Análisis del estado del arte de Machine Learning en emergencias sanitarias

E.T.S.I DE TELECOMUNICACIÓN UNIVERSIDAD DE VALLADOLID TRABAJO FIN DE GRADO GRADO EN INGENIERÍA DE TECNOLOGÍAS ESPECÍFICAS DE TELECOMUNICACIÓN, MENCIÓN EN SISTEMAS ELECTRÓNICOS ANÁLISIS DEL ESTADO DEL ARTE DE MACHINE LEARNING EN EMERGENCIAS SANITARIAS Autor: Dña. Inés Robles Mendo Tutor: Dña. Isabel de la Torre Díez Valladolid, 27 de mayo de 2021 2 3 TRIBUNAL PRESIDENTE D. Miguel López-Coronado Sánchez Fortún SECRETARIA Dña. Isabel de la Torre Díez VOCAL Dña. Beatriz Sainz de Abajo SUPLENTE 1 D. Carlos Gómez Peña SUPLENTE 2 D. Salvador Dueñas Carazo FECHA 27 de mayo de 2021 CALIFICACIÓN TÍTULO Análisis del estado del arte de Machine Learning en emergencias sanitarias. AUTOR Dña. Inés Robles Mendo TUTOR Dña. Isabel de la Torre Díez DEPARTAMENTO Teoría de la señal y Comunicaciones e Ingeniería Telemática 4 5 Agradecimientos A mi familia por su apoyo y sacrificio, que ha permitido que consiga lo que me proponga. A mis amigos y en especial a Agustín por su ayuda y paciencia constante a lo largo de estos años de universidad. Y finalmente, a mi tutora Isabel por la confianza y la buena disposición que siempre ha mostrado. 6 7 Resumen Las emergencias sanitarias son una modalidad de medicina que actúa sobre una urgencia médica o sobre cualquier enfermedad en su momento agudo. Cualquier tipo de respuesta a una urgencia médica dependerá de la situación, del paciente y de los recursos disponibles para poder atenderlo. También variará si la urgencia sucede dentro o fuera de de un hospital. El aprendizaje automático o Machine Learning trata de desarrollar técnicas que permitan que las máquinas aprendan. Hoy en día, el Machine Learning es empleado principalmente en el campo de la medicina preventiva, entre otros. El objetivo en el que se centra este Trabajo Fin de Grado es llevar a cabo un análisis del estado del arte de soluciones de Machine Learning empleadas en emergencias sanitarias, con el fin de proponer nuevas líneas de investigación en este subcampo. Para lograr este objetivo, se ha realizado una búsqueda exhaustiva en artículos científicos y en aplicaciones móviles disponibles. Palabras clave: aprendizaje automático, aprendizaje profundo, AI, emergencias sanitarias, medicina de emergencia, aplicaciones móviles, mHealth, eHealth, Android, iOS, revisión de alcance. 8 9 Abstract Health emergencies are a form of medicine that deals with a medical emergency or any disease in its acute phase. Any type of response to a medical emergency will depend on the situation, the patient and the resources available to care for the patient. It will also vary whether the emergency happens inside or outside a hospital. Machine learning tries to develop techniques that allow machines to learn. Nowadays, this technique is mainly used in the field of preventive medicine, among others. The objective of this Final Degree Project is to carry out an analysis of the state of the art of Machine Learning solutions used in health emergencies, with the aim of proposing new lines of research in this subfield. In order to achieve this objective, an exhaustive search has been carried out in scientific articles and available mobile applications. Keywords: machine learning, deep learning, AI, health emergencies, emergency medicine, mobile applications, mHealth, eHealth, Android, iOS, scoping review. 16 17 Capítulo 1. Introducción En el presente capítulo se contextualiza el proyecto llevado a cabo, así como se explican los conceptos básicos que se van a utilizar a lo largo del proyecto, la necesidad de utilizar esta técnica en la medicina de emergencia, el objetivo y la estructura seguida en los capítulos posteriores para poder lograr los resultados deseados. 1.1. Contextualización El uso de Internet, desde su creación, se ha incrementado de forma notable, sobre todo, dando la posibilidad de generar nuevas formas de tecnología en la vida cotidiana, principalmente, en los países más desarrollados. Uno de estos aspectos es el cuidado de la salud. Las tecnologías han avanzado de una manera muy destacable en el ámbito de la telemedicina y telesalud. En el entorno de la telesalud, surge la salud electrónica o salud móvil, también conocida como eHealth que combina conceptos de salud, tecnología y comercio. Estos dos últimos como herramientas al servicio de la salud y que tiene como objetivo satisfacer las necesidades de los usuarios, en cuanto a atención médica o servicios de información médica se refiere. [1] Además, para los investigadores, la medicina de emergencia ha sido un gran punto de interés para realizar estudios y desarrollar soluciones con la llegada, también, de la inteligencia artificial. Los avances tecnológicos han traído diversas herramientas que poseen un gran potencial para poder mejorar los procesos y van a permitir mejorar la eficiencia operativa y la calidad a la hora de prestar el servicio de atención médica. [3]. Existe una gran cantidad de estudios y artículos que respaldan las intervenciones que se basan en inteligencia artificial y pueden igualar o superar la experiencia de los médicos. Por otro lado, también existen multitud de aplicaciones de salud móvil para dispositivos móviles, que ofrecen buenas opciones para la progresión de un paciente, así como proporcionar materiales educativos a pacientes, recibir indicaciones y apoyo personalizado, recuperación de datos y uso de intervenciones de autogestión en caso de que el usuario lo necesite. [4] [5] 18 1.2. Terminología Hoy en día, la sociedad del siglo XXI está muy familiarizada con los términos de inteligencia artificial y/o Machine Learning. Estos términos empiezan a tener presencia en todas las facetas del mundo, ya sea consciente o inconscientemente, ya que estos están ligados a procesos informático y a sistemas automatizados de inteligencia artificial. Como se ha comentado, las aplicaciones en la vida cotidiana con sistemas de inteligencia artificial y aprendizaje automático son numerosas, y la implantación de estos sistemas, y en concreto, su crecimiento es debido al auge de la disponibilidad de datos que experimenta nuestra sociedad. Este tipo de aplicaciones de inteligencia artificial aprovechan el gran volumen de datos para extraer la máxima información posible de ellos y así ayudar a elaborar tareas que requieren inteligencia humana llevada, actualmente, a sistemas informáticos. 1.2.1. Definición de Inteligencia Artificial (AI) El campo de la inteligencia artificial es un conjunto de algoritmos que simula la inteligencia humana incorporada en máquinas, con el objetivo de que estas presenten las mismas capacidades que el ser humano. En los últimos años, el interés por investigar acerca de la AI ha aumentado de manera exponencial, dando lugar al desarrollo de numerosas y novedosas aplicaciones en multitud de campos. En la siguiente ilustración se puede observar como el crecimiento de los artículos relacionados con este tema aumenta cada vez más a medida que pasan los años. Ilustración 1. Crecimiento de los artículos relacionados con AI entre 1998 y 2019. [11] Pasando de no llegar a un 1% en 1998, a casi alcanzar el 3% en el 2018. 19 A lo largo de este documento se demuestra como la AI es cada vez más aplicable a la atención médica y ofrece soluciones mejorando la eficiencia y calidad de dicha atención. [10] De acuerdo con la clasificación ofrecida por los expertos informáticos Peter Norving y Stuart Russell, la AI se divide en diferentes tipos de sistemas: [6] - Sistemas que piensan como humanos: Realizan actividades, como tomar decisiones, resolución de problemas o el aprendizaje, de forma automática. Ej. Redes neuronales artificiales (ANN). - Sistemas que actúan como humanos: Máquinas o sistemas computacionales que se encargan de realizar tareas de la misma forma que lo hacen los seres humanos. Ej. Robots. - Sistemas que piensan racionalmente: Su objetivo es que la máquina logre percibir, razonar y actuar en consecuencia. - Sistemas que actúan racionalmente: Pretenden imitar el comportamiento del ser humano de manera racional. 1.2.2. Definición de aprendizaje automático y aprendizaje profundo Existen diferentes campos de aprendizaje en AI, se diferencian entre ellos en la forma de analizar y manipular los datos y son usados para entrenar máquinas para imitar la inteligencia y el comportamiento humano. [3] En la siguiente ilustración se puede observar cómo el Machine Learning es un subcampos de la AI y Deep Learning un tipo de Machine Learning donde ambos van a permitir a los ordenadores tomar decisiones inteligentes. Ilustración 2. Diagrama de la relación inclusiva entre AI y sus subcategorías [Fuente: propia] 20 Aprendizaje Automático El Aprendizaje Automático o Machine Learning (ML), ha ido ganado popularidad en los últimos años. Se basa en usar algoritmos definidos por el usuario para detectar patrones en datos masivos y hacer predicciones, todo ello, de forma autónoma. El objetivo de este campo de la AI es realizar tareas concretas sin necesidad de haber sido programadas para ello y sin tener que depender de un sistema basado en reglas. [7] Aprendizaje Profundo El Aprendizaje Profundo o Deep Learning (DL) usa redes neuronales artificiales (ANN) para llevar a cabo el proceso de ML, citado antes, y saber cómo funcionan las neuronas en el cerebro. Una forma sencilla de definir este aprendizaje es citando que posee diferentes niveles de aprendizaje: - En el nivel inicial la ANN aprende algo simple al exponer gran cantidad de datos al modelo y envía esa información al siguiente nivel. - En el siguiente nivel combina la información obtenida en el nivel anterior y elabora una más compleja. La conclusión es que a medida que se va elevando el nivel, esta información se vuelve más compleja. Este aprendizaje se denomina profundo por el modelo de representación de capas mencionado y requiere periodos de tiempo más largos que ML, esto es debido a la multitud de capas de cálculos complejos que ha de resolver. [8] En la siguiente tabla se muestran recogidas las diferencias más destacadas del aprendizaje automático y profundo. 21 Aprendizaje automático (ML) Aprendizaje profundo (DL) Algoritmo Algoritmo variable ANN Aplicación Tareas rutinarias sencillas Tareas complejas Base de datos Manejable Más de un millón de puntos de datos Entrenamiento Entrenador humano Autómata Formato de datos Datos estructurados Datos no estructurados Tabla 1. Tabla resumen de las diferencias entre ML y DL. [29] 1.2.3. Definición de Medicina de Emergencia (EM) De acuerdo con la definición facilitada por el Colegio Estadounidense de Médicos de Emergencia, la EM es una especialidad médica centrada en el diagnóstico y tratamiento de enfermedades o lesiones. Juega un papel fundamental en la sociedad ya que permite recibir a pacientes que solicitan atención médica urgente. La práctica realizada por los sanitarios en este tipo de medicina incluye la evaluación inicial, el diagnóstico, el tratamiento, la coordinación de la atención entre los diferentes médicos y la estabilización de casos con diversos grados de agudeza de cualquier paciente. [9] 1.3. Necesidad de Inteligencia Artificial en emergencias médicas Una vez conocidos las definiciones de los anteriores términos, surge la necesidad de saber si verdaderamente la AI y sus subcampos son necesarios en la EM. El uso del aprendizaje automático y aprendizaje profundo puede ayudar a valorar datos recopilados a lo largo de los últimos años y aportar información necesaria para mejorar los procesos de emergencia médica [3]. Permite ayudar en la investigación y ensayos médicos basados, por ejemplo, en análisis de imágenes clínicas y tareas de clasificación, de esta manera se consigue automatizar el proceso y ayuda a reducir la carga laboral del personal médico, evitando 22 así posibles cansancios humanos que se puedan tener y lleven a cometer errores en un ámbito tan importante como es la salud. Los procesos controlados por máquinas hacen que se reduzcan significativamente la posibilidad de un fallo humano en situaciones de vital importancia. La AI aprovecha oportunidades, no sólo analiza, sino que actúa. Recibe información de cómo se encuentra el paciente o lo que está solicitando. Los expertos de este ámbito ven esta aplicación de gran interés, como una fuente solucionadora y optimizadora de unidades de urgencia. Estos sistemas informáticos son capaces de realizar tareas que normalmente requerirían la inteligencia humana. 1.4. Objetivo En vista de la creciente demanda por investigar sobre la inteligencia artificial en medicina, las funcionalidades que esta posee siguen sin estar del todo claras, es por eso que a lo largo de este TFG se va a realizar un estudio de visión global que tiene como propósito identificar, analizar, evaluar y concluir la investigación disponible en las diferentes plataformas, y su implementación en las emergencias sanitarias. 1.5. Estructura La estructura que se va a llevar a cabo en este estudio global consta de 5 capítulos (incluido este primero). En el Capítulo 2 se describe la metodología seguida para la identificación y selección de los diferentes artículos científicos y las diferentes aplicaciones a analizar. Este capítulo consta principalmente de dos bloques: - El primer bloque se basa en un revisión sistemática y de alcance basada en el diagrama de PRISMA-ScR y llevado a cabo en diferentes motores de búsqueda que la Universidad de Valladolid proporciona. Esta revisión se basa en una búsqueda bibliográfica teniendo en cuenta diferentes criterios de elegibilidad para la selección final de artículos. - El segundo bloque consta de una revisión de aplicaciones comerciales encontrados en las plataformas comerciales más conocidas, donde, de la misma 23 manera que la anterior revisión, también se hará uso de diferentes criterios de elegibilidad. En el Capítulo 3 se analizan los resultados encontrados en los diferentes motores de búsqueda de acuerdo con la metodología descrita en el capítulo anterior. Realizando un análisis cualitativo, cuantitativo y de relevancia, tanto de los artículos como de las aplicaciones móviles. Continuando con el Capítulo 4, se resumen los hallazgos de manera global. Se exponen las limitaciones que estos estudios poseen y se exponen además las diferentes ventajas e inconvenientes que posee el uso de este subcampo de la AI en emergencias sanitarias. Finalmente, el Capítulo 5 concluye el trabajo. Se recogen las conclusiones extraídas de las revisiones realizadas y se mencionan líneas futuras de cara a nuevas líneas de investigación sobre esta revisión sistemática. 24 25 Capítulo 2. Metodología Una vez contextualizada y expuesta la importancia del aprendizaje automático en el ámbito de la salud y más centrado en la medicina de urgencia, se proponen nuevas líneas de investigación en este subcampo. Se realiza una búsqueda más detallada de información, cuya metodología a seguir se ha basado en realizar dos tipos de revisiones sistemáticas diferentes: [3] La primera de ellas fue una revisión de la literatura en artículos extraídos de diferentes motores de búsqueda científicos de acceso libre para la Universidad de Valladolid. La segunda revisión, se llevó a cabo en diversas plataformas de aplicaciones comerciales. Ambas revisiones se realizaron hasta finales del mes de abril de 2021, por tanto, todos los artículos y/o aplicaciones publicadas posteriormente no se han tenido en cuenta en el análisis del siguiente trabajo. 2.1. Revisión de la literatura El procedimiento a realizar para la elección de los artículos más adecuados y acertados se realizó de acuerdo con los estándares y pautas establecidos en el protocolo PRISMA-ScR. Este protocolo permite sintetizar la información más relevante, ya que es aplicable, tanto en revisiones sistemáticas, como en revisiones de metaanálisis de ensayos clínicos [2]. Este protocolo mencionado posee 4 fases necesarias para realizar dicho estudio del estado del arte: identificación, selección, elegibilidad e inclusión. [30] Antes de comenzar a detallar las características de las diferentes fases, se deben obtener primero los artículos a seleccionar, es por eso, que se procede a especificar la estrategia de búsqueda utilizada para dar con una serie de artículos. 32 Filtración de búsqueda Para acotar el gran número de aplicaciones encontradas se han seguido una serie de criterios: - Las categorías principales serán “medicina” y “salud y bienestar”. Debido a la gran cantidad de aplicaciones disponibles, se descartarán aquellas cuyo propósito sea de entretenimiento, juegos, música, tiendas, aplicaciones de salud para animales, etc. - Se descartan las aplicaciones que tuvieran un coste. - La valoración deberá ser igual o mayor a 2 estrellas y/o tener comentarios satisfactorios de los clientes que usaron la aplicación. - El idioma de las aplicaciones deberá ser inglés y/o español. Puesto que los diferentes sistemas operativos en los que se encuentran cada una de estas plataformas están en constante actualización y por consecuencia también las aplicaciones, no se tuvo en cuenta la fecha de publicación de cada una de ellas, ya que los desarrolladores de cada aplicación, a lo largo de los años, van publicando mejoras de las aplicaciones que diseñan, en forma de actualización, ya sea en la estética de la interfaz de la propia aplicación, o en las funcionalidades que esta pueda poseer. Estrategia de inclusión Una vez realizada la selección de las aplicaciones relacionadas con el ámbito de las urgencias sanitarias, el último procedimiento es la inclusión de las aplicaciones elegidas. En este criterio se procede a leer la descripción de cada aplicación y posteriormente descargarlas para probar cada una individualmente y por completo. Las aplicaciones cuya información sea insuficiente serán descartadas, es decir, que no se centren principalmente en el ámbito de la EM. [31] Para cada motor de búsqueda se ha usado un dispositivo diferente para así poder probar cada aplicación y realizar el estudio. Para las aplicaciones provenientes de la plataforma Google Play se ha utilizado un Realme 7 5G con sistema operativo Android 10, para las aplicaciones provenientes de la plataforma App Store se ha usado un iPhone 7 con sistema operativo iOS 14.5 (actualización más reciente hasta abril de 2021). 33 En la siguiente ilustración, se muestra el diagrama flujo que describe el procedimiento mencionado para la selección de las aplicaciones móviles. Ilustración 5. Diagrama de flujo seguido en la búsqueda de aplicaciones. [Fuente: propia] 34 35 Capítulo 3. Resultados En este capítulo se recogen los resultados numéricos, artículos y aplicaciones más completas y relevantes para obtener un análisis minucioso del tema de este TFG, haciendo uso de la metodología descrita en el Capítulo 2. Para el análisis de las principales contribuciones se eligieron finalmente, 20 artículos de información potencial en la revisión de la literatura y 12 aplicaciones móviles en la revisión de aplicaciones comerciales. 3.1. Rendimiento en la revisión de la literatura Se expone el resultado obtenido de la metodología que se ha seguido en cada una de las fases, de acuerdo con el diagrama de flujo mencionado en el Capítulo 2.1. Ilustración 6. Diagrama de flujo PRISMA-ScR II [Fuente: propia] 36 Estrategia de búsqueda Inicialmente, aplicando las correspondientes palabras clave y filtros, se recuperaron un total de 1.583 artículos mediante búsquedas en las bases de datos bibliográficas identificadas, tal y como se muestran en la siguiente tabla y su respectiva representación gráfica. Motor de búsqueda Términos de búsqueda Filtración de búsqueda Google Scholar +1.600.000 29 IEEE Xplore 126.218 579 PubMed 269.704 41 Science Direct 2.061 320 Scopus 365 34 Total: 1.583 Tabla 2. N.º Resultados obtenidos en los motores de búsqueda I. [Fuente: propia] Ilustración 7. N.º Resultados obtenidos en los motores de búsqueda II. [Fuente: propia] Fases del protocolo PRISMA-ScR Fase de identificación Tras la estrategia de búsqueda, se aplicaron diferentes criterios en los artículos encontrados, descartando 1.478 registros cuyos títulos no cumplían con lo esperado. 37 Fase de selección Seguidamente, en esta fase se parte de 105 artículos con título adecuado. Se eliminan un total de 74 artículos, debido a que no profundizaban en la temática por el resumen que poseían. Fase de elegibilidad En esta fase se encuentran 31 artículos para analizar su respectivo contenido, eliminando posteriormente 11 de ellos. 1 Fase de inserción Finalmente, se da con los 20 artículos incluidos en este trabajo de revisión sistemática, cuyas principales contribuciones se analizarán en el Capítulo 3.2. El número de artículos obtenidos de información potencial en cada motor de búsqueda se encuentra desglosado en la siguiente tabla y representados de forma gráfica en el siguiente histograma. Motor de búsqueda N.º de artículos Google Scholar 2 IEEE Xplorer 6 PubMed 2 ScienceDirect 7 Scopus 3 Total: 20 Tabla 3. N.º Resultados obtenidos en los motores de búsqueda II. [Fuente: propia] 1 Los 31 artículos se recogen con sus principales características en la tabla del Anexo A. 38 Ilustración 8. N.º Resultados en la búsqueda de la revisión literaria. [Fuente: propia] El motor de búsqueda Science Direct es la plataforma donde se han seleccionado más artículos de interés, seguida de IEEE Xplorer. Realizando una consulta de las respectivas fechas de cada publicación, se pueden ver recogidos, en la siguiente tabla y gráfica, los 20 artículos en los últimos 10 años. Año de publicación N.º de artículos obtenidos 2011 0 2012 0 2013 0 2014 0 2015 0 2016 0 2017 1 2018 2 2019 3 2020 9 2021 5 Total: 20 Tabla 4. N.º artículos publicados en los últimos 10 años I. [Fuente: propia] 39 Ilustración 9. N.º artículos publicados en los últimos 10 años II. [Fuente: propia]. El año 2020 destaca por tener un gran número de artículos con información de interés respecto a años anteriores. Esto es debido principalmente a la investigación de la COVID-19 considerada como una enfermedad de emergencia sanitaria a nivel global, cuya necesidad de detección y tratamiento mediante aprendizaje automático, entre otros, es de vital importancia en la actualidad. Analizando cada una de las publicaciones, se ha categorizado la literatura obtenida en 7 grandes grupos de acuerdo con el contenido tratado en cada una de las publicaciones. Grupo N.º de publicaciones 1. Atención médica prehospitalaria y detección de enfermedades 3 2. Decisiones clínicas 4 3. Detección y gestión de COVID-19 3 4. Medicina de emergencia (EM) 3 5. Servicios médicos y/o servicios de emergencia 4 6. M-Health 2 7. Otros 1 Total: 20 Tabla 5. Categorización de las publicaciones. [Fuente: propia] 40 Ilustración 10. Gráfica de la categorización de la literatura. [Fuente: propia] Las dos temáticas en las que más se centraban las investigaciones fueron, los sistemas basados en la ayuda de decisiones clínicas y sistemas que ayudan en la atención de servicios médicos y de emergencia. 41 3.2. Análisis de las contribuciones de los artículos obtenidos La mayoría de las intervenciones se han centrado en la predicción, cuyos estudios analizaron las capacidades predictivas del ML. En este apartado se recogen las contribuciones más relevantes de cada uno de estos artículos. La siguiente tabla presenta el título, la fecha, la temática de salud y las principales contribuciones que abordan. Machine Learning-Based Early Warning Systems for Clinical Deterioration: Systematic Scoping Review [8]. Febrero de 2021 Temática de salud: Deterioro clínico Principales contribuciones: Este artículo expone y evalúa el estado actual de los sistemas de alerta temprana basados en ML para el deterioro clínico. Los resultados obtenidos en este artículo se realizaron con una revisión sistemática de alcance siguiendo el modelo PRISMA-ScR donde se concluyen que el impacto en sistemas de alerta temprana basados en ML podría ser significativo para el personal clínico y para los pacientes a causa de la disminución de alertas falsas y al aumento de detección temprana. Del mismo modo, también se recalca que estos modelos tienen el potencial de ofrecer apoyo en las decisiones clínicas, pero existe la necesidad de obtener un mayor desarrollo de estos modelos en líneas futuras y su investigación correspondiente para establecer una situación clínica real. Es por eso que aseguran que la utilidad aún no existe. 48 Applications of Machine Learning Approaches in Emergency Medicine [39]. Junio de 2019 Temática de salud: Emergencias médicas Principales contribuciones: Este artículo aborda las aplicaciones de aprendizaje automático en medicina de emergencia. Se tiene como objetivo en este trabajo recopilar y evaluar los estudios existentes en los últimos años sobre la AI en la EM, donde se pueden categorizar en tres grupos, predicción y detección de enfermedades, predicción de la necesidad de ingresos, altas y mortalidad y sistemas de triaje basados en ML. Se concluye destacando que los algoritmos y métodos mencionados pueden ser muy útiles para predecir la admisión de pacientes y mejorar la clasificación de pacientes. Fall Detection for Elderly People using Machine Learning [40]. Julio de 2020. Temática de salud: Emergencias médicas Principales contribuciones: Este documento expone un sistema de detección de caídas basado en sensores portátiles que son apropiados para personas de edad avanzada. El método que se propone se basa en usar algoritmos de ML para detectar caídas a través de una series de actividades de la vida diaria. Este modelo fue evaluado utilizando parámetros como: sensibilidad, especificidad, precisión y matriz de confusión. Este sistema posee una precisión del 96% según su algoritmo. 49 Artificial Intelligence and Machine Learning Applications in Musculoskeletal Imaging [41]. Febrero de 2019. Temática de salud: Fisioterapia Musculo esqueletal Principales contribuciones: En este artículo se describen las aplicaciones claves del ML supervisado y no supervisado en la medicina musculoesquelética. Como el diagnóstico por imágenes, datos de medición del paciente y apoyo en la toma de decisiones clínicas. Finalmente, se concluye que el ML supervisado posee un gran potencial para evolucionar la práctica de la fisioterapia a través de las aplicaciones mencionadas. Como diferencia destaca el ML no supervisado que, a pesar de no estar probado, puede ayudar a extraer datos para identificar a posibles pacientes. Architecture of Smart Health Care System Using Artificial Intelligence [42]. 2020. Temática de salud: Atención médica Principales contribuciones: Se propone en este artículo una arquitectura inteligente del sistema de salud utilizando AI. El sistema propuesto mejorará la capacidad de los sanitarios para comprender las necesidades básicas de los pacientes, permitiendo así orientar y apoyar a estos de forma eficaz, haciendo uso del tiempo del personal y reduciendo de forma notable los costes. Se concluye que la atención medica basada en AI o ML brinda multitud de mejoras para el sector de la salud. 50 Machine Learning-based Risk of Hospital Readmissions: Predicting Acute Readmissions within 30 Days of Discharge [43]. 2019 Temática de salud: Atención médica Principales contribuciones: A lo largo de este documento se habla del riesgo de readmisiones hospitalarias basándose en ML para predecir las readmisiones agudas durante los 30 días posteriores al alta. El modelo predictivo que se propone funciona mejor que otros modelos de riesgo de admisión. Pero, como líneas futuras se propone para fortalecer aún más la predicción de riesgo y su impacto clínico, el hecho de añadir datos no clínicos como apoyo social. SaveMe: A Crime Deterrent Personal Safety Android App with a Bluetooth Connected Hardware Switch [44]. Agosto de 2018. Temática de salud: m-Health Principales contribuciones: Es un artículo que recoge la elaboración de una aplicación de Android para la seguridad personal. Esta aplicación consiste en un interruptor conectado al smartphone a través de bluetooth que se pulsa para dar aviso de un peligro al contacto de emergencia de la víctima en cuestión 51 Clinician involvement in research on machine learning-based predictive clinical decision support for the hospital setting [45]. Marzo de 2021. Temática de salud: Decisión clínica Principales contribuciones: Este trabajo de investigación se basa en la participación de los médicos en la investigación de apoyo a las decisiones clínicas basadas en ML para el entorno de la salud. En este artículo, se buscó describir la participación de profesionales clínicos en el desarrollo, evaluación y puesta en marcha de sistemas para apoyar la toma de decisiones clínicas que usan ML, además de analizar los datos de registros médicos electrónicos para ayudar a los profesionales médicos en su diagnóstico y tratamiento, así como en la toma de decisiones. Tabla 6. Características de los artículos seleccionados. 52 3.3. Rendimiento en la revisión de aplicaciones comerciales De acuerdo con la metodología seguida en el Capítulo 2.2, se presenta el siguiente diagrama de flujo con los resultados numéricos obtenidos en cada una de las fases, para, finalmente, dar con las apps más relevantes. Ilustración 11. Diagrama de flujo de los resultados obtenidos. [Fuente: propia] Estrategia de búsqueda En primer lugar, se realizaron diversas búsquedas en las plataformas comerciales mencionadas. Se aplicaron las palabras clave deseadas y se recuperaron un total de 3.089 aplicaciones, tal y como se muestran en la siguiente tabla y su respectiva gráfica. 53 Motor de búsqueda N.º resultados App Store 2.084 Google Play 1.005 Total: 3.089 Tabla 7. N.º Resultados obtenidos en las plataformas comerciales I. [Fuente: propia] Ilustración 12. N.º Resultados obtenidos en las plataformas comerciales II. [Fuente: propia] Una vez obtenidos los resultados de la anterior tabla, se aplicaron diversos filtros con el objetivo de acotar el resultado, logrando así 201 aplicaciones, de las cuales se leyó la descripción para dar con las aplicaciones de temática más acertadas. Se descartaron un total de 168, dando lugar a 33 aplicaciones, que serán sometidas a un último criterio. 2 Fase de inclusión Finalmente, se da paso a la última fase, donde previamente se eliminaron las 21 aplicaciones menos genéricas que no abarcaban el tratamiento y/o cuidado de diferentes enfermedades de emergencia sanitaria. También se suprimieron las aplicaciones de funcionalidad similar a otras, obteniendo un total de 12 aplicaciones, que, en el Capítulo 3.4 serán estudiadas y probadas en los diferentes dispositivos móviles. 2 Las 33 aplicaciones se recogen con sus principales características en la tabla del Anexo B. 54 El número de apps de información potencial, obtenidas en cada motor de búsqueda, se aprecia desglosado en la siguiente tabla. Motor de búsqueda N.º resultados App Store 2 Google Play 2 Ambos 8 Total: 12 Tabla 8. N.º Apps seleccionadas para este trabajo De forma gráfica, también se muestran el número de aplicaciones lanzadas en los diferentes años. Ilustración 13. N.º apps en los últimos 10 años. [Fuente: propia]. Entre las temáticas de salud más abordadas en esta revisión, fueron las decisiones clínicas, al igual que pasó con la revisión de la literatura, seguida de aplicaciones para la atención médica prehospitalaria. Por esto, se han categorizado en 5 grupos genéricos según el contenido tratado en cada una de estas apps. 55 Grupo N.º de Aplicaciones 1. Atención médica prehospitalaria 3 2. Aplicaciones para la gestión de COVID-19 2 3. Ayuda con enfermedades o discapacidades físicas 2 4. Búsqueda de material clínico y ayuda entre personal sanitario 2 5. Decisiones clínicas 3 Total: 12 Tabla 9. Categorización de las aplicaciones. [Fuente: propia] La siguiente gráfica muestra el porcentaje de la categorías en las que se encuentran estas apps elegidas. Ilustración 14. Gráfica de la categorización de las aplicaciones. [Fuente: propia] Por otro lado, para poder conocer el impacto entre los usuarios de estas apps, se ha estudiado las valoraciones que ha tenido cada una de ellas en las dos plataformas comerciales. El siguiente histograma muestra de manera gráfica la puntuación obtenida de 0 a 5 estrellas. 56 Ilustración 15. Histograma de las valoraciones a cada app. [Fuente: propia]. La aplicación mejor valorada en ambas plataformas es Tok Medicine. Seguida de Nabta Health y Redivus Health para los usuarios de App Store. Y MDCalc y HealthTap para los usuarios de Google Play. En cuanto al tipo de técnicas de AI y ML en las que están basadas cada una de estas herramientas, también se pueden dividir en 4 grupos diferentes. Técnica N.º de Aplicaciones 1. AI basada en protocolos de evidencia 3 2. ML basado en procesamiento de lenguaje natural 6 3. ML basado en procesamiento visual 2 4. ML basado en procesamiento de lenguaje natural + visual 1 Total: 12 Tabla 10. Categorización de la AI usada en las apps. [Fuente: propia] 57 Ilustración 16. Gráfica de las técnica de las apps. [Fuente: propia] La técnica que más se usa es el ML basado en procesamiento de lenguaje natural, ya que la mayoría de las apps poseen un asistente virtual o utilizan una búsqueda avanzada que permite al usuario utilizar etiquetas y filtrar el contenido. De esta manera, el sistema según las preferencias del usuario aprende de forma automatizada y a lo largo del tiempo podrá sugerir recomendaciones y/o búsquedas más acordes con la necesidad del usuario. 64 TIDDA ODEN [50] Técnica: AI basado en monitoreo diario de los síntomas Tipo de usuario(s): • Posibles pacientes • Personal sanitario Funcionalidad: • Ofrece apoyo a las personas con riesgo de padecer enfermedades respiratorias durante la pandemia COVID-19. • Médicos voluntarios cuidan de forma remota a los posibles pacientes. TOK MEDICINE [51] Técnica: ML basado en procesamiento de lenguaje natural Tipo de usuario(s): Personal sanitario Funcionalidad: • Análisis del estado del arte del mejor contenido médico. • Crea espacios digitales para realizar discusiones clínicas y grupos de trabajo, resolución de casos inter-consulta, espacios para mantenerse al día y comunicación entre expertos de centros de referencia. Tabla 12. Características funcionales de las apps de App Store. [Fuente: propia] 65 3.4.2. Aplicaciones obtenidas en Google Play Al igual que se ha mencionado con Apple, Google ofrece a los desarrolladores un conjunto de librerías denominado Kit ML. Este modelo es sencillo de usar e integra aprendizaje automático. Esto permite que las aplicaciones que desarrollan sean más atractivas, personalizadas y útiles, de tal forma que ofrezcan soluciones optimizadas. [22] Las funcionalidades que esta herramienta posee se dividen principalmente en dos grandes grupos, Visión y Lenguaje natural, dentro de ellas se encuentran más opciones, que son los recogidas en la siguiente imagen. Ilustración 18. Esquema de funcionalidad de ML Kit (Traducción propia). [23] De acuerdo con este modelo y la metodología seguida para la elección, las características de las aplicaciones incluidas en este trabajo de revisión sistemática se encuentran recogidas en la siguiente tabla. Nombre de la app Estado de salud Tamaño Versión y SO compatible Idioma(s) ¿Registro en la app? Asistencia COVID-19 [18] COVID19 5,4 MB 1.3.1, Android 6.0 y posteriores 4, entre ellos, español e inglés Sí HealthTap [46] Múltiple 25 MB 21.2, Android 4.2 y posteriores Español e inglés Sí, a mayores de abonar una cuota mensual MDCalc [24] Decisión clínica 57 MB 3.3.8, Android 4.4 y posteriores Inglés Sí, a mayores de abonar una cuota mensual 66 Mediktor [19] Múltiple 43 MB 5.7.11, Android 5.0 y posteriores 9, entre ellos, español e inglés No es obligatorio Medit [47] Búsqueda de material clínico 5.7 MB 1.52, Android 5.0 y posteriores Inglés Sí Nabta Health [48] Múltiple 34 MB 2.3, Android 4.1 y posteriores Inglés y árabe Sí Redivus Health [20] Múltiple 37 MB 5.4.43, Android 4.1 y posteriores Inglés Sí Tidda ODEM [50] COVID19 26 MB 1.0.8, Android 5.0 y posteriores Alemán e inglés Sí Tok Medicine [51] Búsqueda de material clínico 45 MB 2.0.15, Android 6.0 y posteriores Español e inglés Sí +WoundDesk [52] Cura de heridas 10 MB 1.7, Android 4.1 y posteriores Inglés Sí Tabla 13. Características principales de las apps de Google Play. [Fuente: propia] El dispositivo móvil que se va a utilizar para probar las aplicaciones de Google Play es un Realme 7 5G con sistema operativo Android 10. Como en el subapartado anterior ya se probaron 8 de las 10 aplicaciones que aparecen en la anterior tabla, únicamente se probará con este dispositivo las aplicaciones MDCalc, +WoundDesk. Las principales funcionalidades de estas 2 aplicaciones, estudiadas individualmente, son las siguientes: 67 MDCALC [24] Técnica: ML basado en procesamiento de lenguaje natural Tipo de usuario(s): Profesional sanitario Funcionalidad: • Herramienta que ayuda en la toma de decisiones clínicas. • Abarca más de 150 enfermedades de 35 especialidades. • Evita que los profesionales médicos cometan errores en datos médicos o casos de vital urgencia. +WOUNDDESK [52] Técnica: ML basado en procesamiento de imágenes Tipo de usuario(s): • Pacientes • Proveedores de cuidados de heridas • Profesional sanitario Funcionalidad: • Sistema que realiza una medición automatizada de las heridas mediante imágenes. • Analiza eficazmente el resultado de curación de los pacientes. • Ayudar en la detección de complicaciones de forma temprana y realiza una estimación de un triaje inicial. Tabla 14. Características funcionales de las apps de Google Play. [Fuente: propia] 68 69 Capítulo 4. Discusión A partir de los resultados obtenidos en la revisión de la literatura y de las plataformas de aplicaciones comerciales, se plantea lo siguiente. En primer lugar, en la revisión de la literatura se examinaron un total de 105 artículos científicos de las diferentes bases de datos, para dar con las 20 investigaciones acertadas. El 35% (7/20) fueron extraídas principalmente de la plataforma Science Direct. Estos estudios, además, se clasificaron en 7 categorías, entre las que destacaron el 20% (4/20) para la investigación acerca del servicio médico y/o servicio de emergencia y otro 20% (4/20) para sistemas automatizados para las decisiones clínicas. En estos artículos se pudo observar que la inteligencia artificial y el aprendizaje automático cada vez son más aplicables en la atención médica. Pero, a pesar de este incremento de su uso, como se ha comentado en alguno de los artículos, sigue habiendo preocupaciones y retos importantes entorno a la confianza y la seguridad del paciente, sobre todo en los servicios de salud digital. Una de estas principales preocupaciones que surge en los pacientes, es saber hasta qué punto es seguro que una máquina adopte las habilidades de un ser humano, además de mantener protegida su privacidad y que, por un error informático, sus datos no se expongan de manera pública. Por otro lado, durante la revisión comercial, se examinaron un total de 201 aplicaciones móviles, donde finalmente, se escogieron 12 de ellas. Se clasificaron en 5 grupos, de los cuales el 25% (3/12) profundizan en la atención médica prehospitalaria y otro 25% (3/12) en la ayuda a la toma de decisiones clínicas. Además, el 50% (6/12) de ellas, utilizan técnicas de ML basado en procesamiento de lenguaje natural, ya que la mayoría de las apps hacen uso de asistentes virtuales o búsquedas avanzadas para que, posteriormente, el sistema aprenda de las necesidades del usuario. Si bien es sabido, en la salud móvil, las aplicaciones móviles, como las estudiadas en el capítulo anterior, tienen acceso a los datos personales con los que el usuario interactúa. Esto no supone un problema del todo grave ya que existe una alta probabilidad que en los próximos años el uso de AI, a través del aprendizaje profundo y automático, se integre cada vez más en la medicina de emergencia y no vean esto como un impedimento, debido a que se abordarán todos los posibles problemas que hoy en día no se han profundizado con detalle. 70 Los artículos encontrados en la revisión de la literatura se centran en un estudio teórico y de medicina de emergencia generalizada, ofreciendo como visión final, un modelo de predicción basado en ML con el objetivo de simplificar y ayudar al personal sanitario y detectar las enfermedades. Del mismo modo ocurre con las aplicaciones comerciales, donde, alguna de las estudiadas se concluye que están diseñadas para el uso clínico y ayudar enormemente al personal sanitario en la toma de decisiones clínicas. Otras en cambio, simplemente sirven para orientar al usuario antes de consultar a un experto de forma física y reducir, por ejemplo, el colapso en urgencias. Contrastando las citas encontradas en la revisión literaria con las aplicaciones de la revisión de aplicaciones comerciales, la búsqueda que se realizó sobre aplicaciones móviles basadas en ML en la revisión de la literatura, dio muy pocos resultados en comparación con la revisión comercial, lo cual lleva a pensar que el desarrollo de aplicaciones mHealth tiene más una motivación económica y comercial que de investigación. [1] 4.1. Ventajas y oportunidades Conocidas las diferentes funcionalidades que ofrecían las aplicaciones en el ámbito de las emergencias sanitarias y la acogida e implantación en los servicios de salud, se recogen diferentes beneficios. - Optimización de la eficiencia en los servicios del sistema sanitario, facilitando el trabajo del personal sanitario y reduciendo así sus costes. ▪ Este modelo permite predecir los ingresos de emergencia en hospitales y ayudar a los sanitarios a monitorear con precisión los riesgos que afrontan los pacientes. [26] ▪ Establecer medidas para evitar las admisiones que no están planificadas y que producen un alto gasto médico. [26] - Predicción precoz y reducción de falsas alarmas. ▪ Muchos de los posibles pacientes evitarán acudir al centro sanitario ya que, haciendo uso de apps de salud móvil basadas en ML, existirá un paciente más informado, que además seguirá las 71 indicaciones del tratamiento a seguir y, por tanto, se evitará en muchos casos un colapso médico [26]. Ej. Uso para enfermedades como COVID-19. ▪ Además, se mejora el seguimiento ya que se recogerá información sobre dichos pacientes y será registrada en el historial clínico electrónico, de esta manera, se mejora el sistema de triaje inteligente y ayuda a los médicos en la clasificación de pacientes. - Disminución de la carga de trabajo al personal médico, dando la oportunidad a que dichos profesionales no se saturen mentalmente y pueda llevar a cometer errores de vital importancia. - Análisis de exactitud elevada en tiempo récord. De acuerdo con la Asociación de Investigadores en eSalud (AIES), las ventajas que estas aplicaciones móviles poseen se recogen en las “5P”: preventiva, personalizada, predictiva, participativa y poblacional. 4.2. Inconvenientes y limitaciones En vista de las investigaciones existentes, se extraen como limitaciones: - Falta de disponibilidad de medios técnicos en muchos de los servicios de emergencias. - Necesidad de realizar más progresos puesto que es necesario realizar más de estos estudios y ensayos analizados para poder dar una conclusión clara sobre la eficacia que presenta este modelo de aprendizaje automático. - En cuanto al uso de las aplicaciones móviles se refiere, introducción por completo en la sociedad basándose en una serie de criterios funcionales, como la coordinación y uniformidad de todos los sistemas que acceden a los datos. - Establecimiento de criterios de seguridad con respecto al manejo y privacidad de dichos datos. 72 73 Capítulo 5. Consideraciones finales y líneas futuras 5.1. Conclusiones Gracias a la aparición de dispositivos y aplicaciones de salud móvil, que pueden utilizar datos y evaluar la salud a tiempo real del paciente, el ML es una tendencia que se encuentra en crecimiento en la industria de atención a la salud. La tecnología permite ayudar a los expertos en sanidad, analizar para identificar casos que puedan llevar a diagnóstico y tratamientos mejorados. Reducirá los tiempos de diagnóstico. Agilizará la atención inmediata a pacientes. Los tratamientos serán optimizados y mejorados. Existe una alta probabilidad de que las capacidades de la tecnología de ML sean mejoradas con el paso del tiempo. La integración de esta tecnología en la práctica médica beneficiará al personal médico, a los pacientes y al público en general y nos llevará a lograr una atención médica de mayor calidad. 5.2. Líneas Futuras En este último subapartado se recoge una visión futura en líneas de investigación de lo desarrollado en este trabajo de revisión de alcance. Se estima que, en un futuro próximo, haciendo uso de la AI y sus subcampos, se pueda emplear sistemas complejos de puntuación algorítmicos que usen diferentes variables con el objetivo de predecir las tasas de diagnóstico, readmisión y mortalidad. Como ya se ha mencionado en las ventajas que este modelo puede poseer en los servicios de emergencias sanitarias, se espera que pueda desempeñar un papel muy importante en la mejora de la clasificación de triaje y/o la predicción de diagnóstico. [3] A través del ML, se espera que el análisis en grandes cantidades se automatice aún más de lo que actualmente se conoce. En estos años de pandemia, surge la necesidad de analizar los datos de manera más eficiente, tanto si se habla de datos derivados de rastreo de virus, como si se habla del análisis de la literatura médica que se ha ido generando y 80 [52] “+WoundDesck App” en WounDesk. Disponible en: https://wounddesk.com/ 81 Apéndices Anexo A. Artículos de información potencial En esta tabla se recogen los artículos de información potencial escogidos en la fase de elegibilidad mencionado en el Capítulo 2.1. Título del documento Autor(es) y Fecha Motor de Búsqueda ¿Descartado? “Applications of machine learning and artificial intelligence for Covid-19 pandemic:” Samuel Lalmuanawma, Jamal Hussain, Lalrinfela Chhakchhuak. 2021 Google Scholar Sí. (artículo más completo en otra plataforma) “Applications of Machine Learning Approaches in Emergency Medicine; a Review Article” Negin Shafaf, Hamed Malek. 2019 Google Scholar No “Leveraging Digital Health and Machine Learning Toward Reducing Suicide— From Panacea to Practical Tool” John Torous, Rheeda Walker. 2019 Google Scholar Sí “Classification of hospital admissions into emergency and elective care: a machine learning approach” Jonas Krämer, Jonas Schreyögg, Reinhard Busse. 2019 Google Scholar No “Artificial intelligence in emergency medicine” Nan Liu, Zhongheng Zhang, Andrew Fu Wah Ho, Marcus Eng Hock Ong. 2018 Google Scholar Sí “Machine Learning for Predicting Emergency Medical Incidents that Need an Air-ambulance” N. Nuntalid and D. Richards. 2020 IEEE Xplore No "Fall Detection for Elderly People using Machine Learning" S. Badgujar y AS Pillai. 2020 IEEE Xplore No "Architecture of Smart Health Care System Using Artificial Intelligence" M. M. Kamruzzaman. 2020 IEEE Xplore No 82 "Machine Learning-based Risk of Hospital Readmissions: Predicting Acute Readmissions within 30 Days of Discharge" M. M. Baig. 2019 IEEE Xplore No "Automatic Clinical Procedure Detection for Emergency Services" J. Heard. 2019 IEEE Xplore No “SaveMe: A Crime Deterrent Personal Safety Android App with a Bluetooth Connected Hardware Switch” Ferdous Tripti N., Farhad, Wasim Iqbal A., Zaman H. 2018 IEEE Xplore No "Using Machine Learning Algorithms in Medication for Cardiac Arrest Early Warning System Construction and Forecasting" H. Chang, C. Wu, J. Liu y JR Jang. 2018 IEEE Xplore Sí "Catching Zika Fever: Application of Crowdsourcing and Machine Learning for Tracking Health Misinformation on Twitter" A. Ghenai and Y. Mejova. 2017 IEEE Xplore Sí " The monitoring system of Business support system with emergency prediction based on machine learning approach" J. Chen, C. Huang y C. Cheng. 2016 IEEE Xplore Sí “Clinician involvement in research on machine learning-based predictive clinical decision support for the hospital setting: A scoping review” Schwartz JM, Moy AJ, Rossetti SC, Elhadad N, Cato KD. 2021 PubMed No 83 “Machine Learning-Based Early Warning Systems for Clinical Deterioration: Systematic Scoping Review” Muralitharan S, Nelson W, Di S, McGillion M, Devereaux PJ, Barr NG, Petch J. 2021 PubMed No “Artificial Intelligence in the Fight Against COVID19: Scoping Review” Abd-Alrazaq A, Alajlani M, Alhuwail D, Schneider J, Al-Kuwari S, Shah Z, Hamdi M, Househ M. 2020 PubMed Sí “Artificial intelligence in emergency medicine: A scoping review” Kirubarajan A, Taher A, Khan S, Masood S. 2020 PubMed Sí “A new era: artificial intelligence and machine learning in prostate cancer” Goldenberg SL, Nir G, Salcudean SE. 2019 PubMed Sí “Artificial intelligence and machine learning in emergency medicine” Stewart J, Sprivulis P, Dwivedi G. 2018 PubMed No “Artificial Intelligence and Machine Learning in Emergency Medicine” Kenneth Jian Wei Tang, Candice Ke En Ang, Theodoros Constantinides, V. Rajinikanth, U. Rajendra Acharya, Kang Hao Cheong. 2021 ScienceDirect No “Role of machine learning in medical research: A survey” Arunim Garg, Vijay Mago. 2021 ScienceDirect No “Machine learning and artificial intelligence in the service of medicine: Necessity or potentiality?” TamimAlsuliman.2020 ScienceDirect No 84 “An accurate and Dynamic predictive model for a Smart M-Health system using machine learning” Naseer Qreshi K, Din S, Jeon G. 2020 ScienceDirect No “Review on machine and deep learning models for the detection and prediction of Coronavirus” Ahmad Waleed, Salehi Preety Baglat, Gaurav Gupta. 2020 ScienceDirect No “Artificial Intelligence and Machine Learning Applications in Musculoskeletal Imaging” Sheila Enamandram, Emir Sandhu, Bao H.Do, Joshua J.Reicher, Christopher F.Beaulieu. 2019 ScienceDirect No “Applications of machine learning and artificial intelligence for Covid-19 (SARS-CoV-2) pandemic: A review” Samuel Lalmuanawma, Jamal Hussain, Lalrinfela Chhakchhuak. 2021 ScienceDirect No “Artificial Intelligence and Machine Learning in Emergency Medicine” Kenneth Jian Wei Tang, Candice Ke En Ang, Theodoros Constantinides, V. Rajinikanth, U. Rajendra Acharya, Kang Hao Cheong. 2021 Scopus Sí. (artículo más completo en otra plataforma) “IoT based healthcare monitoring system using 5G communication and Machine learning models” Paramita, S., Bebartta, H. N. D., & Pattanayak, P. 2021 Scopus No “Artificial Intelligence for the Future Radiology Diagnostic Service” Mun, S.K. Wong, K.H.,Lo, S.-C.B.,Li, Y.,Bayarsaikhan, S. 2021 Scopus No 85 “Development, evaluation, and validation of machine learning models for COVID-19 detection based on routine blood tests” Cabitza, F., Campagner, A.,Ferrari, D., Di Resta, C., Ceriotti, D., Sabetta, E., Colombini, A., De Vecchi, E., Banfi, G. ,Locatelli, M., Carobene, A. 2021 Scopus No Tabla 15. Artículos recopilados de la revisión literaria 86 87 Anexo B. Aplicaciones móviles de información potencial En esta tabla se recogen las aplicaciones móviles de información potencial escogidas mediante el criterio mencionado en el Capítulo 2.2. Nombre de la App Empresa y valoración Motor de búsqueda Categoría ¿Descartada? “Withings Health Mate” Withings. 4,5 estrellas App Store Salud y forma física Sí “Seeing AI” Microsoft Corporation. 3.9 estrellas App Store Discapacidad visual No “Aura: Meditation & Sleep” Aura Health, Inc. 4,7 estrellas App Store Salud y bienestar Sí “Ada – check your health“ Ada Health. 4,8 estrellas App Store Medicina Sí “Youper: SelfGuided Therap “y Youper, Inc. 4,9 estrellas App Store Medicina Sí “Sleep Watch by Bodymatter” BodyMatter, Inc. 4,7 estrellas App Store Salud y forma física Sí “SkinApp” Anapix Medical App Store Salud y forma física No “MedikTor – Comrpbador de síntomas” Teckel Medical SL. 4,7 estrellas en App Store y 3,7 en Google Play App Store y Google Play Medicina No “Medit” Medit. 4,9 estrellas en App Store App Store y Google Play Medicina No “Nabta Health” Nabta Health. 5 estrellas en App Store y 4 en Google Play App Store y Google Play Salud y forma física Sí 88 “Redivus Health” Redivus Health. 5 estrellas en App Store y 3,2 en Google Play App Store y Google Play Medicina No “Tok Medicine” Navadu Technologies, SL. 5 estrellas en App Store App Store y Google Play Medicina No “Asistencia COVID-19” Ministerio de Asuntos Económicos y Transf. Digital Salud y Bienestar. 3,6 en App Store y 3,2 en Google Play App Store y Google Play Salud y bienestar No “HealthTap” HealthTap. 4,5 en App Store y 4,4 en Google Play App Store y Google Play Medicina No “AI HEALTH” AiHealth Joint Stock Company. 4 estrellas Google Play Salud y bienestar Sí “Tidda Odem” Zana Technologies GmbH App Store y Google Play Salud y forma física No “ai.Health” AIH, LLC. 2,8 estrellas Google Play Salud y bienestar Sí “+WoundDesk - Wound care” digitalMedLav GmbH. 3,7 estrellas Google Play Medicina No “Colmedica” Proximate Apps, Inc. 3,7 estrellas Google Play Medicina Sí “Lili - AI assistant for your health” Ai assistant lili. 5 estrellas Google Play Salud y bienestar Sí “AI Doctor” AiHealth Joint Stock Company. 4 estrellas Google Play Salud y bienestar Sí “BetterHeatlh” MHC Medical Network. 2 estrellas Google Play Salud y bienestar Sí 89 “Google Health Studies” Google LLC. 4,2 estrellas Google Play Salud y bienestar Sí “HealthTap” HealthTap. 4,5 estrellas Google Play Medicina No “myHEALTH WATCHER - Comer sano, analiza productos” myHW App from Cube Technology. 4 estrellas Google Play Salud y bienestar Sí “ESDiagnóstico y tratamiento” Progressive Programming. 4,6 estrellas Google Play Medicina Sí “mHealth.ai” Steering Lives. 3,5 estrellas Google Play Salud y bienestar Sí “MDCalc” MD Aware, LLC. 4,8 estrellas Google Play Medicina No “EmERGE mHealth 3.0” EmERGE mHealth Ltd. 4,5 estrellas Google Play Salud y bienestar Sí “Path Finder” Bottle Rocket. 4 estrellas Google Play Herramientas Sí “Snore and Cough: Detect and record snore and cough” Vimo Labs. 3,5 estrellas Google Play Salud y bienestar Sí “Stila | Stress Tracking and Monitoring” Yingding Wang. 3 estrellas Google Play Salud y bienestar Sí “Visión Aipoly” V7 Ltd. 3 estrellas Google Play Herramientas Sí Tabla 16. Apps recopiladas de la revisión de aplicaciones móviles comerciales