Las dos versiones están alineadas bloque a bloque, en el orden del texto: titular, lo esencial y después párrafo a párrafo. Cuando la traducción ha fusionado o dividido un párrafo, la casilla correspondiente queda vacía — nunca emparejamos dos pasajes a ojo.
An ICU team may need to identify a high-risk patient while that patient's condition is still changing. In a study led by Australian Catholic University (ACU) and Charles Darwin University (CDU), an extra trees machine-learning model predicted ICU mortality with 98.33% accuracy; gradient boosting reached 98.23%.
Un equipo de UCI puede necesitar identificar a un paciente de alto riesgo mientras su estado sigue cambiando. En un estudio dirigido por la Universidad Católica Australiana (ACU) y la Universidad Charles Darwin (CDU), un modelo de aprendizaje automático extra trees predijo la mortalidad en UCI con una precisión del 98,33 %; gradient boosting alcanzó el 98,23 %.
Clinicians commonly use APACHE, the Acute Physiology and Chronic Health Evaluation, and SAPS, the Simplified Acute Physiology Score. The study says these tools can struggle to capture evolving conditions, take time to validate and need frequent recalibration. Machine-learning systems have outperformed such traditional scores, but their lack of explainability has slowed adoption.
Los médicos utilizan habitualmente APACHE, la Evaluación de Fisiología Aguda y Salud Crónica, y SAPS, la Puntuación Simplificada de Fisiología Aguda. El estudio señala que estas herramientas pueden tener dificultades para captar la evolución del estado de los pacientes, requieren tiempo para validarse y necesitan recalibraciones frecuentes. Los sistemas de aprendizaje automático han superado a estas puntuaciones tradicionales, pero su falta de explicabilidad ha ralentizado su adopción.
The researchers used the extra trees results with explanation models to identify the factors behind the predictions and compare them with medical knowledge. Hypertension, tumors, endocrine disease, digestive disease and cardiovascular disease emerged as key factors. Lead author Niusha Shafiabady, an ACU professor and director of its Women in AI for Social Good lab, led work with colleagues from Charles Darwin University, Amirkabir University of Technology in Tehran and other Australian universities.
Los investigadores utilizaron los resultados de extra trees junto con modelos de explicación para identificar los factores que sustentaban las predicciones y compararlos con los conocimientos médicos. La hipertensión, los tumores, las enfermedades endocrinas, digestivas y cardiovasculares aparecieron como factores clave. La autora principal, Niusha Shafiabady, profesora de ACU y directora de su laboratorio Women in AI for Social Good, dirigió el trabajo junto con colegas de la Universidad Charles Darwin, la Universidad Tecnológica Amirkabir de Teherán y otras universidades australianas.
So what changes in practice? If embedded in clinical decision-support systems, explained predictions could help clinicians focus urgent attention on high-risk patients, monitor them continuously and intervene earlier. Shafiabady said the tools should complement rather than complicate frontline care.
¿Qué cambia esto en la práctica? Si se integran en sistemas clínicos de apoyo a la toma de decisiones, las predicciones explicadas podrían ayudar a los médicos a centrar la atención urgente en los pacientes de alto riesgo, monitorizarlos de forma continua e intervenir antes. Shafiabady afirmó que estas herramientas deberían complementar, no complicar, la atención en primera línea.
The study used the MIMIC-III dataset. The researchers identify larger datasets and different health care settings as the next tests, so the reported accuracy remains a research result based on that dataset.
El estudio utilizó el conjunto de datos MIMIC-III. Los investigadores señalan que los próximos ensayos deberán realizarse con conjuntos de datos más grandes y en distintos entornos sanitarios, por lo que la precisión comunicada sigue siendo un resultado de investigación basado en ese conjunto de datos.