento promedio anual del 60% en la utilización y los costos de la atención de la salud en comparación con aquellos que no lo tienen (3). Las personas con trastornos del metabolismo metabólico tienen cinco veces más probabilidades de desarrollar diabetes, y esta afección contribuye a que el costo total de la atención médica anual supere los 220 000 millones de dólares (4) (5). A pesar de su prevalencia y sus graves implicaciones, el conocimiento público sobre el síndrome metabólico congénito es bajo: menos del 15% de las personas en riesgo o con diabetes son conscientes de la enfermedad. Aumentar la concienciación y la identificación temprana son cruciales, ya que otros 104 millones de personas corren el riesgo de desarrollar esta enfermedad (6).
Para ayudar en este esfuerzo, se ha desarrollado un modelo de IA para predecir la aparición de MetS en individuos. Aprovecha las variables fisiológicas y del estilo de vida, y ofrece a los proveedores de atención médica un medio para identificar y apoyar a los pacientes en las categorías de alto riesgo de contraer el síndrome metabólico metabólico con las medidas preventivas adecuadas.
El conjunto de datos sintético se creó haciendo referencia a extensas investigaciones y datos de estudios revisados por pares y bases de datos de atención médica para replicar de cerca los casos clínicos auténticos. Fuentes como Steinberg et al. (1), NHLBI (2), O'Neill y O'Driscoll (3), Boudreau et al. (4), Yu et al. (5) y Lewis et al. (6) proporcionaron los marcos necesarios para los atributos del modelo, garantizando una predicción precisa del MetS.
