Lesión. 4 de diciembre de 2025;57(2):112927. doi: 10.1016/j.injury.2025.112927. En línea antes de imprimir.
ANTECEDENTES: La seguridad es un aspecto crítico de los productos de consumo. Sin embargo, cada año se reportan millones de lesiones relacionadas con productos. Los esfuerzos tradicionales de vigilancia de lesiones liderados por agencias de salud pública implican la recopilación de datos de lesiones relacionadas con productos en los hospitales y el posterior análisis de la causa de las lesiones. Este enfoque a menudo requiere un largo tiempo de procesamiento y genera retrasos en la identificación de patrones emergentes de lesiones relacionadas con productos de consumo y pasos de intervención preventiva, como retiros de productos, que causan lesiones continuas relacionadas con los productos.
MÉTODOS: Proponemos un marco basado en aprendizaje automático (ML) para mejorar la vigilancia de lesiones mediante la extracción de detalles cruciales relacionados con lesiones de productos de publicaciones en redes sociales en tiempo real para identificar rápidamente tendencias emergentes de lesiones de productos y potencialmente facilitar intervenciones oportunas. Evaluamos la eficacia del marco propuesto analizando las lesiones relacionadas con el skate desde la plataforma Redditt. El marco tiene dos etapas. En la etapa 1, las publicaciones de redes sociales eliminadas en función de palabras clave relacionadas con el producto se clasificaron si estaban relacionadas con lesiones o no utilizando modelos de aprendizaje automático entrenados en datos no relacionados con lesiones de reseñas de productos de Amazon y datos relacionados con lesiones obtenidos de la base de datos del Sistema Nacional de Vigilancia Electrónica de Lesiones (NEISS). En la etapa 2, las publicaciones identificadas como relacionadas con lesiones se analizaron más a fondo mediante otro modelo de aprendizaje automático entrenado en el conjunto de datos NEISS para predecir la parte del cuerpo lesionada y el código de diagnóstico de lesiones según el contenido de la publicación de Redditt.
RESULTADOS: En la etapa 1 para clasificar si las publicaciones en las redes sociales están relacionadas con lesiones o no, los modelos de aprendizaje profundo LSTM y GRU arrojaron una puntuación F-1 del 72 %. En la etapa 2, para las publicaciones que se clasificaron como relacionadas con lesiones, el modelo SGD arrojó una puntuación F-1 del 86 % para predecir la parte del cuerpo lesionada y del 76 % para el código de diagnóstico de lesiones.
CONCLUSIONES: Los resultados del estudio indican que el marco de aprendizaje automático propuesto arrojó niveles de precisión decentes para fines de vigilancia de lesiones. Por lo tanto, el marco se puede utilizar para analizar datos de redes sociales para identificar tendencias emergentes en lesiones relacionadas con productos y puede reforzar los esfuerzos existentes de vigilancia de lesiones.
PubMed:41365280 | DOI:10.1016/j.lesión.2025.112927