Estudios de investigación
Poner la perspectiva de la paciente en el centro de la investigación sobre la endometriosis
// background
La endometriosis es una enfermedad compleja y muy variable que sigue sin conocerse bien ni por parte de la sociedad ni atención médica . En colaboración con la profesora Sylvia Mechsner, del Centro de Endometriosis de la Charité — Universidad Médica de Berlín—, hemos creado una de las mayores bases de datos de experiencias relatadas por pacientes con endometriosis y adenomiosis.
// research focus
- Trazar las vías de diagnóstico y tratamiento desde la aparición del primer síntoma
- Identificar los factores que provocan los retrasos en el diagnóstico
- Análisis de los efectos socioeconómicos y sociopsicológicos
- Análisis de los resultados comunicados por los pacientes tras recibir terapias multimodales
// what we capture
Más de 2.800 experiencias reales, desde los primeros síntomas hasta el diagnóstico, las consultas médicas y los tratamientos. Datos sociodemográficos agregados de todos los países de la región DACH. Experiencias subjetivas, consejos que los pacientes quieren compartir y resultados que los datos de los ensayos clínicos no recogen.
// eligibility
Mujeres adultas con un diagnóstico de endometriosis o adenomiosis, o que se estén sometiendo actualmente a pruebas diagnósticas. Abierto a pacientes de Alemania, Austria y Suiza.
// research team
Prof. Dra. Sylvia Mechsner — Investigadora principal, Charité
Katrina Holmes — Doctora en Medicina, Charité / Tubinga
Ann-Katrin Abeler — Estudiante de doctorado, Charité
Zeinab Soleimani — Estudiante de doctorado, HPI
condición
investigador principal
institución
tipo de estudio
cohorte
región
datos recopilados
estado
publicaciones
Endometriosis y adenomiosis
Prof. Dra. Sylvia Mechsner
Centro de Endometriosis, Charité — Universidad Médica de Berlín
Observacional, basado en los datos proporcionados por los pacientes, longitudinal
Más de 2.800 viajes compartidos
DACH (Alemania, Austria, Suiza)
Síntomas, consultas, tratamientos, datos sociodemográficos, experiencia subjetiva
Cerrado
En preparación
Proyecto OPADE: cuenta tu historia con el trastorno depresivo mayor (TDM)
// background
280 millones de personas en todo el mundo padecen un trastorno depresivo mayor (TDM). Aunque existe una amplia gama de antidepresivos disponibles, menos del 6 % de los pacientes se benefician plenamente de su tratamiento actual. Las tasas de remisión siguen siendo obstinadamente bajas. OPADE está desarrollando una herramienta predictiva basada en IA y ML para apoyar la toma de decisiones clínicas en el TDM. El proyecto se centra en el eje intestino-cerebro, estudiando cómo la genética, la epigenética, el microbioma y las redes inflamatorias se combinan para determinar la respuesta al tratamiento.
// research focus
- Identificar los perfiles de pacientes que permiten predecir y optimizar la eficacia de los antidepresivos, aumentando la remisión y reduciendo el deterioro funcional
- Analizar las correlaciones entre los índices neuroinflamatorios —microbioma, metabolómica, perfil inmunitario, marcadores epigenómicos y enzimáticos— y los resultados del tratamiento
- Evaluar los biomarcadores moleculares y no moleculares como factores predictivos de la recurrencia
- Mejorar la precisión diagnóstica para la prevención primaria
- Analiza retrospectivamente cuándo empezaron los síntomas depresivos desde la adolescencia
- Determina cómo se relacionan los biomarcadores sanguíneos con otros biomarcadores específicos de la enfermedad
// what we capture
Los pacientes comparten su día a día a través de un chatbot personalizado —síntomas, medicamentos, tratamientos y acontecimientos importantes— que alimenta la herramienta predictiva de IA y aprendizaje automático.
// eligibility
Adultos y adolescentes de entre 14 y 50 años con trastorno depresivo mayor. Selección de participantes en seis países de la UE y de otros países.
// research team
Aquí tienes la lista de socios de investigación
El proyecto está financiado por la Unión Europea
condición
consorcio
tipo de estudio
cohorte
duración
área prioritaria
datos recopilados
estado
publicaciones
Trastorno depresivo mayor (TDM)
OPADE
Clínico multimodal, predictivo con IA/ML
350 pacientes, de entre 14 y 50 años
24 meses
Eje intestino-cerebro · genética · epigenética · microbioma · inflamación
Síntomas, consultas, tratamientos, datos sociodemográficos, experiencia subjetiva (mama health)
Cerrado
En preparación
Publicaciones
Predicción conforme para la interpretación del ECG: un estudio sobre la colaboración entre humanos e IA en el apoyo a la toma de decisiones clínicas
A pesar del reconocido potencial de los sistemas de apoyo a la toma de decisiones basados en la inteligencia artificial (IA) para la interpretación de electrocardiogramas (ECG), aún es necesario comprender a fondo las complejas interacciones entre las recomendaciones generadas por la IA y su presentación a los médicos a través de las interfaces de usuario...
De lo oracular a lo judicial: mejora de la toma de decisiones clínicas mediante explicaciones contrastadas y un nuevo protocolo de interacción
Los sistemas de apoyo a la toma de decisiones clínicas (CDSS) que utilizan clasificadores de aprendizaje automático (ML) han demostrado tener un gran potencial para mejorar la precisión diagnóstica en diversos ámbitos médicos. Sin embargo, existen preocupaciones en torno al sesgo de automatización, la pérdida de la sensación de control y la dependencia excesiva de estos sistemas...
Enseñar mientras se pregunta: el «nudging» conversacional potenciado por la recuperación de información mejora la finalización de la primera sesión en entrevistas clínicas dirigidas por IA: una evaluación cuasi-experimental previa y posterior en tres áreas terapéuticas
Un estudio pre-post con 2.829 pacientes reveló que el uso de «empujones» educativos potenciados por la recuperación de información en un entrevistador clínico basado en IA aumentó la tasa de finalización de la primera sesión del 9,0 % al 22,3 % en tres enfermedades, lo que respalda el enfoque de «enseñar mientras se pregunta», aunque se necesita una validación aleatoria.
