Mejorando la predicción del riesgo de cáncer de mama: una revisión sistemática de los modelos de aprendizaje automático
12/01/2023
Predicción de Demencia con Algoritmos de Machine Learning: ¿Cuál es la Mejor Opción?
10/03/2023Introducción
En esta publicación te presento el resumen de una revisión sistemática reciente que tuvo como objetivo clasificar y comparar artículos sobre el uso de Inteligencia Artificial para Diagnóstico de enfermedades Vertebrales y Osteoporosis.
Puedes ver y descargar el PDF con el resumen de la revisión sistemática, al final de esta entrada.
En la revisión se analizaron 31 artículos publicados de 2018 en adelante en Web of Science, y se utilizaron varias visualizaciones para clasificar las entidades y los temas de los artículos, ilustrar sus características, comparar los resultados entre entidades (por ejemplo, países, institutos, departamentos y autores), y determinar si es posible predecir la cantidad de citas de los artículos sobre Inteligencia Artificial para Diagnóstico de enfermedades Vertebrales.
Importancia
La adopción generalizada de registros médicos electrónicos (EHR, por sus siglas en inglés) y la mejora de los dispositivos de almacenamiento de big data en los hospitales y clínicas ha facilitado el uso de la IA en el cuidado de la salud.
En el sector salud la IA ha tenido diversas aplicaciones como el desarrollo de medicamentos, el control y monitoreo de la salud, la gestión de datos médicos, los avances en tecnología, el diagnóstico y predicción de enfermedades y la generación de tratamientos personalizados.
A pesar del progreso en el campo de la IA en salud, existe una limitada cantidad de análisis a publicaciones sobre el uso de la IA en patología vertebral y osteoporosis.
El documento afirma que la clasificación de artículos basada en temas y entidades principales, es un método alternativo y crucial en bibliometría de artículos, y que si bien se han realizado estudios bibliográficos relacionados con la IA, todavía faltan clasificaciones de conglomerados basadas en temas. También menciona que los métodos tradicionales de clasificación manual son tediosos y consumen mucho tiempo, por lo tanto, este estudio propone como método alternativo, la aplicación de algoritmos de aprendizaje automático para clasificar artículos.
Contextualización:
En el mundo de la ciencia y la medicina, la ciencia de datos y la visualización de datos son herramientas cada vez más importantes para comprender y comunicar los hallazgos científicos. Sin embargo, no siempre es fácil entender la importancia de estas herramientas, o cómo se utilizan en la práctica.
En este post, hablaremos sobre cómo se utilizan la ciencia de datos, las visualizaciones y la bibliometría en los artículos científicos acerca del uso de Inteligencia Artificial para Diagnóstico de enfermedades Vertebrales, para ayudar a los pacientes, médicos, científicos de datos e ingenieros a comprender mejor la importancia de la ciencia de datos y el análisis bibliométrico.
Empecemos con la bibliometría.
La bibliometría es el estudio estadístico de publicaciones científicas, como artículos de revistas, libros y tesis. Una herramienta popular para realizar análisis bibliométricos es Web of Science, que contiene información sobre publicaciones científicas y permite realizar búsquedas y análisis bibliométricos.
Algunas de las métricas bibliométricas comunes que se pueden calcular utilizando los datos de Web of Science incluyen el número de citas de un artículo, el factor de impacto de una revista y el índice “Y” de un autor.
Estas métricas son útiles para evaluar la productividad y el impacto de un autor o revista en su campo de estudio.
Las Visualizaciones.
Por otro lado, las visualizaciones son herramientas importantes para comunicar los hallazgos científicos de manera clara y concisa. Existen diferentes tipos de visualizaciones, cada una con sus propias ventajas y usos.
Web of Science.
Web of Science es una base de datos que contiene información sobre publicaciones científicas y permite realizar búsquedas y análisis bibliométricos.
Algunas de las métricas bibliométricas comunes que se pueden calcular utilizando los datos de Web of Science incluyen el número de citas de un artículo, el índice h (también conocido como el índice de impacto de Hirsch), el factor de impacto de una revista y el número de coautores de un artículo. Estas métricas se utilizan para medir la importancia y el impacto de una publicación científica.
El Factor de Impacto.
El “Factor de Impacto”(Impact Factor) es una medida estadística de la frecuencia con la que los artículos de una revista científica son citados en un período determinado. Este factor es calculado y publicado anualmente por la compañía Thomson Reuters en su producto Journal Citation Reports (JCR). Un factor de impacto alto indica que una revista es muy citada y, por lo tanto, considerada de alta calidad.
Sin embargo, es importante mencionar que el factor de impacto no es la única medida de calidad de una revista científica y no siempre refleja la calidad de un artículo específico, ya que un factor de impacto alto puede ser el resultado de la publicación de artículos muy citados y no necesariamente indica que una revista tiene un alto estándar de calidad en general.
El Índice “Y”
Por otro lado, hay otras métricas para evaluar el impacto de los artículos o los autores en un área específica, como el índice Y.
El índice “Y” es una métrica que mide el número de publicaciones que tiene un autor que han tenido al menos Y citas. Por ejemplo, un autor con un índice Y de 10, ha publicado al menos 10 artículos que han sido citados al menos 10 veces. El índice Y se calcula utilizando datos de la base de datos Web of Science y se puede utilizar como una medida de la productividad e impacto de un autor en su campo.
También vale la pena señalar que el índice Y no es la única métrica para evaluar el impacto de un artículo o un autor, y no se debe usar como único factor para hacer juicios sobre la calidad o importancia de una publicación o el trabajo de un autor. Además, es importante tener en cuenta que el índice Y puede ser afectado por varios factores, como el campo específico de estudio o el tipo de publicaciones, y puede no ser comparable entre diferentes áreas de investigación.
Tipos de visualización de Datos aplicados en el estudio:
- Diagramas de red: Los diagramas de red, también conocidos como diagramas de nodo-enlace, son visualizaciones que representan las relaciones entre entidades, como organizaciones, individuos o conceptos. Se utilizan comúnmente para mostrar las conexiones entre diferentes elementos en una red. Los diagramas de red se pueden utilizar para mostrar la estructura de una red, la fuerza de las conexiones entre elementos y la centralidad de los diferentes elementos en la red.
- Diagramas de cuerda: Los diagramas de cuerda son un tipo de visualización que se utiliza para mostrar las relaciones entre diferentes entidades. A menudo se utilizan para mostrar cómo diferentes elementos en un conjunto de datos están relacionados entre sí, y suelen involucrar un diseño circular. Los diagramas de cuerda se pueden utilizar para mostrar el flujo de datos entre diferentes elementos, y también se pueden utilizar para mostrar las fortalezas de las relaciones entre diferentes elementos.
- Diagramas de puntos: Los diagramas de puntos son un tipo de visualización que se utiliza para mostrar la distribución de un conjunto de datos. Implican un eje horizontal que representa los valores en el conjunto de datos y un eje vertical que representa la frecuencia de esos valores. Los diagramas de puntos a menudo se utilizan para mostrar la distribución de un gran conjunto de datos de manera compacta y fácil de entender.
- Diagrama Kano: Un diagrama Kano es un tipo de visualización que se utiliza para mostrar la relación entre las expectativas y los atributos del producto. El modelo Kano es una teoría en la gestión de la calidad que clasifica las preferencias del cliente en tres categorías: necesidades básicas, atributos de rendimiento y atributos emocionantes. El diagrama Kano se utiliza para identificar qué atributos son más importantes para los clientes y cuáles no.
- Gráficos de radar: Un gráfico de radar, también conocido como un gráfico de araña, gráfico de estrella o gráfico de radar, es un tipo de gráfico utilizado para comparar y visualizar las características de diferentes elementos. Es un gráfico bidimensional en el que los datos se representan en el eje radial, y las categorías se representan en el eje angular. Se utiliza para mostrar la distribución de los puntos de datos en diferentes categorías y también para hacer comparaciones entre diferentes elementos.
Te comparto aquí algunas referencias para cada tipo de visualización:
- Diagramas de red: https://www.yworks.com/yed-live/
- Diagramas de cuerda: https://www.d3-graph-gallery.com/graph/chord_basic.html
- Diagramas de puntos: https://plotly.com/python/dot-plots/
- Diagrama Kano: https://www.appinio.com/es/blog/investigacion-de-mercados/analisis-modelo-kano-guia-completa
- Gráficos de radar: https://www.highcharts.com/demo/polar-spider
Estos sitios web te pueden ayudar a tener una idea de cómo luce cada visualización y como crearlas.
Adicionalmente, puedes visitar otros sitios web como el Buscador de Imágenes de Google, o librerias de visualizaciones como matplotlib en python, y ggplot2 en R, para encontrar ejemplos de diferentes tipos de visualizaciones de datos.
Te comparto el Resumen de la Revisión Sistemática aquí:
reporte_dataset_revsis_metanalisis_diagrama_cuerdas_osteoporosisDescarga el Archivo PDF aquí
Titulo Original:
Referencia:
Huang YP, Pao JL, Chien TW, Lin JJ, Chou PH. Thematic analysis of articles on artificial intelligence with spine trauma, vertebral metastasis, and osteoporosis using chord diagrams: A systematic review and meta-analysis. Medicine (Baltimore). 2022 Dec 30;101(52):e32369. doi: 10.1097/MD.0000000000032369. PMID: 36596060; PMCID: PMC9803480.
Fecha de Publicación del Artículo
30 de diciembre de 2022
Doi:
Tema: Inteligencia Artificial para Diagnóstico de enfermedades Vertebrales
Frases clave y síntesis del contenido de esta publicación:
- “Entendiendo la importancia de la ciencia de datos y las visualizaciones en artículos científicos”
- “Cómo la bibliometría y las visualizaciones mejoran la comprensión de los hallazgos científicos”
- “Maximizando el impacto científico: el uso de la bibliometría y las visualizaciones en la comunicación de hallazgos”
- ¿Quieres entender mejor la importancia de la ciencia de datos y las visualizaciones en artículos científicos? Descubre cómo en nuestro último artículo #bibliometría #datavisualization #ciencia”
- “La bibliometría y las visualizaciones son fundamentales para comunicar de manera clara y concisa los hallazgos científicos. Aprende más en nuestro artículo #datascience #datavisualization #medicine”
- “Maximiza el impacto científico de tus investigaciones utilizando la bibliometría y las visualizaciones en la comunicación de tus hallazgos. Descubre cómo en nuestro último artículo #bibliometrics #datavisualization #science”
- “La ciencia de datos y las visualizaciones son herramientas clave para comprender y comunicar los hallazgos científicos. Aprende más sobre su uso en nuestro último artículo #datascience #datavisualization #medicine”
- “Entiende la importancia de la bibliometría y las visualizaciones en los artículos científicos para mejorar la comprensión de los hallazgos científicos. Descubre cómo en nuestro último artículo #bibliometrics #datavisualization #science”
- “La osteoporosis no solo afecta los huesos, también aumenta el riesgo de lesiones de la médula espinal. Descubre más en nuestro último artículo sobre análisis de lesiones de la médula espinal #osteoporosis #spinalinjuries”
- “Un análisis de artículos científicos revela la relación entre la osteoporosis y las lesiones de la médula espinal. Descubre más en nuestro último estudio #spinalinjuries #osteoporosisresearch”
Te interesó este contenido?
También te puede interesar:
Mejorando la Predicción del Riesgo de Cáncer de mama
Déjame tu nombre y correo en el formulario de contacto para notificarte sobre contenido relacionado que publique en este blog.
Accede a otras publicaciones sobre administración en salud y gestión clínica, aquí.
