1415 - Q&A: Medicina diagnóstica en la era digital- Podcast

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- Clini Chem, 2023; 69 (12):1333-1341. Clinical Chemistry, University of Iowa Hospitals and Clinics, Iowa City, IA, United States.

Desde la aprobación de la Ley HITECH (Tecnología de la Información Sanitaria para la Salud Económica y Clínica) en 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 atención médica en todo el mundo. 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 (HIT) y los sistemas de información de laboratorio (LIS). El laboratorio clínico no es una excepción y ha estado a la vanguardia de este cambio de paradigma, donde la instrumentación altamente automatizada y las tecnologías digitales han desempeñado un papel transformador en la reciente evolución de las pruebas de laboratorio modernas. En consecuencia, los laboratorios clínicos ahora generan grandes cantidades de datos, lo que impulsa un creciente interés en cómo los profesionales de laboratorio y el personal que atiende directamente a los pacientes pueden aprovechar la toma de decisiones basada en datos para mejorar tanto la atención al paciente como las operaciones.

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 escasas 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 van desde la accesibilidad a los datos hasta la asignación limitada de recursos y la alfabetización de datos variable. Además, un análisis de datos eficaz requiere un enfoque colaborativo, que aproveche la experiencia de diversos campos como la tecnología de la información, la estadística, la medicina de laboratorio y diversas especialidades clínicas. A pesar de estos desafíos, el potencial de los profesionales de la medicina de laboratorio para contribuir es inmenso. Una navegación estratégica hacia la competencia en análisis de datos dentro del laboratorio es crucial para el éxito futuro.

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

Preguntas a considerar: 

• ¿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 en las decisiones clínicas?
• Por favor, comparte un ejemplo de cómo utilizas la toma de decisiones basada en datos en tu organización y cómo esto condujo a mejoras y/o aumentos de eficiencia.
• ¿Cuáles son las barreras más importantes que impiden que su organización aproveche al máximo los beneficios del análisis de datos?
• ¿Qué desafíos y beneficios ha encontrado al integrar datos de laboratorio con datos clínicos no relacionados con el laboratorio? ¿Qué papel pueden desempeñar los profesionales clínicos que atienden directamente a los pacientes para ayudar a analizar e interpretar los datos combinados?
• ¿Cómo está utilizando su organización el análisis predictivo para brindar una atención al paciente más personalizada?
• ¿Cuál es su visión para el futuro del análisis de datos en su organización?

1) Leer el articulo completo

2) Podcast:  Medicina diagnóstica en la era digital

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, 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  09 de Octubre . 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

1414- Laboratorio clínico y atención médica interconectada.

Andreas Bietenbeck, Thomas Streichert. Preparando el laboratorios para la atención médica interconectada. MDPI-Diagnostics (Basel). 202;11(8):1487. Institut für Laboratoriums-medizin, Medizinische Mikrobiologie und Technische Hygiene, München Klinik, Munich, Germany. Institut für Klinische Chemie, Universität zu Köln, Medizinische Fakultät und Uniklinik Köln, Cologne, Germany.

Resumen

En un sistema de atención médica cada vez más interconectado, el laboratorio de medicina puede facilitar el diagnóstico y el tratamiento de los pacientes de manera eficaz. Este artículo describe los cambios necesarios y señala los posibles desafíos a nivel técnico, de contenido y organizativo. Como requisito técnico previo, los informes de laboratorio electrónicos deben ser legibles e interpretables por máquina. Terminologías como LOINC (Logical Observation Identifiers Names and Codes), NPU (Nomenclature for Properties and Units), UCUM (Unified Code for Units of Measure) y SNOMED-CT pueden conducir a la interoperabilidad semántica necesaria. Incluso si solo se extraen resultados individuales y aislados del informe completo, la información necesaria para una interpretación correcta debe estar disponible. Por lo tanto, los comentarios interpretativos, por ejemplo, las preocupaciones sobre una mayor incertidumbre de medición, deben adjuntarse electrónicamente a cada resultado de medición afectado. La estandarización de los análisis de laboratorio con estándares y materiales de referencia trazables permitirá la transferencia de conocimiento y la interpretación segura de los análisis de laboratorio de múltiples laboratorios. En un sistema de atención médica interconectado, los laboratorios deben esforzarse por transformarse en un centro de datos que no solo reciba muestras, sino también información exhaustiva sobre el paciente. Sobre esa base, pueden ofrecer resultados de medición enriquecidos con comentarios interpretativos de alta calidad adaptados a cada paciente y liberar todo el potencial de la medicina de laboratorio.

1. Introducción

El laboratorio de medicina tiene una larga trayectoria en el uso de la tecnología de la información para optimizar sus procesos. Ahora, las tecnologías de la información y las telecomunicaciones prometen transformarlo en su totalidad. En un sistema de atención médica interconectado, un equipo de especialistas reemplaza al médico único responsable de un paciente. En las vías clínicas fragmentadas, las telecomunicaciones conectan entidades especializadas. 

En este contexto, las mediciones de laboratorio de un paciente ya no se realizan en un solo laboratorio. Incluso hoy en día, los análisis poco frecuentes suelen realizarse en laboratorios especializados. Las pruebas en el punto de atención, incluidos los sensores continuos, realizan mediciones adicionales. Mediante registros electrónicos de pacientes u otra infraestructura de TI, los resultados de laboratorio se agegaran e intercambiarán y transmitidos electrónicamente, estaran siempre disponibles en el punto de atención. 

Diversos especialistas médicos ya no son los únicos receptores del informe de laboratorio. Otras entidades, como los algoritmos de aprendizaje automático, reciben informes de laboratorio electrónicamente para predecir enfermedades o su progresión. Otros programas evaluarán resultados previos para informar sobre los intervalos de repetición de pruebas y evitar pruebas innecesarias.

Dado que los informes de laboratorio estarán fácilmente disponibles, se utilizarán en otros contextos además del tratamiento inmediato del paciente. Para la gestión hospitalaria y la asignación de recursos, los resultados de laboratorio ya se incorporan a puntuaciones específicas. Los datos de laboratorio también se analizan en grandes proyectos de investigación sanitaria. La pandemia de COVID-19 ofrece ejemplos donde los resultados de las pruebas se agregan para influir en las decisiones de salud pública. 

Los pacientes se ven a sí mismos desempeñando un papel más activo y solicitan sus informes de laboratorio para gestionar su estilo de vida y su salud. Este trabajo examina cómo los laboratorios de medicina  pueden y deben prepararse para estos cambios a nivel técnico, de contenido y organizativo....

Leer el artículo completo

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, 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 Octubre. 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

(*

1413- 1° de Octubre Día Internacional de la Música

Bagnarelli, A. E. Editor. Historia de la Música: períodos, compositores y sus obras. Fuente: Chat, Claude 5.0 / Gemini 3.5. Videos y MP3: YouTube, Web Art Gallery.

Introducción

1) El 1° de Octubre se celebra el Día Internacional de la Música, fecha establecida por la UNESCO en 1975 para conmemorar sus diversas manifestaciones. Su creación fue idea del violinista Lord Yehudi Menuhin, con el objetivo de promover la música entre todos los sectores de la sociedad y como expresión de los ideales de paz y amistad entre los pueblos.

2) La música ha evolucionado a través de diferentes períodos y corrientes, dando lugar a obras que han marcado la historia de la cultura, cada uno de los cuales tiene sus propias características. Cada período musical refleja un momento histórico y contribuye a la evolución continua de la expresión humana. Estos movimientos a menudo se superponen e influyen entre sí, creando un rico entramado de tradiciones que continúa evolucionando hasta hoy.

3) En esta presentación, la clasificación por períodos simplifica procesos culturales complejos y superpuestos, con límites cronológicos aproximados que varían según la tradición local. Además, la selección de estas obras refleja un canon occidental, mayoritariamente europeo o angloamericano, sujeto a revisión crítica constante. Por lo tanto, la elección refleja más el consenso crítico actual que un juicio definitivo que, de hecho, en el arte nunca lo es.

4) En relación con los creadores musicales y sus obras, es evidente que numerosos compositores debido a su edad, capacidad técnica, visión del mundo, motivos políticos o al entorno en el que se desenvolvían pueden ubicarse dentro de uno o más de estos períodos.

Períodos, compositores y sus obras

1. Música Prehistórica (25.000 a. C. – 476 d. C.): corresponde a un período anterior a la invención de la escritura, por lo que no existen registros escritos directos de la música de esta época.

Características: en esa época, los instrumentos eran primitivos, fabricados con objetos naturales como conchas, huesos, piedras, palos, troncos huecos y pieles de animales. Las voces y vocalizaciones consistían en gritos y ululaciones. Lo que se consideraba música tenía como propósito celebrar rituales, conectarse con la naturaleza o evocar estados alterados de conciencia. La música se basaba en patrones rítmicos y repeticiones simples.

Compositores y obras destacadas: dado que no hay compositores ni partituras conocidas, la comprensión de la música prehistórica se basa en evidencias arqueológicas, antropológicas y etnográficas, así como en investigaciones sobre las tradiciones musicales de culturas indígenas y tribales que han preservado sus prácticas musicales ancestrales. Civilizaciones antiguas como los griegos y los romanos desarrollaron sistemas complejos de teoría musical; por ejemplo, filósofos griegos como Pitágoras exploraron los aspectos matemáticos de la música, contribuyendo a la comprensión de los armónicos y las escalas.

2. Música Medieval (476 – 1450): durante esta época, la música estaba intrínsecamente ligada a la religión y a la liturgia cristiana, y se interpretaba principalmente en iglesias y catedrales.

Características: consistía inicialmente en una sola melodía, sin armonía ni acompañamiento instrumental. Se utilizaban escalas modales, diferentes de los modos mayor y menor que predominarían en la música tonal posterior. La notación estaba en desarrollo y era más rudimentaria que la notación moderna. La música vocal sacra era la forma predominante y se cantaba en latín, principalmente en forma de cantos gregorianos.

Compositores y obras destacadas: Hildegard von Bingen (1098-1179), Guillaume de Machaut (1300-1377), Tomás Luis de Victoria (1548-1611).

Hildegard von Bingen:

• Hymns and Songs                  https://www.youtube.com/watch?v=0YTOiJ-zjP0&t=23s

• Ave Generosa (Ola Gjeilo)    https://www.youtube.com/watch?v=EovXQDFuK0Y

Guillaume de Machaut

• Miserere mei, Deus – Allegri https://www.youtube.com/watch?v=H3v9unphfi0

• Douce Dame Jolie                  https://www.youtube.com/watch?v=tJS-HZWB3wE

Tomás Luis de Victoria

• Ave Maria                               https://www.youtube.com/watch?v=LdIvpuR1rpE

• O magnum mysterium            https://www.youtube.com/watch?v=cj8_2UiE-ew

1)  Leer el artículo completo

2)  Enfermedades de los grandes músicos

(*)  Nueva presentación el  03 de Octubre. 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

1412- Recomendaciones ADLM a la CLIA acerca de IA

Press Release:  ADLM solicita actualizaciones de CLIA para ayudar a garantizar el uso seguro y confiable de la IA en la medicina de laboratorio. Septiembre 15, 2026

Washington-  La Asociación para el Diagnóstico y la Medicina de Laboratorio (ADLM) ha presentado comentarios en respuesta a una solicitud federal de información sobre posibles actualizaciones de las Clinical Laboratory Improvement Amendments (CLIA),  que son un conjunto de normas reglamentarias que rigen todas las pruebas de laboratorio clínico en los EE. UU. En la carta de comentarios, la ADLM recomienda que, según la CLIA, las herramientas emergentes de inteligencia artificial (IA) sigan estando sujetas a la misma experiencia profesional, sistemas de calidad, requisitos de validación y normas de supervisión que se aplican a las pruebas de laboratorio tradicionales. 

Las pruebas de laboratorio clínico han avanzado significativamente desde la implementación de CLIA en 1992, y uno de los mayores avances recientes en este campo es el creciente uso de la IA. El software tradicional ha respaldado durante mucho tiempo las pruebas de laboratorio de alta calidad mediante funciones como la verificación, la interpretación y la presentación de informes de resultados, y las nuevas tecnologías, como la IA y el aprendizaje automático, desempeñan un papel cada vez más importante en muchas de estas mismas áreas. Sin embargo, las herramientas basadas en IA introducen nuevos modos de fallo y problemas de seguridad que el marco CLIA actual no aborda. 

Por ejemplo, un error en el software convencional generalmente afecta a todos los casos de pacientes que cumplen las mismas condiciones programadas y puede evaluarse utilizando casos con resultados esperados conocidos. Un modelo basado en IA, por otro lado, puede producir errores específicos para cada caso, lo que dificulta la resolución del problema. La IA generativa también puede producir información inexacta o sin respaldo, omitir datos clínicamente importantes o cambiar su comportamiento tras las actualizaciones del modelo, la solicitud o la base de conocimientos.  

A medida que las herramientas basadas en IA se vuelven más comunes en la medicina de laboratorio, ADLM recomienda realizar actualizaciones específicas a CLIA que reflejen los nuevos desafíos que conllevan estas tecnologías. Los aspectos más destacados de las recomendaciones en la carta de comentarios de ADLM incluyen lo siguiente:

• The Centers for Medicare & Medicaid Services y the Centers for Disease Control and Prevention (las dos agencias que respaldan la CLIA) deberían establecer una supervisión federal para las herramientas basadas en IA que evite duplicaciones innecesarias. En concreto, la Administración de Alimentos y Medicamentos (FDA) puede regular determinados productos de software o dispositivos médicos, mientras que la CLIA rige la responsabilidad del laboratorio en cuanto a la precisión y fiabilidad de las pruebas.

• CLIA debería distinguir entre el software convencional y los modelos de IA. Los laboratorios también deberían tener en cuenta las diferencias en el rendimiento del software tradicional y los modelos aprendidos al validar y supervisar su desempeño.

• CLIA debería adoptar un enfoque basado en el riesgo y adecuado a la tecnología, que establezca expectativas de calidad claras para las herramientas basadas en IA, al tiempo que preserve la capacidad de los directores de laboratorio y los profesionales de laboratorio cualificados para determinar métodos científicamente apropiados para cumplir con dichas expectativas.

• Cuando un centro analiza de forma independiente datos de laboratorio específicos de un paciente o proporciona una interpretación de laboratorio especializada que genera o ayuda a generar un resultado de prueba o una interpretación para uso clínico, esas actividades forman parte del proceso de análisis completo y deben estar sujetas a la supervisión CLIA correspondiente.

En general, los comentarios de ADLM enfatizan que las herramientas basadas en IA deben evaluarse como parte del proceso de prueba total dentro del marco existente de CLIA, en lugar de tratarse como herramientas de software independientes que requieren la creación de una estructura regulatoria separada.

«La IA tiene el potencial de impulsar avances extraordinarios en la medicina de laboratorio, pero la innovación en este campo debe equilibrarse con la necesidad de garantizar la calidad de las pruebas y la seguridad del paciente», declaró el Dr. Stanley F. Lo, presidente de la ADLM. «Los laboratorios cuentan con la experiencia y los sistemas de calidad necesarios para evaluar, implementar y supervisar continuamente las herramientas de IA, lo que hace que la supervisión constante de los laboratorios sea esencial para el uso responsable de la IA en las pruebas de laboratorio clínico».

Acerca de la Asociación para el Diagnóstico y la Medicina de Laboratorio (ADLM):

Dedicada a lograr una mejor salud para todos a través de la medicina de laboratorio, ADLM reúne a más de 70 000 profesionales de laboratorio clínico, médicos, científicos investigadores y líderes empresariales de 110 países de todo el mundo. 

Nuestra comunidad está a la vanguardia de las diversas subdisciplinas de la medicina de laboratorio, incluyendo química clínica, diagnóstico molecular, espectrometría de masas, microbiología clínica y ciencia de datos, y está compuesta por personas con un amplio espectro de títulos, certificaciones y credenciales profesionales relacionadas con el laboratorio. 

Desde 1948, ADLM ha impulsado el avance de la medicina de laboratorio fomentando la colaboración científica, el intercambio de conocimientos y el desarrollo de soluciones innovadoras que mejoran los resultados de salud. Para obtener más información, visite www.myadlm.org .

Leer articulo original

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, 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  01 de Octubre. 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

1411- Grupo IA en medicina de laboratorio según la EFLM

Janne Cadamuro, Anna Carobene, et al. (18). Un estudio exhaustivo sobre la adopción de la inteligencia artificial en medicina de laboratorio Europeo: utilización actual y perspectivas. De Gruyter Drill.Clin Chem Lab Med. 2024; 63(4): 692-703. European Federation of Clinical Chemistry and Laboratory Medicine Working Group on Artificial Intelligence

Resumen

Antecedentes:  A medida que evoluciona el sector sanitario, se reconoce cada vez más el potencial de la inteligencia artificial (IA) para mejorar el laboratorio e medicina. Sin embargo, las tasas de adopción y las actitudes hacia la IA de los laboratorios europeos no se han analizado exhaustivamente. Este estudio pretende subsanar esta deficiencia mediante una encuesta a profesionales de laboratorio europeos para evaluar su uso actual de la IA, la infraestructura digital disponible y sus actitudes hacia futuras implementaciones.

Métodos:  En octubre de 2023, realizamos una encuesta metódica que distribuimos a través de las listas de correo de EFLM. La encuesta abarcó seis áreas clave: características generales, equipos digitales, acceso a datos de salud, gestión de datos, avances en IA y perspectivas personales. Analizamos las respuestas para cuantificar la integración de la IA e identificar las barreras para su adopción.

Resultados: De las 426 respuestas iniciales, se consideraron 195 tras excluir las incompletas y las procedentes  fuera de Europa. Los resultados revelaron una escasa participación en IA, con importantes deficiencias en la infraestructura digital y la formación necesarias. Solo el 25,6 % de los laboratorios informaron de proyectos de IA en curso. Entre las principales barreras se encontraban las herramientas digitales inadecuadas, el acceso restringido a datos completos y la falta de competencias en IA entre el personal. Cabe destacar el gran interés manifestado por la formación en IA, lo que indica una demanda de iniciativas educativas.

Conclusiones:  A pesar del reconocido potencial de la IA para revolucionar la medicina de laboratorio mediante la mejora de la precisión y la eficiencia diagnósticas, los laboratorios europeos se enfrentan a importantes desafíos. Esta encuesta pone de manifiesto la necesidad crucial de inversiones estratégicas en programas educativos y mejoras de infraestructura para apoyar la integración de la IA al laboratorio de medicina en toda Europa. Los esfuerzos futuros deben centrarse en mejorar la accesibilidad a los datos, actualizar las herramientas tecnológicas y ampliar la formación y conocimientos sobre IA entre los profesionales. En respuesta, nuestro grupo de trabajo planea desarrollar y poner a disposición materiales de formación en línea para satisfacer esta creciente demanda educativa.

Introducción

El mundo tal como lo conocemos está cambiando drástica y rápidamente, y también los procesos sanitarios actuales. El potencial de la inteligencia artificial (IA) se ha hecho cada vez más evidente, ya que puede liberarnos de tareas repetitivas y simples o incluso complejas, permitiéndonos, como profesionales sanitarios, dedicar más tiempo a aquellos pacientes cuyos síntomas y enfoque diagnóstico requieren creatividad humana. Estos casos que consumen mucho tiempo podrían haber sido minimizados y pasados ​​por alto en el pasado debido a la enorme cantidad de trabajo y datos que llegan constantemente, como demostraron Elliot et al. 

Hasta ahora, la IA se ha abierto camino en áreas médicas donde las imágenes forman la base de los diagnósticos. Por lo tanto, las disciplinas con más herramientas de IA aprobadas por la FDA son actualmente la radiología y la cardiología. Según los resultados de una encuesta de 2021, el 30 % de los radiólogos ya utilizan IA para apoyar los procesos de diagnóstico. Sin embargo, como la interpretación de los resultados de las pruebas de laboratorio clínico depende de muchas otras variables, solo se han entrenado unos pocos modelos de aprendizaje automático (ML) para servir a los procesos de laboratorio, la mayoría de los cuales se basan en el reconocimiento de imágenes de células y otras estructuras en sangre u orina, evaluación de tiras de orina o pruebas rápidas de glucosa. 

Aparte de la plétora de estudios publicados que utilizan datos de laboratorio para el diagnóstico y pronóstico de COVID-19, solo se han publicado unos pocos estudios que apuntan a interpretar los resultados de las pruebas de laboratorio, principalmente en conjunto con otros datos médicos (por ejemplo, sepsis, pronóstico de ascitis, etc.). No obstante, los profesionales de laboratorio deben familiarizarse con este tema para mantener y mejorar sus servicios en el futuro y para contrarrestar una posible disminución de la plantilla debido a la jubilación de la llamada generación "boomer".

Para evaluar el estado actual del conocimiento sobre inteligencia artificial (IA) en los laboratorios Europeos, el Working Group on AI (WG-AI) de la European Federation of Laboratory Medicine (EFLM) realizó una encuesta con el objetivo de obtener información sobre el hardware y el software disponibles, el nivel de experiencia, los proyectos de IA en curso, el acceso a datos sanitarios y la disposición de los profesionales de laboratorio a participar en formación continua sobre IA. 

Objetivo: utilizar las respuestas de la encuesta para proporcionar material educativo, una base de conocimientos y oportunidades de creación de redes para los laboratorios europeos.

Materiales y métodos: Esta investigación empleó un enfoque de encuesta metódica para recopilar información exhaustiva sobre el uso y los puntos de vista relacionados con la IA en la medicina de laboratorio. La encuesta se diseñó para evaluar seis temas clave, que se describen a continuación:

Características generales : Esta sección abarca información básica sobre los laboratorios, incluyendo la ubicación geográfica, la demografía por edades del personal, el tipo de organización del lugar de trabajo, el volumen anual de pruebas y los tipos de análisis que se realizan......

Leer el artículo completo

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, 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  28 de  Septiembre. 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

1410- Grupo IA en medicina de laboratorio segun la IFCC

Damien Gruson, Bernard Gouget, Woochang Lee, Ronda Greaves, Yan Liu , Sven Ebert He Sarina Yang, Swarup Shah. De la automatización a la inteligencia artificial con agentes en medicina de laboratorio: una opinión de la División de Tecnologías Emergentes de la IFCC. Clin Chem Lab Med.2025; 64(5): 985-988. Departamento de Bioquímica Clínica, Cliniques Universitaires St-Lux, Bruselas, Bélgica y Université Catholique de Louvain, Bruselas, Bélgica y otras Instituciones.

N.del E.: Algunas consideraciones sobre el titulo de esta presentación (Chat Claude 5.0) 

Significado y  funciones de "Agente de inteligencia artificil: Se refiere a sistemas de IA capaces de actuar de forma autónoma para cumplir objetivos, en lugar de solo responder a una consulta puntual. A diferencia de la IA tradicional basada en prompts, un sistema agéntico puede descomponer una meta compleja en subtareas, planificar los pasos necesarios, utilizar herramientas externas (como buscadores, código o bases de datos), tomar decisiones según los resultados obtenidos y corregir su curso de acción sin intervención humana constante. Mantiene además memoria o contexto a lo largo de todo el proceso, lo que le permite ejecutar tareas extendidas de principio a fin."

Introducción

La inteligencia artificial (IA) se ha convertido rápidamente en un pilar fundamental de la investigación y la práctica sanitaria. En e laboratorio de medicina, las aplicaciones del aprendizaje automático y los grandes modelos lingüísticos (MLL) ya han demostrado su potencial en diagnóstico, apoyo a la toma de decisiones clínicas y optimización de flujos de trabajo. Si bien estos sistemas de IA pueden generar información y recomendaciones valiosas, aún dependen de usuarios humanos para interpretar e implementar sus resultados.

La IA con agentes representa un cambio fundamental en este paradigma. A diferencia de los modelos tradicionales que se limitan a la predicción, los sistemas con agentes pueden razonar, planificar y actuar de forma autónoma a lo largo de múltiples etapas de un proceso. Los gemelos digitales complementan esta evolución al crear réplicas virtuales dinámicas y actualizadas continuamente de sistemas de laboratorio o trayectorias de pacientes, lo que reduce la brecha entre la simulación y la práctica del mundo real.

Al combinar la descomposición de tareas, la toma de decisiones y la orquestación de diversas herramientas digitales, la IA con agentes funciona menos como un asistente pasivo y más como un «colega digital» . Este marco emergente amplía las capacidades de la IA tradicional al integrar el razonamiento en cadena, la investigación profunda, la orquestación de herramientas multimodales y la ejecución autónoma.

En el contexto del laboratorio, esta evolución es particularmente transformadora. La IA con capacidad de agencia tiene el potencial de ir más allá de la automatización estática y la generación de informes de datos, permitiendo que los laboratorios operen como ecosistemas adaptativos que brindan valor continuo y orientado a resultados.

Por ejemplo, consideremos el objetivo común de emitir un resultado de troponina seguro y oportuno: una IA con capacidad de agencia podría consultar de forma autónoma el sistema informático del laboratorio (LIS), el software intermedio y los registros electrónicos de salud (EHR); recuperar resultados históricos, el estado de los instrumentos y los procedimientos operativos estándar; procesar la muestra mediante la automatización total del laboratorio; aplicar reglas de uso de pruebas; validar y generar informes estructurados; interpretar los resultados con recomendaciones de seguimiento; y comunicar los hallazgos inusuales al personal.

Estudios preliminares indican que esta arquitectura podría superar a los modelos LLM de referencia en tareas clínicas al aprovechar el razonamiento estructurado y la orquestación de herramientas. Sin embargo, la transición de la asistencia a la autonomía también intensifica la necesidad de interpretabilidad, transparencia y supervisión humana claramente definida ("intervención humana") para garantizar la rendición de cuentas de todas las acciones automatizadas.

Leer el articulo completo

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, 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  26 de  Septiembre. 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina

1409- Dosificación de fármacos mediante ecuaciones CKD-EPI. - Podcast

Edward J Filippone, Walter K Kraft. Perspectiva sobre la dosificación de fármacos mediante las nuevas ecuaciones CKD-EPI. Oxford Academic.Clin Chem 2025; 71(10):  1014-1017. Department of Medicine, Sidney Kimmel Medical College of Thomas Jefferson University, Philadelphia, PA, United States.

La determinación de la función renal es un pilar fundamental de la medicina clínica. En primer lugar, la disminución de la función renal conlleva complicaciones médicas como anemia, trastornos mineralo-óseos, acidosis y, sobre todo, un mayor riesgo cardiovascular y mortalidad. La medición de la función renal, que sea económica, reproducible y razonablemente precisa, es crucial. La segunda aplicación de la evaluación de la función renal es la utilización y dosificación adecuadas de los medicamentos que se eliminan por vía renal. La eliminación de fármacos se produce a través de (a) la filtración glomerular, (b) la secreción tubular proximal, (c) la reabsorción tubular distal y (d) el metabolismo renal. Los marcadoes afecta la disposición de los fármacos debido a cambios en la función de los transportadores, la absorción gastrointestinal de fármacos, el metabolismo extrarrenal y otros mecanismos mal definidos. Estos son difíciles de medir y se enmarcan en una categoría de variabilidad interindividual aún inexplicada en la exposición a los fármacos.

La mejor evaluación general de la función renal es la tasa de filtración glomerular (TFG). La disminución de la TFG se asocia linealmente con la función tubular y, por lo tanto, sigue siendo una guía razonable para la eliminación renal de fármacos, incluso para aquellos que se eliminan principalmente por secreción. No es posible medir directamente la TFG en humanos; la depuración renal medida de sustancias exógenas o endógenas se utiliza como un indicador indirecto de la TFG, denominada TFG medida (TFGm). La depuración renal es igual a la cantidad de sustancia excretada a lo largo del tiempo dividida por la concentración plasmática. También se utiliza la depuración plasmática de sustancias exógenas, lo que evita la necesidad de recolectar orina. El método de referencia para la TFGm es la depuración renal de inulina. Sin embargo, la inulina es costosa, no está fácilmente disponible y es difícil de medir. Otros agentes exógenos que se pueden utilizar para determinar la TFGm incluyen iotamato, iohexol, Cr 51 -EDTA y ácido dietilentriaminopentaacético.

De forma más práctica, se han desarrollado ecuaciones para estimar la TFG [TFG estimada (TFGe)] basándose en analitos séricos fácilmente disponibles que se eliminan mediante filtración glomerular. La creatinina es la más estudiada, pero la cistatina C (cistatina) se utiliza cada vez más. Tanto la generación como la eliminación de un sustrato endógeno deben estar en estado estacionario para una estimación precisa de la TFG, y no se puede utilizar ninguna fórmula cuando alguna de ellas está fluctuando. Específicamente, el nivel sérico de cualquiera de ellos no está determinado únicamente por su eliminación, sino también por su producción en estado estacionario, que puede variar sustancialmente según las comorbilidades asociadas (véase la Tabla 1 

La primera fórmula ampliamente utilizada fue la ecuación de Cockcroft-Gault (CG) en 1976, que empleaba la creatinina sérica para estimar el aclaramiento de creatinina medido, un método con limitaciones y en función de la edad, el peso corporal y el sexo. Los datos se obtuvieron de 236 hombres, predominantemente blancos, con un factor de corrección de 0,85 elegido arbitrariamente para las mujeres. El uso generalizado y la vigencia de la CG son prueba de su utilidad como estimador del aclaramiento de creatinina y, por ende, de la TFG, fácil de calcular y muy útil. Sin embargo, se desarrolló utilizando un ensayo de creatinina no estandarizado que ya no se utiliza. 

La ecuación nunca se validó con la TFG medida exógenamente, ni se estudió en otros grupos raciales. Ha demostrado ser menos precisa que las ecuaciones posteriores para estimar la TFG medida y predecir la concentración de fármacos de eliminación renal. La CG todavía es utilizada con frecuencia en el laboratorio clínico para estimar la TFG en decisiones relacionadas con la dosificación de medicamentos, pero, debido a sus numerosas limitaciones, ha llegado al final de su utilidad.....

1)  Leer el artículo completo

2)  Dosificación de fármacos mediante ecuaciones CKD-EPI.-Podcast

(*) Una vez que está en la página del artículo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica clínica, que es sin fines de lucro, 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  24 de  Septiembre. 
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos. 
Ciudad de Buenos Aires. R. Argentina