Sepsis is a highly lethal syndrome with heterogeneous clinical manifestation that can be hard to identify and treat. Early diagnosis and appropriate treatment are critical to reduce mortality and promote survival in suspected cases and improve the outcomes. Several screening prediction systems have been proposed for evaluating the early detection of patient deterioration, but the efficacy is still limited at individual level. The increasing amount and the versatility of healthcare data suggest implementing machine learning techniques to develop models for predicting sepsis. This work presents an experimental study of some machine-learning-based models for sepsis prediction considering vital signs, laboratory test results, and demographics using Medical Information Mart for Intensive Care III (MIMIC-III) (v1.4), a publicly available dataset. The experimental results demonstrate an overall higher performance of machine learning models over the commonly used Sequential Organ Failure Assessment (SOFA) and Quick SOFA (qSOFA) scoring systems at the time of sepsis onset.

Objective: To estimate Diabetes mellitus (DM) progression at one and two years in terms of glycemic targets and development of complications. Research design and methods: We analyzed a retrospective cohort of adult DM patients treated in a Health Maintenance Organization in Colombia, including those with at least one glycosylated hemoglobin (HbA1c) measurement in 2018, 2019, and 2020. We defined four disease transition stages based on metabolic goals according to HbA1c levels and complications: 1. Within HbA1c goals and without complications; 2. Outside goals and without complications, 3. Within goals, but with complications, and 4. Outside goals and with complications. We applied Natural Language Processing (NLP) techniques to extract relevant clinical information from Electronic Health Records. Machine learning (ML) models were used to predict patient progression. Results: A total of 23,802 patients were included. Despite achieving initial glycemic control, more than 60% of patients who started within HbA1c targets and without complications developed chronic complications within two years. Our models, which achieved up to 80% accuracy and F1 scores above 74%, identified key predictors of disease progression. Adherence to dyslipidemia treatment guidelines significantly reduced the likelihood of HbA1c deterioration and complications, whereas non-adherence to pharmacological treatments increased the risk of complications. These findings suggest that HbA1c control alone is insufficient to prevent disease progression and that a more comprehensive management approach—including lipid control, kidney function monitoring, and improved adherence to clinical guidelines—is necessary. Conclusions: Patient compliance with pharmacological treatments, professional adherence to clinical practice guidelines, and lifestyle interventions play a crucial role in diabetes progression. While our models provide strong predictive capabilities, improving data quality and integration remains essential for better forecasting and intervention strategies.

En la actualidad la sofisticación de la tecnología en el sector sanitario ofrece ventajas para el diagnóstico y tratamiento de los pacientes, sin embargo, los riesgos y eventos adversos que acompañan a esta nueva generación de tecnología son una tendencia creciente a nivel global. Hay muchos factores que contribuyen a este escenario: especialmente el error humano que aumenta en las instituciones de salud cuando el proceso de incorporación tecnológica no incluye la adecuada formación del personal. El objetivo de este proyecto es contribuir a la seguridad de los pacientes y ofrecer atención de calidad en la atención sanitaria, debe implementarse una estrategia de capacitación del personal en el uso adecuado de la tecnología para ofrecer un servicio responsable, comprometido y profesional.

Los costos continuos, altos e innecesarios de la tecnología, la escasa atención del paciente, las decisiones tomadas por personas con poca experiencia y el desperdicio de recursos públicos dedicados a la salud; Generan la necesidad de desarrollar un proceso racional y sistemático para la incorporación de equipos médicos. El objetivo de este trabajo fue hacer que un método comience con una recopilación de información a través de una revisión de la literatura y la implementación de una encuesta para diagnosticar el estado de los procesos de incorporación en diferentes instituciones de salud y saber cuáles son las etapas críticas y los pasos a seguir Realizado en cada uno de ellos. El método se implementó en un caso real con la adquisición de dos tecnologías, el acelerador lineal y un esterilizador de vapor. El método fue validado con dos expertos responsables de la adquisición de estos equipos para determinar su usabilidad e importancia en el proceso de incorporación de la tecnología biomédica. La validación mostró resultados cuantitativos y positivos para ambas tecnologías, ya que los expertos estuvieron satisfechos con cada uno de los aspectos evaluados y el informe final proporcionado por el método