Video Experimental Relacionado
Updated: Jan 17, 2026
Implementation of a Real-Time Psychosis Risk Detection and Alerting System Based on Electronic Health Records using CogStack
Published on: May 15, 2020
Desarrollo de un algoritmo de predicción de riesgo de suicidio utilizando datos de registros de salud electrónicos en
Linda Hummel1,2, Karin C A G Lorenz-Artz1,2, Joyce J P A Bierbooms1
1Tranzo Scientific Center for Care and Wellbeing, Tilburg School of Social and Behavioral Sciences, Tilburg University, Prof. Cobbenhagenlaan 125, Reitse Poort, Room RP 204, Tilburg, 5037 DB, The Netherlands, 31683662495.
El desarrollo de inteligencia artificial (IA) para la atención de salud mental enfrenta desafíos en datos e implementación. Abordar estos requiere integrar puntos de vista clínicos y técnicos para servicios de salud mental efectivos y basados en datos.
Área de la Ciencia:
- Tecnología de Salud Mental; Inteligencia Artificial en la Atención Médica; Informática Clínica
Sus antecedentes:
- La inteligencia artificial (IA) presenta soluciones para los sistemas de salud mental sobrecargados, sin embargo, pocas herramientas de IA se implementan en la práctica clínica. La fase de desarrollo del algoritmo es crucial para tender puentes entre la innovación y la aplicación práctica, influyendo en el éxito futuro de la implementación. El desarrollo de la IA debe considerar cómo las elecciones de diseño impactan la adopción clínica y la usabilidad.
Objetivo del estudio:
- Examinar el proceso de desarrollo de un algoritmo de predicción de riesgo de suicidio utilizando datos de registros de salud electrónicos (EHR). Identificar los desafíos encontrados durante el desarrollo del algoritmo y las estrategias utilizadas para abordarlos. Derivar consideraciones clave para integrar perspectivas técnicas y clínicas en la IA para la atención de salud mental basada en datos.
Principales métodos:
- Un estudio de caso cualitativo exploratorio y multimétodo. Recopilación de datos mediante investigación de escritorio, reuniones de equipo y sesiones de retroalimentación. Análisis temático para identificar desafíos y respuestas de desarrollo, informando el desarrollo futuro de algoritmos.
Principales resultados:
- Los desafíos incluyeron la definición de incidentes de suicidio en los EHR debido a problemas de calidad de los datos y la operacionalización de variables psicosociales. El procesamiento del lenguaje natural de datos no estructurados permitió el análisis de sentimientos, pero la complejidad del modelo afectó la explicabilidad. El riesgo de sesgo surgió de datos de cuestionarios distribuidos de manera desigual, lo que requirió una cuidadosa selección de entradas.
Conclusiones:
- El avance de la atención de salud mental basada en datos requiere una sólida gobernanza de datos, control de calidad y cambios culturales en la documentación. Mitigar el sesgo, equilibrar la precisión predictiva con la explicabilidad y mantener un enfoque de "clínico en el bucle" son fundamentales. La investigación futura debe centrarse en los aspectos sociotécnicos del desarrollo, la implementación y el uso de la IA en la atención de salud mental.
