Jove
Visualize
Contáctanos
JoVE
x logofacebook logolinkedin logoyoutube logo
ACERCA DE JoVE
Visión GeneralLiderazgoBlogCentro de Ayuda JoVE
AUTORES
Proceso de PublicaciónConsejo EditorialAlcance y PolíticasRevisión por ParesPreguntas FrecuentesEnviar
BIBLIOTECARIOS
TestimoniosSuscripcionesAccesoRecursosConsejo Asesor de BibliotecasPreguntas Frecuentes
INVESTIGACIÓN
JoVE JournalMethods CollectionsJoVE Encyclopedia of ExperimentsArchivo
EDUCACIÓN
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab ManualCentro de Recursos para ProfesoresSitio de Profesores
Términos y Condiciones de Uso
Política de Privacidad
Políticas

Videos de Conceptos Relacionados

Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving01:29

Mechanistic Models: Compartment Models in Algorithms for Numerical Problem Solving

100
Mechanistic models play a crucial role in algorithms for numerical problem-solving, particularly in nonlinear mixed effects modeling (NMEM). These models aim to minimize specific objective functions by evaluating various parameter estimates, leading to the development of systematic algorithms. In some cases, linearization techniques approximate the model using linear equations.
In individual population analyses, different algorithms are employed, such as Cauchy's method, which uses a...
100
Mechanistic Models: Compartment Models in Individual and Population Analysis01:23

Mechanistic Models: Compartment Models in Individual and Population Analysis

86
Mechanistic models are utilized in individual analysis using single-source data, but imperfections arise due to data collection errors, preventing perfect prediction of observed data. The mathematical equation involves known values (Xi), observed concentrations (Ci), measurement errors (εi), model parameters (ϕj), and the related function (ƒi) for i number of values. Different least-squares metrics quantify differences between predicted and observed values. The ordinary least...
86
Endocrine Signaling01:45

Endocrine Signaling

64.9K
Endocrine cells produce hormones to communicate with remote target cells found in other organs. The hormone reaches these distant areas using the circulatory system. This exposes the whole organism to the hormone but only those cells expressing hormone receptors or target cells are affected. Thus, endocrine signaling induces slow responses from its target cells but these effects also last longer.
64.9K

También podría leer

Artículos Relacionados

Artículos vinculados a este trabajo por autores compartidos, revista y gráfico de citas.

Ordenar por
Same author

Vitamin D concentration is associated with enhanced neutrophil extracellular traps formation in type 2 diabetes: the effect of glycemic control.

Polish archives of internal medicine·2026
Same author

First report of enchondroma mimicking thyroid cancer metastasis on post-therapeutic 131I scintigraphy and single photon emission computed tomography / computed tomography.

Polish archives of internal medicine·2026
Same author

Ultra-late pulmonary carcinoid recurrence: challenges in long-term surveillance.

Polish archives of internal medicine·2026
Same author

Composite Pheochromocytomas: More Common Than Expected and Associated With Distinct Clinical Profile.

Endocrine practice : official journal of the American College of Endocrinology and the American Association of Clinical Endocrinologists·2026
Same author

A rare case of craniopharyngioma in the pituitary stalk region mimicking lymphocytic hypophysitis.

Polish archives of internal medicine·2026
Same author

Improving the Somatostatin Receptor Status Assessment for Personalized and Precise Management of Neuroendocrine Neoplasms with the Use of a <sup>99m</sup>Tc-Radiolabeled Somatostatin Receptor Antagonist: The Final Results of the ERA PerMed TECANT Clinical Trial.

Journal of nuclear medicine : official publication, Society of Nuclear Medicine·2026

Video Experimental Relacionado

Updated: Sep 10, 2025

Constructing and Visualizing Models using Mime-based Machine-learning Framework
06:19

Constructing and Visualizing Models using Mime-based Machine-learning Framework

Published on: July 22, 2025

634

Aprendizaje automático en endocrinología: aplicaciones actuales y perspectivas futuras

Magdalena Kamińska1, Małgorzata Trofimiuk-Müldner1, Grzegorz Sokołowski1

  • 1Chair and Department of Endocrinology, Jagiellonian University Medical College, Kraków, Poland.

Endocrine
|August 20, 2025
PubMed
Resumen

El aprendizaje automático (ML) es prometedor para avanzar en la investigación endocrinológica mediante el análisis de datos complejos para mejorar la comprensión de la enfermedad y la atención al paciente. Desafíos como el desequilibrio de datos y los obstáculos de implementación requieren más investigación y colaboración para un uso clínico seguro.

Palabras clave:
Inteligencia artificialEndocrinologíaAprendizaje automático

Más Videos Relacionados

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
07:15

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

6.9K
Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
04:09

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Published on: October 10, 2018

8.3K

Videos de Experimentos Relacionados

Last Updated: Sep 10, 2025

Constructing and Visualizing Models using Mime-based Machine-learning Framework
06:19

Constructing and Visualizing Models using Mime-based Machine-learning Framework

Published on: July 22, 2025

634
Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model
07:15

Machine Learning Algorithms for Early Detection of Bone Metastases in an Experimental Rat Model

Published on: August 16, 2020

6.9K
Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma
04:09

Predicting Treatment Response to Image-Guided Therapies Using Machine Learning: An Example for Trans-Arterial Treatment of Hepatocellular Carcinoma

Published on: October 10, 2018

8.3K

Área de la Ciencia:

  • Endocrinología
  • Biología computacional
  • La informática médica

Sus antecedentes:

  • La investigación en endocrinología está aprovechando cada vez más el aprendizaje automático (ML) para el análisis de datos.
  • ML puede descubrir patrones complejos en grandes conjuntos de datos, ayudando a comprender los trastornos endocrinos.
  • Las aplicaciones de ML en el cuidado de la salud prometen resultados optimizados y nuevas ideas.

Objetivo del estudio:

  • Revisar conceptos básicos de aprendizaje automático relevantes para la endocrinología.
  • Resaltar las áreas endócrinas específicas con un potencial significativo para la aplicación de ML.
  • Proporcionar una visión general de las metodologías de ML en la investigación endocrina.

Principales métodos:

  • Se empleó un enfoque de revisión narrativa.
  • Búsqueda sistemática de la literatura realizada para estudios publicados entre enero de 2000 y diciembre de 2024.
  • Enfocarse en las condiciones endocrinas analizadas mediante métodos estadísticos de ML.

Principales resultados:

  • El análisis de 1130 estudios reveló que la investigación de la tiroides es la más común, seguida de estudios de la hipófisis, las suprarrenales y la paratiroides.
  • Las aplicaciones de ML abarcan la imagen médica, la clasificación de tumores, la predicción de la respuesta al tratamiento, la estimación del riesgo y la identificación de biomarcadores.
  • Aplicación significativa de ML en el diagnóstico y la comprensión de las enfermedades endocrinas.

Conclusiones:

  • El aprendizaje automático tiene un potencial sustancial para mejorar el diagnóstico, el tratamiento y la comprensión de las enfermedades endocrinas.
  • Las limitaciones actuales incluyen la falta de transparencia del modelo, el desequilibrio de los datos y los desafíos de la implementación clínica.
  • La validación adicional, la colaboración interdisciplinaria y la estandarización son cruciales para la integración segura y efectiva de ML en endocrinología.