Pseudomonas aeruginosa is an important and frightening microorganism for patients suffering from cancer. Multiresistant P. aeruginosa (MRPA) may appear as a consequence of exposure to multiple antibiotics or from a breakdown in infection control practices. This article reports an MRPA outbreak in a cancer treatment centre and the consequent case control study. Mechanical ventilation was identified as being the main risk factor for developing MRPA colonisation or infection; molecular analysis confirmed the outbreak. A multifaceted strategy was adopted, involving reinforcing hand-washing practices, contact isolation, antibiotic restriction and suction devices for mechanically-ventilated patients. MRPA was controlled and the outbreak ended. Such strategy may be effective in controlling MRPS in low-resource environments amongst high risk cancer patients.

al. finding with both techniques. In the current patient, patterns 2 and 3 were seen and the diagnosis was confirmed by histological study.

Objetivo: Realizar una revisión narrativa del estado actual de la aplicación de las técnicas de inteligencia artificial (IA) en las áreas de la epidemiología y salud pública, así como de sus limitaciones y oportunidades. Metodología: Se realizó una revisión estructurada de la literatura para lo cual se desarrolló una estrategia de búsqueda genérica compuesta por vocabulario controlado explotado como términos (MeSH (Medical Subject Headings), DeCS (Descriptores en Ciencias de la Salud) y Emtree (Embase Subject Headings) y por lenguaje libre se llevó a cabo una búsqueda de la literatura en las siguientes bases de datos MEDLINE, Embase, Epistemonikos y LILACS, se establecieron los criterios de elegibilidad de los artículos, los cuales se utilizaron para los procesos de tamización y selección de los mismos, los que se realizaron por duplicado. Finalmente se llevó a cabo el proceso de extracción de los datos utilizando una herramienta estructurada, la síntesis de la evidencia se realizó de manera cuantitativa por medio de tablas de síntesis. Se realizó un análisis descriptivo univariado basado en el cálculo de frecuencias absolutas y relativas de las variables cualitativas y se calcularon medidas de tendencia central (media y mediana) y medidas de dispersión junto con los valores máximo y mínimo parea las variables cuantitativas. Resultados: El 18,4% de los artículos publicados provenían de Estados Unidos seguido por el 13,1% de China. En relación con las publicaciones, 11% fueron latinoamericanas. En cuanto al modelo de inteligencia artificial utilizado el 36% correspondió a modelos de Machine learning y árboles de decisión, seguido por redes neuronales en el 30%; el 58,5% de los algoritmos fueron modelos supervisados, el 43% de los modelos no fue objeto de validación, el 51,9% de los modelos se utilizaron para diagnóstico de enfermedades, el 21% para tamizaje y el 11% para evaluar el tratamiento. En relación con el propósito en salud pública, el 49,3% se utilizaron para protección de la salud, el 36% para promoción y el 14% para mejorar la eficiencia en la prestación de los servicios de salud. Respecto a su utilización en epidemiología, el 53% pretendían determinar factores de riesgo o exposición a enfermedades, el área predominante de desarrollo de los modelos fue infectología en el 61% de las publicaciones encontradas. Conclusiones: La IA se presenta como una herramienta útil en áreas como la epidemiología y en la toma de decisiones en salud pública al desarrollar algoritmos a partir de datos complejos que permiten predecir una variedad de desenlaces. Sin embargo, es necesario estandarizar los métodos en aspectos, tales como la calidad de los datos utilizados en estos algoritmos, en los métodos de validación utilizados, lo cual permitiría su aplicación en el contexto clínico.

El descubrimiento y desarrollo de fármacos es un proceso complicado y arduo que implica un gran esfuerzo interdisciplinar. A grandes rasgos, el proceso puede dividirse en dos partes: la preclínica y la clínica, que juntas pueden durar hasta 12 años y costar entre 2 y 3 billones de dólares. Debido a la compleja naturaleza de la creación de nuevos medicamentos, que implica consideraciones bioquímicas y fisicoquímicas, así como consideraciones de seguridad y eficacia clínica, el proceso de descubrimiento de fármacos se caracteriza por una alta tasa de fracasos. En la era de la información, este proceso de desarrollo suele estar asociado a la generación de grandes cantidades de datos. La inteligencia artificial ha permitido aprovechar estos datos para acelerar el proceso de descubrimiento de fármacos y evitar posibles escollos que puedan llevar al fracaso de la comercialización de un medicamento. En esta revisión analizamos los nuevos avances en inteligencia artificial y aprendizaje automático en diferentes partes del proceso de descubrimiento de fármacos, desde la síntesis química hasta la selección de candidatos para los ensayos clínicos. Se muestra que la inteligencia artificial se ha aplicado en todas las etapas del descubrimiento de fármacos y se ha utilizado en gran medida para revolucionar los métodos de investigación tradicionales. La inteligencia artificial no sólo se ha utilizado para facilitar y acelerar los procesos de descubrimiento, sino también para obtener conocimientos y detectar patrones que no se conocían antes. El uso de inteligencia artificial es indispensable para el futuro del descubrimiento de fármacos.