Logotipo del repositorio
Logotipo del repositorio
 

Evaluar el costo que representa el uso de la inteligencia artificial en pacientes con enfermedad renal crónica de una institución prestadora de servicios de salud privada en el departamento del Atlántico, 2023

Vista sencilla de ítem
datacite.rightshttp://purl.org/coar/access_right/c_f1cf
dc.contributor.advisorCoavas Martínez, Ana Leónidas
dc.contributor.advisorLastre Amell, Gloria Elena
dc.contributor.authorChams Mendoza, María Del Sol
dc.contributor.authorPupo Castillo, Natalia Liseth
dc.contributor.authorSalcedo Jaramillo, Rafael Antonio
dc.date.accessioned2024-10-07T22:49:15Z
dc.date.available2024-10-07T22:49:15Z
dc.date.issued2024
dc.description.abstractLa enfermedad renal crónica (ERC) es una condición de salud que se define por una reducción persistente en la función renal, medida como una tasa de filtración glomerular (TFG) reducida o evidencia de daño renal durante más de tres meses (Levey & Coresh, 2012). Esta enfermedad afecta a aproximadamente el 10% de la población mundial y está estrechamente asociada con comorbilidades como la diabetes mellitus y la hipertensión arterial (Webster et al., 2017). La ERC puede progresar a insuficiencia renal terminal, que requiere tratamiento sustitutivo como diálisis o trasplante renal, lo que impone una carga significativa tanto para los pacientes como para los sistemas de salud (KDIGO, 2020). En este contexto, la inteligencia artificial (IA) ha emergido como una herramienta de gran potencial en el ámbito de la salud. La capacidad de la IA para analizar grandes volúmenes de datos, identificar patrones y realizar predicciones precisas ha transformado numerosos aspectos del cuidado médico, desde el diagnóstico hasta la gestión de enfermedades crónicas (Rajkomar, Dean, & Kohane, 2019). En particular, la IA puede mejorar la detección temprana de la ERC, optimizar los tratamientos personalizados y gestionar de manera más eficiente los recursos de salud (Topol, 2019). La integración de la IA en el sector salud promete no solo mejorar los resultados clínicos, sino también reducir costos y mejorar la calidad de vida de los pacientes. El objetivo de esta monografía es explorar cómo la inteligencia artificial está influyendo en el manejo de la enfermedad renal crónica. Se analizarán las aplicaciones actuales de la IA en la predicción, diagnóstico y tratamiento de la ERC, evaluando su efectividad y su impacto en el manejo clínico. Además, se discutirá el potencial de la IA para superar los desafíos asociados con la ERC y se considerarán las implicaciones éticas y prácticas de su uso en la atención sanitaria.spa
dc.description.abstractChronic kidney disease (CKD) is a health condition that is defined by a persistent reduction in kidney function, measured as a reduced glomerular filtration rate (GFR) or evidence of kidney damage for more than three months (Levey & Coresh, 2012). This disease affects approximately 10% of the world's population and is closely associated with comorbidities such as diabetes mellitus and high blood pressure (Webster et al., 2017). CKD can progress to end-stage renal failure, which requires replacement therapy such as dialysis or kidney transplantation, imposing a significant burden on both patients and health systems (KDIGO, 2020). In this context, artificial intelligence (AI) has emerged as a tool with great potential in the field of health In this context, artificial intelligence (AI) has emerged as a tool with great potential in the field of health. AI's ability to analyze large volumes of data, identify patterns, and make accurate predictions has transformed numerous aspects of healthcare, from diagnosis to chronic disease management (Rajkomar, Dean, & Kohane, 2019). In particular, AI can improve the early detection of CKD, optimize personalized treatments, and more efficiently manage health resources (Topol, 2019). In particular, AI can improve the early detection of CKD, optimize personalized treatments, and more efficiently manage health resources (Topol, 2019). The integration of AI in the healthcare sector promises not only to improve clinical outcomes, but also to reduce costs and improve patients' quality of life. The aim of this monograph is to explore how artificial intelligence is influencing the management of chronic kidney disease The aim of this monograph is to explore how artificial intelligence is influencing the management of chronic kidney disease. The current applications of AI in the prediction, diagnosis and treatment of CKD will be analyzed, evaluating its effectiveness and impact on clinical management. In addition, the potential of AI to overcome the challenges associated with CKD will be discussed and the ethical and practical implications of its use in healthcare will be considered.eng
dc.format.mimetypepdf
dc.identifier.urihttps://hdl.handle.net/20.500.12442/15827
dc.language.isospa
dc.publisherEdiciones Universidad Simón Bolívarspa
dc.publisherFacultad Administración y Negociosspa
dc.rights.accessrightsinfo:eu-repo/semantics/embargoedAccess
dc.subjectCostospa
dc.subjectInteligencia artificialspa
dc.subjectPacientesspa
dc.subjectEnfermedad renal crónicaspa
dc.subjectInstitución prestadora de servicios de saludspa
dc.subject.keywordsCosteng
dc.subject.keywordsArtificial intelligenceeng
dc.subject.keywordsPatientseng
dc.subject.keywordsChronic kidney diseaseeng
dc.subject.keywordsHealth service provider institutioneng
dc.titleEvaluar el costo que representa el uso de la inteligencia artificial en pacientes con enfermedad renal crónica de una institución prestadora de servicios de salud privada en el departamento del Atlántico, 2023spa
dc.type.driverinfo:eu-repo/semantics/other
dc.type.spaOtros
dcterms.referencesChen, J. H., Asch, S. M., & Choi, H. (2020). Machine learning and predictive analytics in healthcare: A review. Journal of Healthcare Informatics Research, 4(1), 38-56. https://doi.org/10.1007/s41666-019-00076-5eng
dcterms.referencesChen, J., & Zhang, R. (2020). The impact of artificial intelligence on healthcare efficiency: Evidence from the implementation of predictive analytics in chronic disease management. Health Information Science and Systems, 8(1), 35. https://doi.org/10.1186/s13755-020-00305-7eng
dcterms.referencesChoi, E., Schuetz, A., Stewart, W. F., & Sun, J. (2018). Using recurrent neural network models for early detection of heart failure readmission. Journal of the American Medical Informatics Association, 25(3), 362-370. https://doi.org/10.1093/jamia/ocx071eng
dcterms.referencesCreswell, J. W., & Creswell, J. D. (2018). Research design: Qualitative, quantitative, and mixed methods approaches (5th ed.). Sage Publications.eng
dcterms.referencesDavenport, T., & Kalakota, R. (2019). The potential for artificial intelligence in healthcare. Future Healthcare Journal, 6(2), 94-98. https://doi.org/10.7861/futurehospj.6-2-94eng
dcterms.referencesDrummond, M. F., Sculpher, M. J., Claxton, K., et al. (2015). Methods for the economic evaluation of health care programmes (4th ed.). Oxford University Press.eng
dcterms.referencesEsteva, A., Kuprel, B., Novoa, R. A., et al. (2019). Dermatologist-level classification of skin cancer with deep neural networks. Nature, 542(7639), 115-118. https://doi.org/10.1038/nature21056eng
dcterms.referencesGlickman, S. W., Hess, B. J., & Laskey, W. K. (2014). Cost-effectiveness analysis: Methods and applications. Journal of the American College of Cardiology, 63(22), 2325- 2335. https://doi.org/10.1016/j.jacc.2014.02.569eng
dcterms.referencesJiang, F., Jiang, Y., Zhi, H., et al. (2017). Artificial intelligence in healthcare: Past, present, and future. Seminars in Cancer Biology, 16(5), 225-232. https://doi.org/10.1016/j.semcancer.2017.05.015eng
dcterms.referencesKDIGO. (2020). Clinical practice guideline for diabetes and CKD: 2020 update. Kidney International Supplements, 10(4), 1-115.eng
dcterms.referencesLevey, A. S., & Coresh, J. (2012). Chronic kidney disease. The Lancet, 379(9811), 165- 180. https://doi.org/10.1016/S0140-6736(11)60178-5eng
dcterms.referencesObermeyer, Z., & Emanuel, E. J. (2016). Predicting the future — big data, machine learning, and clinical medicine. New England Journal of Medicine, 375(13), 1216-1219. https://doi.org/10.1056/NEJMp1606181eng
dcterms.referencesRajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380(14), 1347-1358.eng
dcterms.referencesRajkomar, A., Dean, J., & Kohane, I. (2019). Machine learning in medicine. New England Journal of Medicine, 380(14), 1347-1358. https://doi.org/10.1056/NEJMra1814259eng
dcterms.referencesRussell, S., & Norvig, P. (2020). Artificial Intelligence: A Modern Approach (4th ed.). Pearson.eng
dcterms.referencesSilva, G. A., Shah, A. M., & Wong, W. K. (2020). Artificial intelligence in the prediction and management of chronic kidney disease. Journal of the American Society of Nephrology, 31(10), 2389-2399. https://doi.org/10.1681/ASN.2020030250eng
dcterms.referencesTopol, E. J. (2019). High-performance medicine: The convergence of human and artificial intelligence. Nature Medicine, 25(1), 44-56. https://doi.org/10.1038/s41591- 018-0300-7eng
dcterms.referencesWebster, A. C., Nagler, E. V., Morton, R. L., & Masson, P. (2017). Chronic kidney disease. The Lancet, 389(10075), 1238-1252. https://doi.org/10.1016/S0140- 6736(16)32064-5eng
dcterms.referencesWeng, W. H., Liu, M., Jiang, W., et al. (2017). A novel risk score model for chronic kidney disease progression using a machine learning approach. Kidney International, 92(2), 396-406. https://doi.org/10.1016/j.kint.2017.01.020eng
dcterms.referencesWeng, W. H., Liu, M., Jiang, W., et al. (2017). A novel risk score model for chronic kidney disease progression using a machine learning approach. Kidney International, 92(2), 396-406. https://doi.org/10.1016/j.kint.2017.01.020eng
oaire.versioninfo:eu-repo/semantics/acceptedVersion
sb.programaEspecialización en Gestión Administrativa y Financiera en Saludspa
sb.sedeSede Barranquillaspa

Archivos

Bloque original
Mostrando 1 - 2 de 2
No hay miniatura disponible
Nombre:
PDF.pdf
Tamaño:
372.42 KB
Formato:
Adobe Portable Document Format
Descargar
Miniatura
Nombre:
PDF_Resumen.pdf
Tamaño:
195.56 KB
Formato:
Adobe Portable Document Format
Descargar
Bloque de licencias
Mostrando 1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
2.93 KB
Formato:
Item-specific license agreed upon to submission
Descripción:
Descargar

Colecciones

Especialización

Universidad Simón Bolívar: Todos los derechos reservados / Sistema de biblioteca