1302- Luces y sombras en la IA

Giuseppe Lippi y Mario Plebani. Luces y sombras de la inteligencia artificial en el laboratorio de medicina. De Gruyter Brill-Adv Lab Med 2025; 6(1): 4-6. Section of Clinical Biochemistry, University Hospital of Verona, Piazzale.

Editorial

Aunque actualmente no existe una definición ampliamente aceptada de Inteligencia Artificial (IA), esta se suele describir como el empleo de sistemas informáticos para simular la inteligencia humana, con el propósito de realizar una extensa variedad de tareas que requieren razonamiento, aprendizaje y toma de decisiones. El término “Inteligencia Artificial” fue acuñado por John McCarthy et al. a mediados de los años cincuenta, que la definieron como “la ciencia e ingeniería para desarrollar máquinas inteligentes que den muestras de pensamiento crítico comparable al de los humanos” . Desde entonces, los notables avances tecnológicos han mejorado la potencia y las aplicaciones de las herramientas de IA, habiendo pasado esta a formar parte integral del ámbito personal y profesional de la población.

Entre los principales componentes de la IA se incluyen el aprendizaje automático (machine learning, ML), que consiste en una serie de algoritmos diseñados para mejorar de forma autónoma mediante la experiencia, y el aprendizaje profundo (deep learning, DL), un subconjunto de herramientas de ML que emplean redes neuronales con múltiples capas para analizar datos complejos. Las propias redes neuronales son modelos computacionales que replican la estructura del cerebro humano y que cuentan con capacidades como el reconocimiento de patrones y el desarrollo de modelos predictivos. La IA generativa, una rama de la IA, emplea modelos de DL y se centra principalmente en generar contenido nuevo, incluyendo textos (p.ej. Large Language Models, LLMs), imágenes y música, entre otros.

En el campo de la medicina, se han desarrollado sistemas de IA para mejorar la eficiencia y precisión, especialmente en tareas como el diagnóstico de patologías a partir de datos de imagen y el procesamiento de grandes volúmenes de datos clínicos y diagnósticos . Debido al uso extendido de la tecnología y a su potencial para generar una gran cantidad de información clínica (llamada “big data”) en forma de resultados analíticos, la IA ha ido ganando impulso en el campo de la medicina de laboratorio. 

Una encuesta reciente de la Federación Europea de Química Clínica y Medicina de Laboratorio (EFLM) reveló el elevado interés entre los profesionales de laboratorio en la formación en IA, aun cuando solo una minoría (aproximadamente el 25 %) de los laboratorios encuestados estaban inmersos en algún proyecto de IA.

Independientemente de las diferentes percepciones observadas entre los profesionales de laboratorio, resulta indiscutible que la IA seguirá desempeñando un papel cada vez más preeminente en la organización y actividad de los laboratorios médicos. En el momento actual, ya se están implementando varias herramientas de IA, como los modelos de ML para la optimización del procesamiento de muestras y gestión del control de calidad  y los módulos de verificación y validación automática integrados en el sistema informático del laboratorio (LIMS), así como técnicas de morfología digital en hematología de laboratorio. Además, los modelos de DL están siendo esenciales a la hora de manejar e interpretar los conjuntos de datos masivos generados en los estudios de investigación en el campo de la genómica y la proteómica.

Un ejemplo paradigmático de la forma en que la IA puede apoyar la toma de decisiones clínicas es el ensayo clínico aleatorizado simple ciego realizado recientemente en el que se asignó aleatoriamente a médicos de familia y a especialistas en medicina interna y urgencias para que emplearan los recursos tradicionales únicamente o tuvieran acceso a los mismos recursos complementados con LLM. Aunque el empleo de LLM no mejoró de manera significativa el razonamiento clínico en comparación con el uso exclusivo de los recursos tradicionales (mediana de puntuación de razonamiento diagnóstico por caso: 76 % frente a 74 %; p=0,60), la mediana de puntuación de razonamiento diagnóstico del LLM empleado exclusivamente fue del 92 %, mejorando las puntuaciones de las dos cohortes de facultativos en más del 16 %.

Aunque cada vez está más asumido que la IA va a pasar a formar parte integral de la organización y las actividades de los servicios de laboratorio clínico de todo el mundo, aun quedan algunas dificultades por resolver (Tabla 1). El primer problema es la limitada flexibilidad de la IA a la hora de interpretar los datos analíticos. Frente a la cognición humana, que es capaz de emplear el juicio intuitivo y el razonamiento gestáltico, los sistemas de IA carecen todavía de la capacidad adaptativa necesaria para interpretar datos con el mismo nivel de comprensión contextual. El mismo principio sería aplicable al reconocimiento de imágenes...........

Editorial completa y su bibliografía

(*) Este blog de bioquímica-clínica está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales, el uso que le den a la misma. 
Nueva presentación el  18 de Noviembre 
Dr. Anibal E. Bagnarelli, 
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudada de Buenos Aires. R. Argentina

1301- Q&A/Podcast: Enfrentando la escases

Claire E Knezevic, Barnali Das, Joe M El-Khoury, Paul J Jannetto, Felicitas Lacbawan, William E Winter. Q&A: A la altura del desafío: escasez con material de laboratorio. Oxford Academic-Clin Chem 2022: 68 (12): 1486-1492. Department of Pathology, Johns Hopkins University, Baltimore, USA.

Introducción

Al comienzo de la pandemia de SARS-CoV-2, un impacto inmediato en la vida cotidiana de todos fue la repentina escasez de bienes de consumo esenciales, como jabón, desinfectante de manos, papel higiénico y alimentos no perecederos. A medida que las regiones implementaron confinamientos, los lugares de trabajo redujeron la densidad de personal para mantener el distanciamiento social, los países implementaron restricciones de viaje y la producción y el envío de bienes disminuyeron. Esto provocó una escasez masiva de personal, que se agravó aún más con la enfermedad del personal existente y la jubilación anticipada de los trabajadores de mayor edad. El sector sanitario, donde los artículos desechables omnipresentes brindan seguridad y consistencia a casi todas las tareas, no fue inmune a este fenómeno. Los proveedores de atención médica sufrieron escasez de artículos críticos como guantes, mascarillas, kits/recipientes de recolección, puntas de pipeta, paquetes de reactivos y desinfectantes en intervalos de tiempo variables a medida que las sucesivas olas de la pandemia se extendían por todo el mundo.

En nuestra economía globalizada, la pandemia puso de relieve las redes altamente interdependientes que anteriormente proporcionaban un flujo constante de productos calibrados para satisfacer la demanda de los clientes. La optimización agresiva previa de la cadena de suministro había generado ahorros sustanciales. Sin embargo, la desventaja fue una cadena de suministro frágil que no pudo adaptarse a tales interrupciones. A medida que el personal de laboratorio se enfrentaba a los riesgos de trabajar presencialmente para proporcionar resultados de pruebas esenciales, su valor en la medicina se valoró profundamente. No obstante, la pandemia provocó una importante escasez de mano de obra en todos los sectores. Incluso antes de la pandemia, los tecnólogos médicos tenían una alta demanda, que no ha hecho más que intensificarse en los años transcurridos.

Tanto las pequeñas clínicas como los grandes sistemas de salud, distribuidores y fabricantes se vieron afectados por la escasez y todos han probado diversas estrategias de mitigación. Abordar estos desafíos ha requerido una amplia colaboración, cooperación y coordinación entre administradores, profesionales de la cadena de suministro, distribuidores, fabricantes, personal de laboratorio y directores.

Las repercusiones de esta escasez siguen afectando al sector sanitario y han exigido cambios en la gestión empresarial. Nuestra forma de abordar estos desafíos, tanto a nivel individual como comunitario, sin duda influirá en el éxito de la medicina de laboratorio en los próximos años. En este artículo, varios expertos invitados de todo el mundo y de diversas industrias comparten sus experiencias con la escasez de mano de obra y suministros para arrojar luz sobre cómo el sector puede avanzar en esta nueva realidad.

¿Puede describir su función en su institución y la escasez de material y/o mano de obra que ha enfrentado desde el inicio de la pandemia? ¿Cuál fue el impacto en su sector o práctica?

Paul J. Jannetto: Mis principales responsabilidades clínicas son ser codirector del Laboratorio de Espectrometría de Masas Clínica, el Laboratorio de Toxicología Clínica y Forense, y el Laboratorio de Metales de Mayo Clinic. El 1 de enero de 2020, asumí el cargo de vicepresidente de Gestión de la Cadena de Suministro del Departamento de Medicina de Laboratorio y Patología. Trabajo con un equipo de élite de compras y gestión de la cadena de suministro, altamente comprometido con la obtención de suministros para que Mayo Clinic pueda ofrecer análisis de laboratorio ininterrumpidos a nuestros pacientes.

Desde la perspectiva de la cadena de suministro, el desafío inicial al inicio de la pandemia fue el número limitado de pruebas diagnósticas de COVID-19 que Mayo Clinic pudo realizar debido a la asignación de reactivos de todos los proveedores. Las pruebas moleculares, la identificación y el aislamiento oportunos de los pacientes con SARS-CoV-2 fueron clave para minimizar la propagación de la pandemia. Como resultado, Mayo Clinic validó 10 ensayos moleculares diferentes para el SARS-CoV-2, incluyendo una prueba desarrollada en laboratorio con Autorización de Uso de Emergencia para su implementación en toda la empresa, ya que los fabricantes no pudieron satisfacer la demanda mundial ni proporcionarnos la cantidad necesaria de reactivos equivalente a la capacidad del instrumento y las necesidades de los pacientes. Los problemas de la cadena de suministro se extendieron a los suministros para la recolección de muestras de COVID-19 (hisopados nasofaríngeos y medios de transporte viral) hasta que las opciones de medios de transporte universales/solución salina tamponada con fosfato ofrecieron cierto alivio. Otra escasez crítica de suministros incluyó productos plásticos como puntas de pipeta, tubos de microcentrífuga, placas de muestra de 96 pocillos, tubos de transporte y tapones. Incluso hoy en día, los tubos para la recolección de sangre siguen siendo una preocupación constante. 

La dotación de personal de laboratorio, especialmente para el gran volumen de pruebas moleculares del SARS-CoV-2, también fue una preocupación. Afortunadamente, el laboratorio y la mayoría de los centros de salud experimentaron inicialmente una gran disminución en el volumen total de pruebas a pacientes debido a la cancelación de procedimientos médico-quirúrgicos y visitas de bienestar. Como resultado, pudimos contratar tecnólogos y auxiliares de laboratorio de otras áreas para apoyar el aumento de las pruebas de microbiología molecular. Sin embargo, una vez que se reanudaron los volúmenes de pruebas previos a la COVID-19, junto con el aumento del personal expuesto que tuvo que hacer cuarentena, tuvimos que identificar otras estrategias y fuentes para cubrir la escasez de personal y mantener las pruebas clínicas y los plazos de entrega adecuados.....

1)  Leer el artículo completo

2)  Enfrentando la escases- Podcast

(*) Una vez que esta en la pagina del blog, pulsando el botón derecho puede acceder a su  traducción al idioma español Este blog de bioquímica-clínica está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales, el uso que le den a la misma. 
Nueva presentación el  16 de Noviembre 
Dr. Anibal E. Bagnarelli, 
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudada de Buenos Aires. R. Argentina

1300- Q&A: Teletrabajo en medicina

Anna E Merrill, Sarah A Hackenmueller, Colin Derdeyn, Jonathan Genzen, Damien Gruson, Melissa Ludgate, Surabhi Mulchandani, M Laura Parnas, Erik Ranheim. Q&A:  Más allá de la pantalla: cómo navegar el teletrabajo en la medicina. Clinical Chemistry, 2024: 70 (8); 1009-1016. Clinical Chemistry, Department of Pathology, University of Iowa Health Care, Iowa City,  United States.

Introducción

La llegada de la pandemia mundial de COVID-19 en 2020 trajo consigo cambios abruptos en la forma en que las personas vivían e interactuaban con la sociedad. Muchas actividades y trabajos que no requerían interacción presencial se trasladaron a formatos remotos o a distancia. Si bien ciertos aspectos de la atención médica requieren interacción presencial, la pandemia impulsó una rápida expansión de la telemedicina en las zonas donde era viable. Además, muchos puestos que no implicaban atención directa al paciente y que no requerían presencia física se convirtieron al teletrabajo.

Inicialmente, la necesidad de convertir rápidamente las actividades sanitarias compatibles al teletrabajo superó la necesidad de mantener el statu quo. A medida que las actividades presenciales han aumentado con la remisión de la pandemia, muchos sectores que adoptaron soluciones de teletrabajo, incluido el sanitario, se enfrentan ahora al reto de integrar las opciones remotas o híbridas con el trabajo presencial. Muchos empleados prefieren soluciones de teletrabajo o híbridas, pero existen posibles limitaciones asociadas a la implementación generalizada de estos modelos, que no se comprenden del todo debido a su relativa incipiente desarrollo. Aun así, las actividades remotas e híbridas parecen ser cambios permanentes en nuestra forma de trabajar.

Considerando las muchas incógnitas restantes, invitamos a varios líderes dentro de la medicina de laboratorio y otras especialidades médicas a compartir cómo se han integrado estas opciones de trabajo en sus organizaciones, así como sus pensamientos sobre las oportunidades y desafíos para el futuro del trabajo remoto e híbrido dentro de la atención médica.

¿Cómo ha evolucionado el trabajo remoto desde 2019 en su organización y cuál es el estado actual?

Colin Derdeyn: Antes de la pandemia, la lectura remota de estudios de imágenes médicas era poco común en los centros médicos académicos, pero común en la práctica privada, especialmente para guardias nocturnas y para algunos grandes grupos nacionales de telerradiología que cubrían hospitales pequeños. La pandemia aceleró drásticamente la aceptación del teletrabajo en mi institución. Implementamos rápidamente estaciones de trabajo en casa para que nuestros radiólogos pudieran trabajar desde casa. Ahora hemos regresado al trabajo principalmente presencial, pero incorporamos algunas modalidades híbridas y trabajo completamente remoto para algunos profesores. Muchas de nuestras divisiones contarán con un profesional que leerá imágenes remotamente durante el día, especialmente en los turnos nocturnos, para cubrir estudios de urgencias y de última hora.

Jonathan Genzen:   Como organización cuyas actividades operativas se concentran principalmente en el valle de Salt Lake City, no contábamos con una gran cantidad de trabajadores remotos antes de 2020. Implementamos la plataforma Microsoft Teams en toda la organización poco antes de la pandemia, y la puesta en marcha de este sistema de colaboración y comunicación nos ayudó a adaptarnos rápidamente al trabajo remoto en ese contexto. Como laboratorio clínico, aproximadamente dos tercios de los empleados desempeñaban funciones que requerían trabajo presencial, mientras que el tercio restante podía completarse de forma remota. Adoptamos esta distribución del trabajo remoto muy rápidamente, en un par de semanas. Sin embargo, con el fin de la emergencia sanitaria por la COVID-19, hemos vuelto al trabajo presencial para la mayoría de los puestos, pero con mayor flexibilidad para un número determinado de días de trabajo remoto a la semana..........

Leer el artículo completo

(*) Una vez que esta en la pagina del blog, pulsando el botón derecho puede acceder a su  traducción al idioma español Este blog de bioquímica-clínica está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales, el uso que le den a la misma. 
Nueva presentación el  14 de Noviembre 
Dr. Anibal E. Bagnarelli, 
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudada de Buenos Aires. R. Argentina

1299- Q&A/Podcast: Implementando nuevas pruebas en el laboratorio clinico

Andrew St John, Christopher P Price, Rogier Hopstaken, Patrick McGinley, Stacy Melanson, Maurice O’Kane, Annalise E Zemlin. Q&A: Desafíos asociados con la implementación efectiva de nuevas pruebas de laboratorio: la experiencia internacional . Oxford Academic Clin Chem; 2024: 70 (5): 693-699. Drajon Healthcare, Toodyay, Western Australia,  Nuffield Department of Primary Care Health Sciences, University of Oxford, Kingdom. 

Introducción

Es evidente que el impacto, y por lo tanto el beneficio, del uso adecuado de una prueba médica en una vía de atención se reflejará en las decisiones y contribuciones de las distintas partes interesadas que participan en la prestación de dicha vía. Reconocer esto es esencial para aprovechar al máximo el valor de la prueba y maximizar la calidad de la atención médica prestada. Además del paciente y el cuidador, las partes interesadas incluyen diferentes equipos clínicos, otros departamentos o líneas de servicio (p. ej., otros servicios de diagnóstico, atención primaria, planta de hospital, clínica ambulatoria, farmacia y unidades de tratamiento) y otro personal sanitario (p. ej., administradores y gerentes).

La introducción de una nueva prueba es un proceso complejo y translacional con dos pasos clave para la toma de decisiones: adopción e implementación. La adopción de una prueba médica implica la decisión de invertir en su uso en una guía clínica para mejorar la calidad de la atención en términos de rentabilidad clínica y/o coste-efectividad. La implementación de una prueba médica consiste en su introducción en la práctica clínica habitual con el objetivo de ofrecer beneficios, y en ocasiones eliminar desventajas, a todas las partes interesadas en la implementación de la vía de acceso, tal como se describe en un caso de negocio, evaluado según métricas de calidad clínica, de proceso y estructural.

Tradicionalmente, las mediciones de la calidad de las pruebas se han centrado principalmente en el proceso analítico, y recientemente se ha prestado atención a las fases preanalíticas y posanalíticas. Estas mediciones centradas en el proceso analítico son relativamente fáciles de obtener, ya que se recopilan en el laboratorio.

En los últimos años, se ha solicitado con frecuencia mejorar la calidad de la atención, incluyendo su relación calidad-precio. El impacto inicial de esto en las pruebas médicas ha sido la reducción del coste por prueba. Más recientemente, se ha ampliado la perspectiva sobre el valor de la prueba, con la introducción del concepto de propuesta de valor. Por ejemplo, la propuesta de valor para la introducción de las pruebas de dímero D en el punto de atención en atención primaria, además de garantizar la calidad analítica de la prueba, considera la posibilidad de descartar el diagnóstico de trombosis venosa profunda y la necesidad de remitir al paciente al hospital para una ecografía.

El proceso de adaptación para la introducción de una nueva prueba por parte de un laboratorio o proveedor de atención médica probablemente comience con una declaración de necesidad insatisfecha y una revisión de la evidencia que respalda su uso. Gran parte de la evidencia que respalda la adopción de la prueba se encuentra en ensayos clínicos publicados y evaluaciones de tecnologías sanitarias. La decisión de adoptar una prueba probablemente se tome a nivel del sistema de salud o del financiador/reembolso, y se centra en la efectividad clínica y la rentabilidad a nivel social.

Tras la adopción, las decisiones de implementación se tomarán a nivel más local, a nivel de los proveedores de atención médica. En esta etapa, el énfasis se centra en la ruta de atención individual y los resultados de la implementación son más detallados, ya que abarcan el impacto del resultado de la prueba en la contribución de todas las partes interesadas. Esto, sin duda, resultará más complejo, ya que requiere datos locales recopilados de forma rutinaria, así como cambios en la práctica para obtener el valor deseado; por ejemplo, la desinversión en recursos si no se requiere una visita al hospital. La experiencia sugiere que los datos del mundo real deben ser más completos en comparación con los datos recopilados en ensayos controlados aleatorizados.

La aplicación de conceptos como la propuesta de valor busca mejorar la implementación de las pruebas y garantizar que estas tengan mayor probabilidad de obtener los resultados esperados, lo que a su vez aumentará su valor. Se reconoce que la introducción de estos conceptos presenta desafíos, entre ellos, la necesidad de que el laboratorio interactúe más con el personal y los procesos externos. La aplicabilidad del concepto también dependerá de la estructura de cada sistema de salud.

El propósito de este artículo de preguntas y respuestas es determinar cómo se introducen las pruebas en cuatro países y evaluar el grado de conocimiento, por parte de profesionales de laboratorio, un médico y un director de finanzas sanitarias, sobre conceptos como la adopción e implementación de pruebas. También se identificarán los problemas actuales con la implementación de pruebas y cómo conceptos como la propuesta de valor podrían aplicarse en los sistemas de salud......

Este debate se llevó a cabo bajo los auspicios del Committee for the Value Proposition in Laboratory Medicine of the International Federation of Clinical Chemistry and Laboratory Medicine.

Stacy Melanson: En el Brigham and Women's Hospital (BWH), al igual que en otras instituciones estadounidenses, se reconoce el proceso de implementación de pruebas, pero no existe un proceso formal ni un requisito para monitorear los beneficios clínicos y de costos de las nuevas pruebas.

Para todas las nuevas solicitudes de pruebas, BWH requiere la elaboración de una propuesta/caso de negocio que contenga un resumen ejecutivo, antecedentes, estados actuales y futuros, beneficios/impactos clínicos (por ejemplo, avalados por el Center for Disease Control -CDC), consideraciones técnicas y aspectos regulatorios como la aprobación existente de  la U.S. Food and Drug Administration (FDA),  análisis financiero y documentación de apoyo.

Los detalles de la justificación más relevantes para la implementación de la prueba son los de la justificación clínica, incluyendo el o los estados de enfermedad afectados y los beneficios en comparación con las pruebas existentes, junto con lo siguiente: ¿cómo se modificará el tratamiento?, ¿cuáles son las alternativas a las nuevas pruebas (por ejemplo, resonancia magnética, biopsia y hemoderivados)?, ¿se interrumpirán las pruebas actuales?, ¿habrá guías clínicas para la utilización de la prueba?, ¿la literatura la respalda?

La propuesta es revisada por el equipo de medicina de laboratorio y la dirección del hospital, quienes involucran a las partes interesadas pertinentes para que ayuden en el proceso de toma de decisiones......

 1) Leer el artículo completo

2)  Nuevas pruebas en el LC (Podcast-Inglés)

(*) Una vez que esta en la pagina del blog, pulsando el botón derecho puede acceder a su  traducción al idioma español Este blog de bioquímica-clínica está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales, el uso que le den a la misma. 
Nueva presentación el  12 de Noviembre 
Dr. Anibal E. Bagnarelli, 
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudada de Buenos Aires. R. Argentina

1298- Q&A/Podcast: Datos del laboratorio clínico en la era digital

Anna E Merrill, Thomas J S Durant, Jason Baron, J Stacey Klutts, Amrom E Obstfeld, David Peaper, Michelle Stoffel, Sarah Wheeler, Mark A Zaydman Q&A. Análisis de datos en laboratorios clínicos: avances en la medicina diagnóstica en la era digital. Oxford Academic-Clin Chem 2023; 69 (12): 1333-1341. University of Iowa College of Medicine; Clinical Chemistry, University of Iowa Hospitals and Clinics, Iowa City, USA

Desde la adopción de la Ley HITECH ((Health Information Technology for Economic and Clinical Health) Act Estados Unidos en 2009, se ha producido un aumento significativo en el uso de sistemas de tecnología de la información sanitaria (TIS) en hospitales y redes integradas de prestación de servicios a nivel mundial. Este cambio ha acelerado la digitalización de la información sanitaria, gran parte de la cual se almacena ahora en sistemas como las historias clínicas electrónicas (HCE) y los sistemas de información de laboratorio (SIL). El laboratorio clínico no es la excepción y ha estado a la vanguardia de este cambio de paradigma, en el que la instrumentación altamente automatizada y las tecnologías digitales han desempeñado un papel transformador en la evolución reciente de las pruebas de laboratorio modernas. En consecuencia, los laboratorios clínicos ahora producen grandes cantidades de datos, lo que alimenta un creciente interés en cómo su peronal y  colegas que atienden a los pacientes pueden aprovechar la toma de decisiones basada en datos para mejorar tanto la atención al paciente como las operaciones.

Sin embargo, si bien los beneficios teóricos del análisis de datos en el laboratorio clínico son evidentes, las demostraciones prácticas de su impacto en la resolución de problemas reales siguen siendo difíciles de alcanzar para las organizaciones y limitadas en la literatura. A medida que las instituciones y organizaciones trabajan para aumentar la madurez del análisis de datos, a menudo se enfrentan a desafíos que abarcan desde la accesibilidad a los datos hasta la asignación limitada de recursos y la variabilidad en la alfabetización de los mismsos. Además, un análisis de datos eficaz requiere un enfoque colaborativo, que aproveche la experiencia de diversos campos como las tecnologías de la información, la estadística, el laboratorio clínico y diversas especialidadess. A pesar de estos desafíos, el potencial de contribución de los profesionales del laboratorio clínico es inmenso y la orientación estratégica hacia la competencia en análisis de datos dentro del laboratorio es crucial para el éxito futuro.

Por ese motivo, hemos invitado a varios expertos para que arrojen luz sobre el análisis de datos, las aplicaciones prácticas en sus respectivas organizaciones y los próximos desafíos y oportunidades para el campo de la medicina de laboratorio y diagnóstico.

1) ¿Qué herramientas o plataformas de análisis de datos se utilizan activamente en su organización y cómo han influido positivamente en los resultados de los pacientes y las decisiones clínicas?

Jason Baron: Como gran organización, utilizamos ampliamente el análisis de datos, pero me centraré aquí en cómo aprovechamos esos datos para obtener información médica y generar evidencia. En general, buscamos generar información y evidencia en torno al valor clínico de las pruebas de laboratorio, los patrones actuales de utilización de pruebas y las fuentes de variación y disparidades en la solicitud de pruebas. También buscamos abordar la utilidad clínica; por ejemplo, explorando y cuantificando cómo y cuándo una prueba puede mejorar los resultados posteriores del paciente. Muchos de nuestros análisis se realizan utilizando bases de datos de historiales clínicos electrónicos (HCE) y reclamaciones disponibles comercialmente. Los datos suelen almacenarse en bases de datos de Amazon Redshift y para realizar los análisis, disponemos de plataformas en la nube, como R-studio y Jupyter. Además, contamos con un equipo global de científicos cuantitativos y bioestadísticos especializados en datos del mundo real (RWD), que realizan estudios globales para respaldar la toma de decisiones.

J.Stacey Klutts: The Veterans Healthcare Administration (VHA) tiene una postura singular en comparación con muchas otras organizaciones de atención médica en Estados Unidos. Con pocas excepciones, los aproximadamente 1200 centros de atención aguda, de larga duración y ambulatorios de la VHA utilizan el mismo sistema de información de laboratorio (LIS-VistA, Veterans Health Information System Technology Architecture) y el mismo sistema de historia clínica electrónica (EHR), (CPRS, Computerized Patient Record System). Un alto porcentaje de los datos, tanto clínicos como de diagnóstico, como los de laboratorio, se recopilan de forma centralizada en un almacén de datos corporativo (VHA) (Corporate Data Warehouse) (CDW). El CDW puede ser consultado mediante el lenguaje de consulta estructurado (SQL) por una amplia variedad de personas dentro de la VHA para obtener diversos datos a nivel local, regional y nacional. Esto facilita la calidad y las operaciones clínicas locales, las iniciativas regionales de mejora o la expansión de programas clínicos, así como el seguimiento de iniciativas nacionales, el desarrollo de políticas y la supervisión. La capacidad de realizar consultas específicas sobre los datos clínicos y de diagnóstico de la VHA prácticamente en tiempo real (los datos se cargan al CDW al menos diariamente) ha permitido a la VHA desarrollar numerosas herramientas con un impacto significativo en la atención y las operaciones. Los paneles de control, con tecnología Power BI (Microsoft), se muestran en un sitio de SharePoint accesible para todos los centros de la VHA........

1) Leer el artículo completo

2) Datos laboratorio era digital- Podcast 

(*) Una vez que esta en la pagina del blog, pulsando el botón derecho puede acceder a su  traducción al idioma español Este blog de bioquímica-clínica está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales, el uso que le den a la misma. 
Nueva presentación el  10 de Noviembre 
Dr. Anibal E. Bagnarelli, 
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudada de Buenos Aires. R. Argentina

1297- ATL en el laboratorio clinicos y RPA (Podcast)

Youngwon Nam, Hyung-Doo Park. Revolucionando las prácticas de laboratorio: tendencias pioneras en la automatización total del laboratorio. Ann Lab Med. 2025; 45(5): 472-483. Department of Laboratory Medicine, Seoul National University College of Medicine, Seoul, Korea.

Resumen

La automatización total del laboratorio (ATL) es una solución transformadora para los laboratorios clínicos que responde a la creciente demanda de eficiencia operativa, precisión y rapidez en la atención al paciente. La ATL integra tecnologías avanzadas en las fases preanalítica, analítica y posanalítica, optimizando así los flujos de trabajo, reduciendo la intervención manual y mejorando el control de calidad. Su adopción se debe a factores como el aumento del volumen de pruebas, la necesidad de reducir costes y cumplir con la normativa, y la escasez de personal. Entre las principales ventajas de la ATL se incluyen una mayor precisión gracias a la minimización de errores, una utilización optimizada de los recursos, un mayor bienestar del personal y la obtención constante de resultados de alta calidad. Empresas líderes como Abbott, Roche, Siemens y Beckman Coulter dominan el mercado global de la ATL con soluciones innovadoras. Los avances recientes incorporan inteligencia artificial (IA), aprendizaje automático, robótica y tecnologías del Internet de las cosas (IoT), que permiten el análisis predictivo y la gestión automatizada de datos. Sin embargo, aún existen desafíos, como los elevados costes de implementación, la necesidad de formación del personal, las preocupaciones en materia de ciberseguridad y las complejidades de la integración de sistemas. Las tendencias futuras indican que el análisis de laboratorio (TLA) avanzará mediante una mayor integración de la IA, prácticas sostenibles y análisis de macrodatos, lo que impulsará mejoras continuas en el diagnóstico de precisión y los resultados clínicos. Además, el TLA tiene el potencial de revolucionar las operaciones de laboratorio a nivel mundial, impulsando la eficiencia, la precisión y la sostenibilidad, y mejorando así la atención al paciente. La adopción exitosa del TLA requerirá planificación estratégica, colaboración interdisciplinaria y alineación con las necesidades emergentes del sistema de salud. En esta revisión, destacamos que superar estos desafíos mediante la innovación y una gestión sólida es fundamental para garantizar que el TLA siga desempeñando un papel vital en los sistemas de salud modernos.

Introducción

En los hospitales modernos, los resultados de las pruebas de laboratorio son cruciales para la atención del paciente, sobre todo en entornos médicos de urgencias, donde es esencial contar con tiempos de respuesta cortos y predecibles. Para satisfacer estas necesidades, los laboratorios centrales deben adoptar innovaciones tecnológicas avanzadas en tecnologías de la información, como plataformas analíticas, sistemas de seguimiento y software intermedio, facilitadas por la automatización total del laboratorio (ATL). Además, las secciones de laboratorio especializadas deben colaborar estrechamente con equipos médicos multidisciplinarios para abordar eficazmente afecciones clínicas específicas.

La aparición de la automatización de laboratorios (TLA) en los laboratorios clínicos se debe a varios factores clave que, en conjunto, requieren automatización. Entre ellos se incluyen la necesidad de gestionar el creciente volumen de pruebas, mejorar la eficiencia y la precisión, garantizar el cumplimiento de la normativa, reducir los costes operativos, mantener la competitividad en un entorno sanitario en constante evolución y paliar la escasez de personal. Los avances tecnológicos han permitido el desarrollo de sistemas de automatización sofisticados que transforman radicalmente las operaciones de laboratorio para satisfacer las crecientes demandas del sector sanitario.

El objetivo principal de los laboratorios clínicos es garantizar la prestación de servicios de alta calidad y puntuales, con resultados de pruebas de alta calidad. La automatización de laboratorios (TLA) se ha convertido en una solución fundamental para lograr estos objetivos al estandarizar procesos, mejorar el control de calidad y minimizar las intervenciones manuales en las fases preanalítica, analítica y posanalítica de las pruebas de laboratorio. Esta integración mejora significativamente el rendimiento y la eficiencia operativa del laboratorio. Cuando se implementan eficazmente, los sistemas TLA pueden reducir los costos del laboratorio, mejorar los resultados para los pacientes y abordar desafíos clave como la satisfacción laboral del personal, la duración de la estancia del paciente, la seguridad y la sostenibilidad financiera.

Los sistemas TLA se utilizan ampliamente en laboratorios de química clínica, inmunología diagnóstica y hematología, con aplicaciones cada vez mayores en microbiología clínica. Cabe destacar que recientemente se han logrado avances considerables en la automatización de laboratorios en microbiología clínica. El desarrollo continuo de los sistemas TLA en estos y otros campos especializados seguirá impulsando la transformación de los servicios de laboratorio, garantizando su adecuación a las complejas demandas de la atención sanitaria moderna.......

1)  Leer el artículo completo

2)  RPA en el laboratorio clínico (Podcast- Ingles)

(*) Una vez que esta en la pagina del Podcast, pulsando el botón derecho puede acceder a su  traducción al idioma español Este blog de bioquímica-clínica está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales, el uso que le den a la misma. 
Nueva presentación el  08 de Noviembre 
Dr. Anibal E. Bagnarelli, 
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudada de Buenos Aires. R. Argentina

1296- Aprendizaje automático en el laboratorio clínico

Jiwon You, Hyeon Seok Seok, Sollip Kim, Hangsik Shin. Avanzando en la práctica del aprendizaje automático en el  laboratorio de medicina: rápido pero preciso. Ann Lab Med. 2024; 45(1) :22–35. Department of Digital Medicine, Brain Korea 21 Project, Asan Medical Center, University of Ulsan College of Medicine, Seoul, Korea.

Resumen

El aprendizaje automático (ML) se estudia y aplica ampliamente en el análisis y la predicción de datos en diversos campos, incluida el laboratorio de medicina. Para evaluar exhaustivamente su aplicación, revisamos la literatura sobre aplicaciones de ML en el laboratorio de medicina publicada entre febrero de 2014 y marzo de 2024. Una búsqueda en PubMed mediante una cadena de búsqueda arrojó 779 artículos sobre el tema, de los cuales 144 fueron seleccionados para esta revisión. Estos artículos se analizaron para extraer y categorizar campos relacionados, objetivos de investigación, tipos de muestras, tipos de datos, modelos de ML, métricas de evaluación y tamaños de muestra. Se utilizaron diagramas de Sankey y gráficos circulares para ilustrar las relaciones entre categorías y las proporciones dentro de cada categoría. Descubrimos que la mayoría de los estudios que involucran la aplicación de ML en el laboratorio fueron diseñados para mejorar la eficiencia mediante la automatización o expandir las funciones de los laboratorios clínicos. Los modelos de ML más comunes utilizados son las redes neuronales convolucionales, los perceptrones multicapa y los modelos basados ​​en árboles, que se seleccionan principalmente en función del tipo de datos de entrada. Nuestros hallazgos sugieren que, a medida que la tecnología evolucione, el aprendizaje automático adquirirá mayor relevancia en el laboratorio clínico como herramienta para ampliar las actividades de investigación. No obstante, es necesario mejorar la experiencia en aplicaciones de aprendizaje automático para utilizar esta tecnología eficazmente.

Introducción

En las últimas décadas, el aprendizaje automático (ML) ha avanzado significativamente en cuanto a capacidades analíticas y predictivas, consolidándose como una herramienta vital en diversos campos. Los avances en big data y computación de alto rendimiento han mejorado significativamente el rendimiento de los algoritmos de ML, lo que permite métodos más eficaces para abordar desafíos complejos. La capacidad del ML para analizar grandes conjuntos de datos e identificar patrones puede ayudar a los médicos en el diagnóstico y la predicción de resultados clínicos. Las aplicaciones del ML se han investigado en diversas áreas, como el análisis de imágenes médicas, el pronóstico de pacientes y la planificación personalizada de tratamientos. Algunos modelos han sido aprobados por la FDA, comercializados e implementados en la práctica clínica.

Además, el aprendizaje automático (ML) se ha investigado en el laboratorio clínico para reducir errores y mejorar la precisión y la fiabilidad de los resultados de las pruebas. El ML procesa o analiza grandes conjuntos de datos, lo que facilita la extracción de información significativa que, de otro modo, requeriría un gran esfuerzo manual. Por ejemplo, el ML ha mejorado la eficiencia de tareas repetitivas o que requieren mucha mano de obra, como la validación de resultados de pruebas de química general o el análisis de células sanguíneas y cultivos de orina. Gracias a sus capacidades de inferencia y análisis de big data, el ML puede mejorar sustancialmente el laboratorio clínico al gestionar eficazmente diversos tipos de datos que se analizan con frecuencia en la atención médica.

En esta revisión, evaluamos exhaustivamente el estado actual de las aplicaciones del aprendizaje automático en el laboratorio. Exploramos sus principales usos, los tipos de datos procesados, los resultados obtenidos y las características y consideraciones para la implementación de los principales modelos de aprendizaje automático. Con base en estos hallazgos, también examinamos los desafíos de investigación existentes e identificamos posibles tendencias de desarrollo futuras.

Búsqueda y selección de literatura

Buscamos en PubMed artículos originales que utilizaran ML en el laboratorio clínico y que se publicaron entre febrero de 2014 y marzo de 2024. La cadena de búsqueda se generó combinando palabras relacionadas con medicina de laboratorio con palabras clave relacionadas con ML y excluyendo temas no relacionados (p.ej genoma, resonancia magnética, tomografía computarizada, ultrasonido, electrocardiografía y electroencefalografía). 

La estrategia de búsqueda se detalla en los Datos suplementarios. Inicialmente recuperamos 779 artículos. Un profesional del laboratorio primero excluyó los artículos fuera del alcance del laboratorio clínico según su título y resumen. Los artículos que cumplieron con la selección primaria se sometieron a una revisión de texto completo. 

Los criterios de exclusión en la selección secundaria incluyeron: (i) los datos no se utilizaron en un proceso de prueba de laboratorio clínico o no se originaron a partir de una prueba de laboratorio; (ii) los datos no estaban relacionados con las tareas principales del laboratorio; (iii) los resultados de laboratorio sirvieron únicamente para la predicción de enfermedades; (iv) el modelo de ML utilizado no estaba especificado; (v) el texto completo no estaba disponible; (vi) el artículo no estaba escrito en inglés; y (vii) el artículo no presentaba investigación original. Cuando los resultados fueron ambiguos durante la evaluación secundaria, se revisó el texto completo para determinar su elegibilidad. Finalmente, se seleccionaron 144 artículos para nuestra revisión.........

Leer el articulo completo

(*) Una vez que esta en la pagina del Podcast, pulsando el botón derecho puede acceder a su  traducción al idioma español Este blog de bioquímica-clínica está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales, el uso que le den a la misma.
Nueva presentación el  06 de Noviembre
Dr. Anibal E. Bagnarelli, 
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudada de Buenos Aires. R. Argentina