Resumen: Los expertos en salud pública necesitan enfoques escalables para monitorear grandes volúmenes de datos de salud (por ejemplo, casos, hospitalizaciones, muertes) para brotes o problemas de calidad de datos. Los sistemas de monitoreo tradicionales basados en alertas luchan con los sistemas modernos de monitoreo de datos de salud pública por varias razones, incluidos los umbrales de alerta deben restablecerse constantemente y los volúmenes de datos pueden causar retraso de la aplicación. En cambio, proponemos un paradigma de monitoreo basado en la clasificación que aprovecha los nuevos métodos de detección de anomalías de IA. A través de una colaboración interdisciplinaria de varios años, el sistema resultante se ha implementado en una organización nacional para monitorear hasta 5,000,000 de datos diariamente. Una evaluación implementada longitudinal de tres meses reveló una mejora significativa en los objetivos de monitoreo, con un aumento de 54X en la eficiencia de velocidad del revisor en comparación con los métodos tradicionales basados en alerta. Este trabajo destaca el potencial de la IA centrada en el ser humano para transformar la toma de decisiones de salud pública.
Publicado Originalme en rss.arxiv.org El 5 de junio de 2025.
Ver Fuente Original
