Machine Learning, telemedicina en el área de emergencia del servicio de salud. Una revisión sistemática

Abstract

El hacinamiento en el departamento de emergencias se ha convertido en un importante problema de atención médica en todo el mundo (Morley et al., 2021). Por lo tanto, la mayoría de los servicios de urgencias tienen un triaje para gestionar los crecientes volúmenes de pacientes (Zachariasse et al., 2019). El triaje es un proceso que permite una gestión del riesgo clínico para poder manejar adecuadamente y con seguridad los flujos de pacientes cuando la demanda y las necesidades clínicas superan a los recursos. (Soler et al., 2010). Es vital identificar con precisión a los pacientes que necesitan atención inmediata en el triaje y brindar atención rápida a los pacientes en el servicio de urgencias, ya que la demora en la atención genera un aumento de morbilidad y mortalidad para muchas afecciones clínicas (Zachariasse et al., 2019). El número de pacientes ha aumentado considerablemente en los últimos años. Con este aumento, los procesos de triaje y priorización se vuelven especialmente difíciles. (Pedrero et al., 2021). Esto es un problema grave que puede afectar a la vida humana. Además, los procesos involucrados en la atención de salud generan una gran cantidad de información que resulta difícil de analizar. Esto se debe en gran cosa, al volumen, velocidad y cantidad de datos. Los algoritmos de aprendizaje automático, además de ser útiles para realizar predicciones clínicas y epidemiológicas, también pueden ser aplicados en la gestión de servicios de salud. (Pedrero et al., 2021). Por lo tanto, es necesario aplicar nuevas técnicas y algoritmos de telecomunicación que permitan prestar servicios sanitarios eficientes y rápidos, que puedan salvar la vida del paciente. La telemedicina se presenta como una solución esencial para la monitorización a distancia, que permite atender grandes cantidades de pacientes crónicos diferentes en casa. Varios estudios se han investigado varias actividades de telemedicina. Estos estudios implican una evaluación un diagnóstico y un tratamiento a distancia a pacientes con enfermedades crónicas (Salman et al., 2021). Se propone un nuevo cruce de correspondencia entre los métodos de aprendizaje automático y la taxonomía de la telemedicina. La taxonomía cruzada se desarrolla en este estudio para identificar la relación entre el algoritmo de aprendizaje automático y las categorías de telemedicina equivalentes mientras que el algoritmo de aprendizaje automático se ha utilizado. El impacto de la utilización del aprendizaje automático se compone en la propuesta de la arquitectura de telemedicina basada en la estructura sincrónica (tiempo en línea) y asincrónica (fuera de línea). (Salman et al., 2021). El objetivo de este estudio es: la utilización del aprendizaje automático en aplicaciones de telemedicina, priorización de pacientes remotos en aplicaciones de telemedicina, triaje o calificaciones de pacientes remotos en aplicaciones de telemedicina. El enfoque utilizado fue el cuantitativo continuo, a nivel de investigación descriptivo y correlacional. Se concluye la investigación provee una revisión minuciosa del rol del aprendizaje automático en el perfeccionamiento de los sistemas de prioridad y triaje electrónico. Se centra en la revisión del uso de algoritmo de aprendizaje automático en los seguimientos de salud de telemedicina.