En pacientes pediátricos hospitalizados, sin enfermedades críticas, las e-alertas han sido usadas en sistemas de vigilancia de nefrotoxina relacionadas con IRA, lo cual ha permitido reducir la intensidad de IRA en 42% de los casos27, aunque hay autores que ad vierten que la evidencia científica es aún limitada como para establecer con certeza que las e-alarmas sean de utilidad clínica28. En otro orden, el aprendizaje profundo se refiere a la forma en que la máquina va obteniendo la “respues ta correcta”. El procedimiento se va realizando por ca pas o nodos, de menor a mayor complejidad, el cual se puede realizar con sistemas de aprendizaje supervisa dos o no supervisados. Este tipo de aprendizaje se ha usado en la clasificación de imágenes, por ejemplo, en el estudio de cálculos renales usando un conjunto de datos con imágenes de cálculos en color e infrarrojo23.

Estos pueden regis trar información de posición geográfica, variaciones atmosféricas, cambio de temperatura, velocidad de movimiento, entre muchos otros12. Este artículo tiene como objetivo describir los con ceptos y terminología relacionada con la producción masiva de datos, que son conocidos por el tecnicismo “Big Data”. Así también, se pretende brindar algunos ejemplos en los cuales se están usando este tipo de da tos en el ámbito de la pediatría. Finalmente, se hace una reflexión sobre la ventana de oportunidad que ge neran los Big Data y los retos que conlleva como para que se conviertan en un verdadero beneficio para pro veedores de salud pediátricos. Este trabajo fue realiza do sobre la base de una revisión bibliográfica no sis temática, centrada en ámbito de la pediatría y para la elección de los ejemplos de aplicación se consideró que fueran de fuentes primarias y reportados en los últimos cinco años. El Journal aborda las preguntas en torno a este poderoso y creciente campo de la ciencia de datos y facilita los esfuerzos de investigadores, gerentes de negocios, analistas, desarrolladores, científicos de datos, físicos, estadísticos, desarrolladores de infraestructura, académicos y responsables de la formulación de políticas para mejorar las operaciones, la rentabilidad y las comunicaciones dentro de sus negocios e instituciones.

International Journal of Business Intelligence and Data Mining

Se hizo la búsqueda en el índice bibliográfico Web of Science (índice con el cual trabaja la herramienta ToS) y se obtuvo un total de ciento setenta y cuatro (174) artículos para los parámetros de búsqueda. A partir del análisis de este grupo de artículos y de las referencias citadas en los mismos, la herramienta ToS hizo el respectivo refinamiento y retornó diez artículos considerados raíz, en el tronco se clasificaron otros diez y setenta artículos fueron ubicados en las ramas, como se aprecia en la Fig. Cabe aclarar que en este documento no se reportará la totalidad de los artículos arrojados por la herramienta, se ha realizado una selección de los documentos que cubren la temática, permitiendo tener una visión general del estado del arte y de las tendencias y campos de trabajo. Los datos masivos procedentes del sector privado permiten aprovechar para fines estadísticos públicos la gran capacidad del sector privado de generar datos en volúmenes masivos y de calidad. Los resultados correspondientes a las estadísticas oficiales conforme a lo dispuesto en el artículo anterior, y a las estadísticas elaboradas por los órganos estadísticos específicos de los diferentes departamentos del Gobierno, serán siempre públicos y deberán ser publicados en formato reutilizable.

Cabe resaltar, que los documentos considerados tronco, para este caso, corresponden a revisiones del estado del arte en Big Un curso de ciencia de datos que te prepara para el futuro Data. A manera de resumen de los principales documentos considerados raíz, en la Tabla 1 se presenta una síntesis de estos.

Rev. Bioética y Derecho  no.50 Barcelona  2020

En marzo de este mismo año, científicos del Centro de Bioinformática Tropical y Biología Molecular de la Universidad de James Cook (Australia) han realizado un avance en la comprensión de trastornos neurodegenerativos como el Alzheimer y el Parkinson. Se han centrado en el estudio de patrones de fosforilación (una fosforilación es un tipo de modificación química de las proteínas, generalmente sirve para activarlas o inactivarlas) en las sinapsis (zonas de unión entre dos neuronas). Estos fenómenos de fosforilación y desfosforilación son claves en la comunicación entre una neurona y otra y se dan de maneras masiva en las sinapsis. Así, el equipo de investigadores estudió los cambios de fosforilación en varios miles de péptidos y proteínas, lo cual generó una multitud de datos. Así que utilizaron técnicas de big data, data mining y data science para estructurar los datos, relacionarlos con las bases de datos ya existentes (de proteínas que fosforilan a otras, denominadas kinasas, de genes, de proteínas en general…), construir así mapas de las rutas de proteínas que las neuronas utilizan para comunicarse entre sí) y también para intentar identificar patrones de actividad relacionados con la memoria.

El análisis de big data se basa en la inteligencia artificial, la misma que es entendida como «el estudio de cómo programar computadoras que posean la facultad de hacer aquello que la mente humana puede realizar» (Escolano et al., 2003, p. IX). Por otro lado, el aprendizaje de las máquinas -o machine learning, en inglés- es definido como «la programación de computadoras para optimizar su desempeño, usando un criterio con datos previos o experiencias pasadas» (Alpaydin, 2010, p. XXXV) para obtener grandes cantidades de datos personales en la toma de decisiones que están relacionadas https://disenowebakus.net/noticias/tecnologia/tester con los individuos. El análisis de grandes cúmulos de datos incluye la aplicación de un análisis veloz y sofisticado en donde la información de individuos y de grupos humanos es obtenida de diversas fuentes. Para ello, se utilizan herramientas como la inteligencia artificial con el objetivo de procesar y analizar los datos obtenidos para predecir y anticipar los eventos futuros de esa manera (Paterson & Maeve, 2018, p. 3). Cabe señalar que Joyanes expone que el uso del concepto de big data se remonta al año 1984 en el ámbito académico y a 1987 fuera de este (2013, p. 3).

Indicadores

Con el uso de tecnologías disruptivas como la inteligencia artificial y el Big Data se espera estar mejor preparados para una próxima pandemia, incluso prevenirla. Tecnologías 4.0 como el internet de las cosas, la computación inteligente y la computación en la nube aportarán lo suyo en cuanto al monitoreo permanente de las ciudades en busca de anomalías biológicas y químicas que impliquen algún riesgo para la sociedad o el medio ambiente. Este tipo de desarrollos pueden ser personalizados, pues al aplicar algoritmos de aprendizaje predictivo se minimizan los riesgos al formular tratamientos que pueden establecer si un paciente los tolera o no.

• No obstante, la cuestión es que en esta cadena de suministro de datos existen diversos participantes, que van desde las personas que proporcionan la información, las autoridades o las empresas que recolectan los datos, hasta las personas que van a diseñar los algoritmos para que el cúmulo de información prevea un significado; es decir, que se interpreten los datos (Nersessain, 2018, p. 849).
• No se incluyen en el
  estudio documentos indexados, pero no son cartas, artículos o reseñas sino
  presentaciones con diapositivas, producto de discusiones o conferencias
  (webinars).
• Es un proyecto que pretender acortar el tiempo de desarrollo de un fármaco, desde las etapas iniciales hasta que se llega a la comercialización.
• Como primera estrategia, se hizo un acercamiento cienciométrico por medio de la herramienta bibliográfica SCOPUS, un índice bibliográfico que contiene una colección representativa, completa y multidisciplinar a nivel mundial.
• Nos ayuda a comprender el contenido de una base de datos, filtrarlo, limpiarlo y eliminar todo aquello que no aporta a lo que buscamos.