Introducción
La inteligencia artificial (IA) ha crecido rápidamente en la última década, impulsada por avances tecnológicos y el aumento en la disponibilidad de grandes volúmenes de datos, aunque su adopción en la práctica clínica respiratoria aún enfrenta desafíos.
1 La IA, en este contexto, incluye tanto el aprendizaje automático (ML) como sistemas expertos basados en reglas y otras tecnologías de soporte. En particular, la IA promete mejorar los procesos clínicos, optimizando el diagnóstico, tratamiento y manejo de enfermedades respiratorias como el asma y la enfermedad pulmonar obstructiva crónica (EPOC), condiciones que afectan a millones de personas en todo el mundo y representan una carga significativa para los sistemas de salud.
2
A pesar de los diagnósticos y tratamientos disponibles, estas enfermedades respiratorias siguen siendo complejas y heterogéneas, lo que dificulta su manejo óptimo. La IA tiene el potencial de asistir a los clínicos al proporcionar herramientas para ayudar al diagnóstico, predecir las exacerbaciones, la progresión de la enfermedad y mortalidad. La fluctuación de los síntomas, la variabilidad de los resultados de la espirometría y las respuestas al tratamiento entre los pacientes, subraya la complejidad de los fenotipos y endotipos del asma, evidenciando la necesidad de herramientas avanzadas para un diagnóstico preciso y estrategias de tratamiento personalizadas.
3
Sin embargo, persiste una brecha de conocimiento entre los científicos de datos y los neumólogos, lo que limita la implementación generalizada de la IA en la práctica clínica. Este artículo busca cerrar esa brecha, explicando los fundamentos de la IA y mostrando su valor añadido en el diagnóstico y tratamiento del asma y EPOC.
1
La evolución del aprendizaje automático
La evolución del aprendizaje automático ha pasado por varios hitos importantes a lo largo de las décadas, comenzando en 1950 con el Test de Turing, un referente en la evaluación de inteligencia artificial. En 1952, Arthur Samuel desarrolla el primer algoritmo capaz de aprender por sí mismo, y en 1957, Fran Rosenblatt introduce el Perceptron, uno de los primeros modelos de redes neuronales. En los años 70 se da un paso adelante con los algoritmos de reconocimiento de patrones, y en los 80, con los sistemas expertos basados en reglas. A principios de los 90, aparecen los algoritmos que utilizan grandes volúmenes de datos para aprender de los resultados, gracias a los avances en capacidad de procesamiento y disponibilidad de datos.
4
En 1997, el sistema Deep Blue de IBM venció al campeón mundial de ajedrez Gary Kasparov, marcando un avance significativo en la inteligencia artificial. En 2004, Google introdujo el modelo Map&Reduce, una herramienta clave para procesar grandes volúmenes de datos. En 2006, surgieron las tecnologías de
deep learning y
hadoop, que permitieron un procesamiento más eficiente de datos masivos. En 2010, Microsoft lanzó Kinect, una tecnología que permitió a las máquinas reconocer gestos, comandos de voz y objetos. En 2011, Watson de IBM ganó el concurso de Jeopardy, demostrando capacidades avanzadas de procesamiento del lenguaje natural (PLN). Finalmente, en 2012, Google Brain con Jeff Dean y Andrew Ng, desarrolló un algoritmo que pudo navegar por YouTube e identificar vídeos de gatos, evidenciando el avance en la clasificación automática de contenido visual.
5
Definiciones en inteligencia artificial
Inteligencia Artificial (IA): Se refiere a programas que tienen la capacidad de aprender y razonar como los humanos. Esta es una categoría amplia que abarca diferentes tecnologías y enfoques diseñados para replicar el pensamiento humano.
Machine Learning (ML): Es una subcategoría de la inteligencia artificial. El ML o aprendizaje automático se trata de algoritmos que pueden aprender a partir de datos sin necesidad de ser programados explícitamente para realizar una tarea específica. Estos algoritmos mejoran su rendimiento con la experiencia.
Deep Learning (DL): El aprendizaje profundo es una subcategoría dentro del
machine learning que se enfoca en el uso de redes neuronales artificiales para procesar grandes volúmenes de datos y aprender patrones complejos. DL es especialmente efectivo en tareas como el reconocimiento de imágenes y el procesamiento del lenguaje natural.
Estos tres primeros niveles representan una jerarquía donde cada uno se especializa más que el anterior, yendo desde un enfoque general de la IA hasta técnicas más específicas y avanzadas.
1
Sistemas expertos basados en reglas (SE): funcionan mediante la traducción del conocimiento de expertos, como las reglas implícitas utilizadas por los médicos en el diagnóstico. Los SE no son capaces de aprender por sí mismos, siendo esta una de las grandes diferencias con el ML.
1
Tecnologías de apoyo: Además del aprendizaje automático, la IA incluye varias tecnologías de apoyo que permiten la implementación de soluciones en el entorno clínico. Estas tecnologías incluyen sensores que permiten una monitorización continua y sistemas de interacción máquina-humano, que permiten una mayor integración de las tecnologías de IA con los usuarios finales, mejorando la capacidad de la IA para intervenir en el entorno clínico, especialmente para el control remoto y la toma de decisiones basadas en datos continuos y la robótica médica.
1
IA generativa: La IA generativa se refiere a sistemas que crean contenido nuevo y original, como texto, imágenes o sonidos, utilizando datos ya existentes como base. Esta tecnología está estrechamente relacionada con ML y DL, que permiten a las máquinas aprender de grandes volúmenes de datos. La IA generativa ha dado lugar a los modelos de lenguaje largos (LLM) como GPT3, GPT4, GPT-o1, Gemini, Dalle etc. Estos modelos, están entrenados con grandes cantidades de datos y basados en arquitecturas de
transformers. Pueden comprender y generar lenguaje natural con un alto grado de coherencia, lo que permite su uso en tareas como la respuesta a preguntas, generación de texto, traducción automática y más.
Tipos de aprendizaje
Actualmente podemos clasificar los tipos de aprendizaje automático en tres categorías principales (Figura 1):
El aprendizaje supervisado (
task-driven) se basa en la utilización de datos etiquetados para entrenar a un modelo en tareas específicas.
El aprendizaje no supervisado (
data-driven) trabaja con datos sin etiquetar, lo que permite al algoritmo identificar patrones ocultos o agrupaciones en los datos.
Finalmente, el aprendizaje por refuerzo (
learn from errors) se fundamenta en la interacción del modelo con su entorno, aprendiendo de los errores a través de un sistema de recompensas y castigos. Estas tres metodologías abarcan los enfoques más comunes en el campo del aprendizaje automático.
1
Fases de un proyecto de aprendizaje automático
Las fases de un proyecto de aprendizaje automático comienza con la identificación del problema u objetivo,
6 es decir, lo que se quiere resolver mediante el uso de algoritmos (Figura 2). Luego se pasa a la obtención de datos, donde se recolecta la información necesaria para alimentar el modelo. Posteriormente, se realiza el análisis exploratorio de datos (EDA), que permite entender la estructura y calidad de los datos mediante su análisis inicial.
Después, en la etapa de procesamiento de datos, se limpian y preparan los datos para asegurar que estén en el formato adecuado, seguido por la fase de
feature engineering, donde se crean nuevas características que pueden mejorar el rendimiento del modelo. A continuación, se realiza la construcción del modelo, en la cual se entrena el algoritmo para aprender patrones de los datos y luego se valida en la etapa de validación del modelo, donde se prueba su precisión y capacidad de generalización. Aplicación de métricas de rendimiento, necesarias para evaluar qué tan bien está funcionando un modelo de ML. Estas incluyen errores de predicción como el error absoluto medio o el error cuadrático medio, utilizados en regresión. En clasificación, se utilizan métricas como la precisión, la sensibilidad y la especificidad, derivadas de una matriz de confusión. También se menciona el uso del área bajo la curva ROC (AUC), que mide la capacidad de un modelo para discriminar entre clases, siendo un valor superior a 0,7 generalmente aceptado como adecuado. Finalmente, si el modelo es satisfactorio, se pasa a la implementación, en la que se utiliza para realizar predicciones o clasificaciones en situaciones reales. Cada fase es crucial y sigue un flujo lógico para garantizar que el modelo final sea eficiente y preciso.
6–11

Papel de la IA en asma
El ML están desempeñando un papel creciente en el manejo del asma, abordando los desafíos en su diagnóstico, clasificación y tratamiento. El asma, como una enfermedad respiratoria crónica con variabilidad significativa entre pacientes, representa un objetivo ideal para la aplicación de IA y ML, ya que puede aprovecharse la gran cantidad de datos disponibles, incluidos datos genómicos, clínicos, ambientales y metabolómicos, para identificar patrones y predecir resultados.
12
IA en el diagnóstico y cribado del asma
La aplicación de IA en el diagnóstico y cribado del asma es un área ampliamente investigada. Los estudios utilizan principalmente algoritmos de aprendizaje automático como redes neuronales artificiales (ANNs), máquinas de soporte vectorial (SVM), árboles de decisión y bosques aleatorios para identificar patrones complejos en datos médicos. Las ANNs son las más empleadas, presentes en 20 estudios, seguidas de SVM, árboles de decisión y regresión logística. Los datos clínicos utilizados incluyen historial médico, pruebas de función pulmonar, sonidos pulmonares y datos genéticos.
1,12
La mayoría de los estudios analizan datos clínicos tradicionales y algunos incorporan sonidos respiratorios para detectar sibilancias, mejorando la precisión en la detección del asma. Doce estudios utilizan datos de sonidos pulmonares, y otros nueve exploran datos genéticos para identificar predisposiciones al asma, complementando así los métodos tradicionales de diagnóstico.
1,12
Un avance significativo es el uso de sensores portátiles y smartphones para recopilar datos en tiempo real. Un estudio destaca el uso de sensores de sonido respiratorio conectados a un smartphone, utilizando un modelo oculto de Markov (HMM), alcanzando una precisión del 94,91%. Esto refleja una tendencia hacia dispositivos móviles para el diagnóstico del asma en áreas con acceso limitado a equipos médicos.
1,12
Los resultados indican que la IA puede mejorar significativamente la precisión diagnóstica del asma, con algunos modelos superando el 90% de precisión. Sin embargo, un desafío es el tamaño limitado de los conjuntos de datos; solo cuatro estudios incluyeron más de 1000 pacientes, lo que plantea dudas sobre la generalización a poblaciones más amplias.
1,12
Aunque los resultados son prometedores, se requiere validación a gran escala y adopción clínica. Se necesitan más estudios con grandes cohortes y datos diversos, incluyendo genómicos y ambientales, para robustecer y confiar en estos sistemas de IA para el diagnóstico del asma.
1,12
IA en la clasificación de los pacientes con asma
Los algoritmos de IA y aprendizaje automático se utilizan para clasificar a pacientes asmáticos en subcategorías basadas en características clínicas, genéticas o fisiológicas, con el objetivo de identificar patrones ocultos y personalizar el tratamiento. Principalmente, se emplean árboles de decisión y bosques aleatorios, conocidos por ofrecer explicaciones claras en contextos médicos, seguidos de ANNs en 7 estudios, y técnicas como SVM y regresión logística.
1,12
Los datos utilizados incluyen mayormente información clínica (26 estudios), como historia médica, frecuencia de hospitalizaciones, control del asma, pruebas de función pulmonar y sonidos respiratorios. Un creciente número de estudios
6 combina datos clínicos y genéticos para identificar subgrupos con diferentes perfiles de riesgo.
1,12
Las principales subcategorías en la clasificación de pacientes asmáticos son la gravedad del asma y los fenotipos del asma. La gravedad del asma implica clasificar a los pacientes según la severidad de la enfermedad utilizando características como sonidos respiratorios y exacerbaciones previas. Los fenotipos del asma se refieren a la clasificación en fenotipos o endotipos basados en factores clínicos y genéticos; un estudio identificó tres fenotipos distintos en pacientes pediátricos utilizando datos heterogéneos como cuestionarios y genotipos.
1,12
Entre los estudios destacados, VAN VILET et al. utilizaron un bosque aleatorio para diferenciar entre niños con asma controlada y no controlada, logrando una AUC de 0,86.
13 NABI et al. clasificaron sonidos de sibilancias en tres niveles de gravedad con una PPV del 95%, subrayando la utilidad de los sonidos traqueales como predictores.
14 Finalmente, WU et al. identificaron fenotipos basados en la respuesta a corticosteroides mediante aprendizaje no supervisado en 346 pacientes adultos.
15
La clasificación precisa permite personalizar tratamientos y predecir la progresión de la enfermedad, mejorando los resultados clínicos. Sin embargo, desafíos como el tamaño limitado de las cohortes dificultan la generalización de los resultados. Se requiere más investigación con grandes conjuntos de datos y cohortes diversas. En el futuro, la integración de datos genéticos, clínicos y ambientales en modelos de IA más complejos permitirá clasificaciones más precisas, y los avances en técnicas de aprendizaje profundo ayudarán a descubrir nuevos fenotipos y entender mejor los mecanismos del asma.
1,12
IA en el manejo y la monitorización
Las técnicas de IA se utilizan para predecir y gestionar las exacerbaciones del asma y monitorizar el control de la enfermedad, empleando modelos como árboles de decisión, bosques aleatorios, ANN, SVM y redes bayesianas. El objetivo es mejorar la predicción de exacerbaciones, prevenir ataques graves y facilitar el seguimiento en pacientes crónicos.
1,12
En la predicción de exacerbaciones, los estudios analizan datos ambientales (contaminación, temperatura, alérgenos) y clínicos (frecuencia respiratoria, niveles de óxido nítrico exhalado). Por ejemplo, Hosseini et al. desarrollaron una plataforma con sensores que, mediante un bosque aleatorio, predijo ataques con una precisión del 80,1%.
16 En la monitorización del control del asma, se utilizan sensores portátiles y telemonitorización. En este sentido, Finkelstein et al. alcanzaron una precisión del 100% al predecir exacerbaciones y ajustar tratamientos en tiempo real utilizando esta tecnología.
17
Además, se exploran enfoques que utilizan
big data de fuentes como búsquedas en Google y Twitter para predecir picos en emergencias por asma. Ram et al. combinaron estos datos con información ambiental, logrando una precisión del 70% en la predicción de visitas a urgencias.
18 También han desarrollado algoritmos para decidir la hospitalización de pacientes basados en parámetros clínicos y demográficos, como el de Patel et al. que lograron un AUC de 0,84 al predecir la necesidad de hospitalización.
19
A pesar de los resultados prometedores, existen desafíos como la variabilidad en el tamaño de las cohortes y la integración de diferentes tipos de datos, lo que dificulta la estandarización. Se espera que, con más datos y algoritmos avanzados, la monitorización en tiempo real mediante dispositivos portátiles sea más común y que la combinación de datos genómicos, ambientales y clínicos en modelos de IA permita predecir exacerbaciones con mayor precisión y personalizar tratamientos.
1,12
IA en el tratamiento del asma
Existe una carencia significativa de estudios que apliquen algoritmos de IA específicamente enfocados en el tratamiento del asma. Ross et al. utilizaron algoritmos de aprendizaje automático para identificar fenotipos asmáticos basados en la respuesta al tratamiento, buscando ajustar terapias según las características específicas de los pacientes. Identificaron que la respuesta broncodilatadora y los niveles de eosinófilos en sangre eran factores predictivos clave.
20 Halner et al. emplearon un algoritmo de bosque aleatorio para predecir el fracaso del tratamiento tras una exacerbación en pacientes con asma y EPOC, logrando un AUC de 0,81.
21
Aunque hay una creciente investigación en tratamientos biológicos para el asma, no se han realizado estudios que utilicen IA para personalizar estos tratamientos, a pesar de su potencial para identificar subgrupos específicos de pacientes y optimizar el uso de terapias costosas. En el futuro, se espera que la IA ayude a identificar perfiles complejos de pacientes que respondan mejor a ciertos medicamentos, permitiendo una medicina más personalizada. Sin embargo, se necesitan más investigaciones para aprovechar todo el potencial de la IA en el tratamiento del asma.
1,12
IA Generativa aplicada en el asma
Los sistemas de IA generativa se han utilizado a nivel formativo en el asma. Existen evidencias muy limitadas en la actualidad. Actualmente la Guía Española para el Manejo del Asma (GEMA) ha desarrollado la IA GEMA. Se trata de un modelo GPT 3.5 de apoyo a los profesionales para consultar la guía. A nivel general de publicar esta revisión solo existe dos documentos que han evaluado la fiabilidad y utilidad de ChatGPT como fuente de información sobre el asma.
El primero destacó que, aunque ChatGPT proporcionó respuestas mayoritariamente precisas y útiles, con un 81% de las respuestas obteniendo puntuaciones altas, algunas carecían de profundidad o precisión técnica. También se resaltó la necesidad de mejorar en la actualización de la información y la capacidad de citar fuentes científicas.
22 El segundo documento evaluó 30 preguntas frecuentes sobre el asma, mostrando que 93,33% de las respuestas eran fiables y 78,33% aceptables como fuente única de información, aunque la legibilidad fue un problema significativo, con un puntaje que sugiere que las respuestas pueden ser difíciles de entender para el público general.
23 En ambos casos, se concluyó que ChatGPT es una herramienta valiosa para la educación del paciente, pero debe ser utilizada junto con la asesoría de un profesional médico, y debe mejorar en términos de accesibilidad del lenguaje y precisión en algunos aspectos técnicos.
Áreas de mejora en el uso de la IA en el asma
Tamaño de los conjuntos de datos: Una de las principales limitaciones destacadas es el tamaño reducido de las cohortes de pacientes en muchos estudios. La mayoría de las investigaciones sobre IA y asma utilizan pequeños conjuntos de datos, lo que pone en duda la robustez y la validez de los resultados obtenidos. La falta de grandes cohortes diversificadas limita la capacidad de generalizar los hallazgos y aplicar los modelos de IA en entornos clínicos más amplios.
1,12
Heterogeneidad de los datos: Los estudios en el campo del asma utilizan datos clínicos, genéticos, ambientales y meteorológicos, pero la integración de estos diferentes tipos de datos sigue siendo un desafío. La calidad, la disponibilidad y la coherencia de los datos pueden influir en la precisión de los modelos de IA, lo que limita su eficacia.
1,12
Falta de investigaciones en tratamientos: Aunque se están desarrollando tratamientos biológicos avanzados para el asma grave, el artículo menciona que aún no se han aplicado ampliamente técnicas de IA para optimizar estos tratamientos. La IA tiene el potencial de identificar super-respondedores y personalizar los tratamientos, pero la investigación en este campo es muy escasa.
1,12
Calidad de los datos: en muchos estudios, los datos disponibles no están completamente caracterizados o bien organizados, lo que puede afectar la calidad de los modelos entrenados con IA. Esto es especialmente relevante en estudios que incorporan datos complejos como información genética o proteómica.
Complejidad de la interpretación: Aunque la IA ofrece resultados prometedores, los modelos más avanzados como las redes neuronales profundas pueden ser difíciles de interpretar. En entornos clínicos, es esencial que los resultados sean comprensibles para los médicos, de manera que puedan tomar decisiones informadas basadas en los resultados del modelo. Sin embargo, los modelos de IA más complejos a menudo se consideran “cajas negras”, lo que plantea problemas de transparencia y explicabilidad.
1,12
Riesgos del uso de la IA en el asma: Aunque en la mayoría de los trabajos no se analizan explícitamente los riesgos asociados con la IA en medicina, se puede inferir que algunas de estas limitaciones podrían convertirse en riesgos potenciales si no se abordan adecuadamente:
- Diagnósticos erróneos o tratamientos inapropiados debido a datos insuficientes o modelos mal entrenados.
- Sesgos en los datos, que podrían resultar en disparidades en la atención médica, afectando desproporcionadamente a ciertos grupos poblacionales.
- La falta de interpretación clara de los resultados de IA podría llevar a confusión o malentendidos por parte de los médicos, afectando la toma de decisiones clínicas.
- Responsabilidad médica en el uso de estas herramientas de IA para la toma de decisiones médicas.
Conclusiones
LA IA y el ML a corto plazo pueden desempeñar un papel crucial en la evolución de la atención clínica para enfermedades respiratorias como el asma. A pesar de los avances significativos, la implementación de estas tecnologías aún enfrenta desafíos clave, como la falta de validación externa y el uso de cohortes pequeñas en muchos estudios. Esto limita la generalización de los modelos desarrollados. Es esencial mejorar la interpretabilidad de los modelos de IA para fomentar la confianza de los médicos, especialmente en el caso de algoritmos de “caja negra”, donde la falta de transparencia puede obstaculizar la adopción clínica. Además, las preocupaciones sobre la privacidad de los datos y la responsabilidad en la toma de decisiones clínicas siguen siendo puntos críticos a resolver. Es necesario realizar ensayos clínicos prospectivos y de utilizar muestras de datos más grandes y diversas para asegurar la eficacia y seguridad de la IA en la práctica clínica.
Financiamiento
El presente artículo no ha recibido ninguna beca especifica de agencias de los sectores público, comercial o con ánimo de lucro.
Conflicto de interés
Los autores declaran no presentar conflictos de interés.
Consideraciones éticas
Los autores confirman que en el marco de esta investigación no se han llevado a cabo experimentos en seres humanos ni en animales, además de no incluir datos de pacientes en este artículo.
Referencias
- Antão J, de Mast J, Marques A, Franssen FME, Spruit MA, Deng Q. Demystification of artificial intelligence for respiratory clinicians managing patients with obstructive lung diseases. Expert Rev Respir Med. 2024;0(0):1–13.
- Kumar Y, Koul A, Singla R, Ijaz MF. Artificial intelligence in disease diagnosis: a systematic literature review, synthesizing framework and future research agenda. J Ambient Intell Humaniz Comput. 2022;1–28.
- Plaza Moral V, Alobid I, Álvarez Rodríguez C, Blanco Aparicio M, Ferreira J, García G, et al. GEMA 5.3. Spanish Guideline on the Management of Asthma. Open Respir Arch. 2023;5(4):100277.
- Kononenko I. Machine learning for medical diagnosis: history, state of the art and perspective. Artif Intell Med. 2001;23(1):89–109.
- WhatIs. History and evolution of machine learning: A timeline. Available from: https://www.techtarget.com/whatis/A-Timeline-of-Machine-Learning-History. [cited 2024 Oct 13].
- James G, Witten D, Hastie T, Tibshirani R. Introduction. In: James G, Witten D, Hastie T, Tibshirani R, editors. An Introduction to Statistical Learning: with Applications in R. New York, NY: Springer US; 2021. p. 1–14. Disponible en: https://doi.org/10.1007/978-1-0716-1418-1_1. [cited 2024 Oct 13].
- Naser MZ, Alavi AH. Error Metrics and Performance Fitness Indicators for Artificial Intelligence and Machine Learning in Engineering and Sciences. Archit Struct Constr. 2023;3(4):499–517.
- Steyerberg EW. Study design for prediction modeling. In: Steyerberg EW, editor. Clinical prediction models: A practical approach to development, validation, and updating. Cham: Springer International Publishing; 2019. p. 37–58. Disponible en: https://doi.org/10.1007/978-3-030-16399-0_3. [cited 2024 Oct 13].
- Choi RY, Coyner AS, Kalpathy-Cramer J, Chiang MF, Campbell JP. Introduction to machine learning, neural networks, and deep learning. Transl Vis Sci Technol [Internet]. 2020;9(2):14. Disponible en: http://dx.doi.org/10.1167/tvst.9.2.14
- Badillo S, Banfai B, Birzele F, Davydov II, Hutchinson L, Kam-Thong T, et al. An Introduction to Machine Learning. Clin Pharmacol Ther. 2020;107(4):871–85.
- de Hond AAH, Leeuwenberg AM, Hooft L, Kant IMJ, Nijman SWJ, van Os HJA, et al. Guidelines and quality criteria for artificial intelligence-based prediction models in healthcare: a scoping review. Npj Digit Med. 2022;5(1):1–13.
- Exarchos KP, Beltsiou M, Votti CA, Kostikas K. Artificial intelligence techniques in asthma: a systematic review and critical appraisal of the existing literature. Eur Respir J. 2020;56(3). Disponible en: https://erj.ersjournals.com/content/56/3/2000521.
- Van Vliet D, Smolinska A, Jöbsis Q, Rosias PPR, Muris JWM, Dallinga JW, et al. Association between exhaled inflammatory markers and asthma control in children. J Breath Res. 2016;10(1):016014. Disponible en: http://dx.doi.org/10.1088/1752-7155/10/1/016014
- Nabi FG, Sundaraj K, Lam CK, Palaniappan R. Characterization and classification of asthmatic wheeze sounds according to severity level using spectral integrated features. Comput Biol Med. 2019;104:52–61.
- Wu W, Bang S, Bleecker ER, Castro M, Denlinger L, Erzurum SC, et al. Multiview cluster analysis identifies variable corticosteroid response phenotypes in severe asthma. Am J Respir Crit Care Med. 2019;199(11):1358–67. Disponible en: http://dx.doi.org/10.1164/rccm.201808-1543OC.
- Hosseini A, Buonocore CM, Hashemzadeh S, Hojaiji H, Kalantarian H, Sideris C, et al. Feasibility of a secure wireless sensing smartwatch application for the self-management of pediatric asthma. Sensors (Basel). 2017;17(8). Disponible en: http://dx.doi.org/10.3390/s17081780
- Finkelstein J, Jeong IC. Machine learning approaches to personalize early prediction of asthma exacerbations. Ann N Y Acad Sci. 2017;1387(1):153–65.
- Ram S, Zhang W, Williams M, Pengetnze Y. Predicting asthma-related emergency department visits using big data. IEEE J Biomed Health Inform. 2015 Jul;19(4):1216–23.
- Patel SJ, Chamberlain DB, Chamberlain JM. A machine learning approach to predicting need for hospitalization for pediatric asthma exacerbation at the time of emergency department triage. Acad Emerg Med Off J Soc Acad Emerg Med. 2018;25(12):1463–70.
- Ross MK, Yoon J, van der Schaar A, van der Schaar M. Discovering pediatric asthma phenotypes on the basis of response to controller medication using machine learning. Ann Am Thorac Soc. 2018;15(1):49–58.
- Halner A, Beer S, Pullinger R, Bafadhel M, Russell REK. Predicting treatment outcomes following an exacerbation of airways disease. PLOS ONE. 2021;16(8):e0254425.
- Høj S, Thomsen SF, Ulrik CS, Meteran H, Sigsgaard T, Meteran H. Evaluating the scientific reliability of ChatGPT as a source of information on asthma. J Allergy Clin Immunol Glob. 2024;3(4):100330.
- Alabdulmohsen DM, Almahmudi MA, Alhashim JN, Almahdi MH, Alkishy EF, Almossabeh MJ, et al. Is ChatGPT a reliable source of patient information on asthma? Cureus. 2024 Jul;16(7):e64114.