Identificación de prácticas deshonestas e inseguras en médicos latinoamericanos mediante modelos de inteligencia artificial
HTML Full Text
PDF
XML

Palabras clave

calidad de la atención de salud
ética clínica
mala conducta profesional
errores médicos
redes neuronales de la computación

Cómo citar

Identificación de prácticas deshonestas e inseguras en médicos latinoamericanos mediante modelos de inteligencia artificial . (2026). Gerencia Y Políticas De Salud, 25. https://doi.org/10.11144/Javeriana.rgps25.pdim
Dimensions
 

Google Scholar
 
Search GoogleScholar

Resumen

Introducción: La conducta profesional de los médicos es crucial para garantizar calidad y confianza en los sistemas sanitarios.

Objetivo: Explorar el potencial de los modelos de inteligencia artificial tipo perceptrón multicapa para predecir practicas deshonestas e inseguras en médicos latinoamericanos.

Materiales y Métodos: Estudio analítico de una base de datos de 424 médicos paraguayos, peruanos y cubanos. Se implementó una red neuronal artificial tipo perceptrón multicapa. Se utilizó 43 variables para predecir cuatro comportamientos clave no éticos: “Registro hallazgos físicos no examinados”, “Oculto el error médico propio”, “Paso por alto los errores médicos de los colegas”, “Desatiendo la formación continua de mis conocimientos y destrezas”. El desempeño se evaluó mediante área bajo la curva(AUC) y tablas de clasificación.

Resultados: El modelo mostró rendimientos de alta precisión en "Registro de hallazgos físicos no examinados" y "Ocultar el error médico propio", con 80,60% y 81,30% en entrenamiento, y 77,90% en pruebas para ambos, mientras que en "Paso por alto los errores médicos de los colegas" y "Desatiendo la formación continua", fue 66,20% en ambas pruebas. El AUC reveló una excelente capacidad para discriminar el ocultamiento de errores médicos propios(AUC=0,863) y el registro de hallazgos físicos no examinados(AUC=0,840), una capacidad moderada para identificar el paso por alto de errores médicos de colegas(AUC=0,769) y desatención de la formación continua(AUC=0,763).

Conclusiones: La red neuronal artificial tipo perceptrón multicapa, mostró potencial para predecir y clasificar aspectos relacionados a la deshonestidad y práctica insegura en la atención al paciente por parte de medico latinoamericanos.

HTML Full Text
PDF
XML

1) Casallas Murillo Enf. MSc. AL. A Medicina Social-Saúde Coletiva Latino-Americanas: uma Visão Integradora frente a Saúde Pública Tradicional. Rev Cienc Salud [Internet]. 2017;15(3):397-408. Disponible en: http://dx.doi.org/10.12804/revistas.urosario.edu.co/revsalud/a.6123

2) Gutiérrez JP, Heredia-Pi I, Hernández-Serrato MI, Pelcastre-Villafuerte BE, Torres-Pereda P, ReyesMorales H. Desigualdades en el acceso a servicios, base de las políticas para la reducción de la brecha en salud. Salud Publica Mex [Internet]. 2019;61(6,v-dic):726. Disponible en: http://dx.doi.org/10.21149/10561

3) Mistri IU, Badge A, Shahu S. Enhancing patient safety culture in hospitals. Cureus [Internet]. 2023; Disponible en: http://dx.doi.org/10.7759/cureus.51159

4) Varkey B. Principles of clinical ethics and their application to practice. Med Princ Pract [Internet]. 2021;30(1):17-28. Disponible en: http://dx.doi.org/10.1159/000509119

5) Salam A, Segal DM, Abu-Helalah MA, Gutierrez ML, Joosub I, Ahmed W, et al. The impact of workrelated stress on medication errors in Eastern Región Saudi Arabia. Int J Qual Health Care [Internet]. 2019;31(1):30-5. Disponible en:

http://dx.doi.org/10.1093/intqhc/mzy097

6) Organización Panamericana de la Salud. Nuevo plan busca mejorar la calidad de la atención médica en las Américas [Internet]. Paho.org. [citado 24 de diciembre de 2024]. Disponible en: https://www.paho.org/es/noticias/3-10-2019-nuevo-plan-busca-mejorar-calidad-atencion-medica-americas

7) Yaiprasert C, Hidayanto AN. AI-driven ensemble three machine learning to enhance digital marketing strategies in the food delivery business. Intelligent Systems with Applications [Internet]. 2023;18(200235):200235. Disponible en: http://dx.doi.org/10.1016/j.iswa.2023.200235

8) Kwon H-J, Lee Y-M, Lee Y-H, Chang H-J. Development an instrument assessing residents’ attitude towards professionalism lapses in training. Korean J Med Educ [Internet]. 2017;29(2):81-91. Disponible en: http://dx.doi.org/10.3946/kjme.2017.55

9) Montesinos López OA, Montesinos López A, Crossa J. Overfitting, model tuning, and evaluation of prediction performance. En: Multivariate Statistical Machine Learning Methods for Genomic Prediction [Internet]. Cham: Springer International Publishing; 2022. p. 109-39. Disponible en: http://dx.doi.org/10.1007/978-3-030-89010-0_4

10) Erdmann A, Rehmann-Sutter C, Bozzaro C. Patients’ and professionals’ views related to ethical issues in precision medicine: a mixed research synthesis. BMC Med Ethics [Internet]. 2021;22(1). Disponible en: http://dx.doi.org/10.1186/s12910-021-00682-8

11) Hanefeld J, Powell-Jackson T, Balabanova D. Understanding and measuring quality of care: dealing with complexity. Bull World Health Organ [Internet]. 2017;95(5):368-74. Disponible en: http://dx.doi.org/10.2471/blt.16.179309

12) Avalon University. The Role of Ethics and Professionalism in Medical Practice [Internet]. Avalon University School of Medicine. 2024 [citado 24 de diciembre de 2024]. Disponible en: https://avalonu.org/the-role-of-ethics-and-professionalism-in-medical-practice/

Creative Commons License

Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.

Derechos de autor 2026 Alberto Guevara Tirado, Raul Emilio Real Delor