Modelos predictivos para enfermedades complejas
Las Enfermedades Complejas No Transmisibles (ECNT) son las principales causas de muerte en el mundo, produciendo más muertes cada año que todas las otras causas combinadas. De acuerdo a los datos disponibles aproximadamente el 80% de las muertes por ECNT se producen en países de bajos y medianos ing...
Guardado en:
Autores principales: | , |
---|---|
Formato: | article |
Lenguaje: | Español |
Publicado: |
Revista Facultad de Ciencias Médicas.
2017
|
Materias: | |
Acceso en línea: | http://hdl.handle.net/11086/4893 |
Aporte de: |
id |
I10-R141-11086-4893 |
---|---|
record_format |
dspace |
institution |
Universidad Nacional de Córdoba |
institution_str |
I-10 |
repository_str |
R-141 |
collection |
Repositorio Digital Universitario (UNC) |
language |
Español |
topic |
ECNT Enfermedades Complejas No Transmisibles Características Métodos |
spellingShingle |
ECNT Enfermedades Complejas No Transmisibles Características Métodos Brunotto, M. Zárate, A. M. Modelos predictivos para enfermedades complejas |
topic_facet |
ECNT Enfermedades Complejas No Transmisibles Características Métodos |
description |
Las Enfermedades Complejas No Transmisibles (ECNT) son las principales causas de muerte en el mundo, produciendo más muertes cada año que todas las otras causas combinadas. De acuerdo a los datos disponibles aproximadamente el 80% de las muertes por ECNT se producen en países de bajos y medianos ingresos. Sin embargo, las muertes causadas por ECNT podrían evitarse si se implementaran programas de prevención y diagnóstico temprano. El desafío que representan los
fenotipos multifactoriales es lograr una estrategia válida de identificación de individuos de riesgo en la población. Estas estrategias pueden estar orientadas al monitoreo poblacional o a la generación de modelos predictivos causales para detección temprana, interpretando las causas primordiales que generan la patología. El objetivo de este trabajo es describir las caracterísitcas de las enfermedades crónicas complejas y algunos de los métodos actuales de estudio de éstas en el área de la salud.
Conclusiones. El trabajo interdisciplinario, de un equipo de profesionales de la salud pertenecientes a diversas áreas permite un adecuado abordaje de las patologías complejas. La aplicación de modelos como los gráficos de causalidad resulta una herramienta invalorable para lograr un adecuado ajuste del modelo estadístico, permitiendo introducir todos los componentes que intervienen en la dinámica salud-enfermedad. Y la mejor estrategia metodológica para las enfermedades complejas es
el diagnóstico temprano y el monitoreo de grupos de riesgo y el seguimiento de terapias de pacientes diagnosticados. |
format |
article |
author |
Brunotto, M. Zárate, A. M. |
author_facet |
Brunotto, M. Zárate, A. M. |
author_sort |
Brunotto, M. |
title |
Modelos predictivos para enfermedades complejas |
title_short |
Modelos predictivos para enfermedades complejas |
title_full |
Modelos predictivos para enfermedades complejas |
title_fullStr |
Modelos predictivos para enfermedades complejas |
title_full_unstemmed |
Modelos predictivos para enfermedades complejas |
title_sort |
modelos predictivos para enfermedades complejas |
publisher |
Revista Facultad de Ciencias Médicas. |
publishDate |
2017 |
url |
http://hdl.handle.net/11086/4893 |
work_keys_str_mv |
AT brunottom modelospredictivosparaenfermedadescomplejas AT zarateam modelospredictivosparaenfermedadescomplejas |
bdutipo_str |
Repositorios |
_version_ |
1764820392012152835 |