Integración del aprendizaje automático en la investigación de la acupuntura: una revisión de alcance

Área de la Ciencia:

• Medicina Integrativa; Biología Computacional; Informática Biomédica

Sus antecedentes:

• La investigación sobre acupuntura enfrenta desafíos con la variabilidad y la subjetividad.; El aprendizaje automático (ML) ofrece enfoques novedosos para mejorar los estudios de acupuntura.; Este estudio de alcance mapea el panorama actual de las aplicaciones de ML en la acupuntura.

Objetivo del estudio:

• Identificar las afecciones de enfermedades a las que se dirige el ML en la investigación de la acupuntura.; Examinar los métodos de ML y las entradas de datos utilizadas en los estudios de acupuntura.; Evaluar las limitaciones y las lagunas de conocimiento en la investigación de la acupuntura impulsada por ML.

Principales métodos:

• Búsqueda bibliográfica exhaustiva en PubMed (2011-2024) utilizando "acupuntura" y "aprendizaje automático".; Identificación y análisis de 36 artículos relevantes.; Categorización de estudios por aplicación, algoritmo de ML y características de los datos.

Principales resultados:

• Diecisiete estudios se centraron en predecir la eficacia de la acupuntura, principalmente para afecciones de dolor.; Las máquinas de vectores de soporte (SVM) fueron el algoritmo más común para la predicción de la eficacia.; La imagen por resonancia magnética (IRM) se utilizó frecuentemente como entrada de datos (7/11 estudios).

Conclusiones:

• Los métodos de ML, en particular las SVM, muestran potencial para mejorar la predicción de la eficacia de la acupuntura y la personalización del tratamiento.; La heterogeneidad metodológica, los tamaños de muestra pequeños y las inconsistencias en los datos limitan la generalización de los modelos de ML actuales.; La investigación futura requiere estudios multicéntricos más grandes y estandarizados para validar la utilidad clínica y avanzar en la integración de ML en la acupuntura.