Los puntos clave no están disponibles para este artículo en este momento.
El contenido de atención médica basado en la web ha emergido como una fuente primaria para que los pacientes accedan a información de salud sin la guía directa de proveedores de atención médica. El beneficio de este enfoque depende de la capacidad de los pacientes para acceder a información atractiva y de alta calidad, pero la variabilidad significativa en la calidad de la información en la web a menudo obliga a los pacientes a navegar a través de grandes cantidades de contenido inexacto, incompleto, irrelevante o inaccesible. La personalización posiciona al paciente en el centro de los modelos de atención médica al considerar sus necesidades, preferencias, metas y valores. Sin embargo, los métodos tradicionales utilizados hasta ahora en la atención médica para determinar los factores de contenido de alta calidad para un usuario particular son insuficientes. El aprendizaje automático (ML) utiliza algoritmos para procesar y descubrir patrones dentro de grandes volúmenes de datos para desarrollar modelos predictivos que mejoran automáticamente con el tiempo. El sector de la atención médica ha quedado rezagado detrás de otras industrias en la implementación de ML para analizar características de usuarios y contenido, lo que puede automatizar recomendaciones de contenido personalizadas a gran escala. Con la llegada de grandes datos en la atención médica, que construye perfiles de pacientes completos extraídos de varias fuentes dispares, se puede utilizar ML para integrar datos estructurados y no estructurados de usuarios y contenido para entregar contenido que se predice será efectivo y atractivo para los pacientes. Esto permite a los pacientes participar en su salud y apoyar la educación, la autogestión y el cambio de comportamiento positivo, así como mejorar los resultados clínicos.
Guni et al. (Tue,) estudiaron esta cuestión.