ABC DE LA INTELIGENCIA ARTIFICIAL (IA) APLICADA
EN LA SALUD
..................
Marco
Anaya ¹, Camilo
Rodríguez ²
Los
temas relacionados con la inteligencia artificial
(IA) pueden evocar opiniones diversas. En primer lugar porque nos lleva
a plantearnos preguntas profundas, como ¿Qué es la inteligencia? o
¿Cómo podemos
medir la inteligencia? En segundo lugar, nos ubica en
un espacio fantasioso, alimentado en parte por la industria del
entretenimiento que vende la idea de un
sistema de inteligencia superior capaz de esclavizar
la humanidad. El término IA se viene implementando desde la década de
1950. Sin embargo, solo desde
finales de la década de 1990 ha tenido un auge considerable en su
aplicación, siendo las ciencias de la salud una de las más
influenciadas. Se pretende a través
de esta revisión derribar los mitos, exponiendo la IA
y conceptos relacionados, como big
data, machine learning, deep learning, internet de las cosas,
para así contar
con un panorama de su funcionamiento y su utilidad
en la salud.
¿Qué es la inteligencia artificial (IA)?
Se
puede definir la IA como los sistemas informáticos
diseñados para interactuar con el mundo a través de
funcionalidades como la percepción visual y el reconocimiento de la voz
e imitar comportamientos inteligentes que concebimos esencialmente como
humanos (1).
En otras palabras, es un tipo de sistema informático
que permite a las computadoras imitar la inteligencia
humana (2-3).
Las
investigaciones relacionadas con la IA en medicina se han venido
desarrollando rápidamente. Se estima que en el año 2016 los proyectos
de IA en el sector
sanitario atrajeron a más inversores que los proyectos
de IA dentro de cualquier otro sector de la economía
mundial (4), ofreciendo oportunidades para enfocarse
en mejorar los desenlaces clínicos en pacientes e impactando en la
reducción de costos generados por los
equipos clínicos, y promoviendo modelos predictivos
en salud poblacional.
Para
que la IA pueda resolver problemas tal como lo
hace la mente humana, primero debe combinar una
gran cantidad de datos con procesamiento rápido
e iterativo y modelar los datos incluyendo la extracción (o ingeniería)
de las características de esos datos,
permitiéndole al software aprender automáticamente
(5,6). Durante esta etapa, el sistema puede procesar
una gran cantidad de datos y finalmente entregar un
resultado que puede ser un patrón, una clasificación o
una predicción (output) (6).
..............
¹ MD MSc. Colombiana de Trasplantes. Docente Universidad del
Norte, Barranquilla, Colombia.
² MD. Médico interno, Universidad del Norte, Barranquilla, Colombia.
Big data
El termino
big data o
macrodato, se refiere a una gran
cantidad de datos complejos y vinculados disponibles
para ser analizados. El punto de partida no es solo la
cantidad de datos, sino la calidad de los mismos, ya
que de ésta dependerá la calidad información obtenida
y de las decisiones que se soportarán con IA (7).
El avance en el desarrollo del internet de las cosas y
de los sistemas de registros electrónicos de historia clínica, así como
el avance de las ómicas (protéomica,
genómica, metabolómica) han dado lugar a una gran
cantidad de datos que a su vez soportan “medicina de
precisión”. Este enfoque ha mejorado el diagnóstico,
la evaluación de riesgos y el tratamiento de múltiples
enfermedades, sobre todo en oncología, un área en la
que dicha información ya se utiliza en la práctica clínica (8).
Los datos obtenidos de registros clínicos electrónicos
tienden a ser heterogéneos y poco estandarizados a
diferencia de los datos que se obtienen por imágenes
médicas. Por ejemplo, en el registro clínico electrónico
podemos contar con datos demográficos, diagnósticos,
procedimientos, resultados de pruebas de laboratorio y
medicamentos y espacio para texto libre. Es más difícil
para los modelos de aprendizaje profundo, reconocer
patrones confiables entre información ruidosa que la
información estructurada (9).
Este gran volumen de datos e información que se debe
registrar, almacenar, acceder, procesar y estructurar,
necesita ser analizado y ha abierto la puerta a soluciones que aumentan
el poder de procesamiento, una
forma de “inteligencia aumentada” denominada analítica de datos o
simplemente ciencia de datos (10).
Aprendizaje automatizado (AA)
Dentro de la IA, el campo del aprendizaje automatizado (AA) recoge la
capacidad de aprender de la máquina por sí misma, usando grandes
conjuntos de datos,
de manera supervisada o no supervisada (11). En parte
utiliza grandes conjuntos de datos para identificar patrones de
interacción entre variables, llegando a descubrir asociaciones
previamente desconocidas, generando
nuevas hipótesis e impulsando a los investigadores y el
uso de recursos hacia las direcciones más fructíferas (9).
Este enfoque enfatiza que el aprendizaje automático
o basado en datos, es la tecnología fundamental requerida para procesar
de manera significativa datos
que exceden la capacidad del cerebro humano para
comprender (12,13). La diferencia clave entre enfoques
tradicionales y el aprendizaje automático es que en el
aprendizaje de máquina un modelo aprende de ejemplos en lugar de estar
programado con reglas. Para
tarea dada, se proporcionan ejemplos en forma de
entradas (llamadas características) y salidas (llamadas
etiquetas). Un modelo de aprendizaje automático puede memorizar los
patrones predictivos en salud de un
gran número de pacientes, de esta manera puede ayudar a los médicos a
anticipar eventos futuros a un nivel
experto, basándose en información mucho más allá de
la experiencia en la práctica de un sólo médico (12).
Una vez los datos son ingresados, el AA ejecuta un
algoritmo y como resultado genera más información
para resolver un determinado problema. El objetivo de
generar más datos se basa en las siguientes técnicas:
- Regresión lineal y polinómica.
- Árboles de decisión.
- Redes neuronales.
- Redes Bayesianas.
- Cadenas de Markov.
Estas técnicas permiten al AA reconocer patrones,
extraer conocimiento, descubrir información y hacer
predicciones (14).
Los tipos de aprendizaje utilizados por las computadoras se subdividen
convenientemente en:
Como los reconocimientos de escritura a
mano,
dígitos, clasificación de imágenes y documentos
(15).
- Aprendizaje no supervisado
Modelo predictivo entrenado de manera
similar al
aprendizaje supervisado, pero la diferencia es que
la comprensión se da en datos no clasificados o
etiquetados y descubre patrones de ejemplos similares entre grupos de
datos (14).
Es un tipo de aprendizaje automático en
el que
no hay capacitación con datos clasificados o no
clasificados; el sistema aprende en un entorno sin
información sobre la posible salida, a través de acciones y los
resultados obtenidos. En otras palabras, el modelo se refuerza al
resolver el problema
de la mejor manera (14).
La
Tabla 1 enumera algunas de las aplicaciones en las
que se ha ido incorporando la IA en distintas especialidades de la medicina:
Tabla 1. Aplicaciones prácticas de la IA en el entorno médico.
La aplicación de la IA viene ganando cada vez un espacio mayor. No
pretende reemplazar la labor del médico, sino optimizar el
funcionamiento de los equipos
clínicos al momento de tomar decisiones. Por lo tanto,
se hace necesario que los profesionales en el área de
la salud conozcan los desarrollos de la IA y su aplicación en los
distintos escenarios clínicos, así como
la disposición de velar por la calidad del dato que se suministra para
ser procesado por la computadora y
que finalmente soportará la decisión que afectará a
muchas personas.
Figura 1. Características de la IA como herramienta disruptiva para una medicina más funcional.
Referencias
1. Servicios sociales para ciudadanos digitales: Oportunidades para
América Latina y el Caribe. Cristina Pombo Ravi GuptaMirjana
StankovicMai 2018 Inter-American Development Bank.
2. Iftikhar P, Kuijpers M V, Khayyat A, et al. (February 28, 2020)
Artificial Intelligence: A New Paradigm in Obstetrics and Gynecology
Research and Clinical Practice. Cureus 12(2): e7124.
DOI10.7759/cureus.7124.
3. Huo Y, Deng R, Liu Q, Fogo AB, Yang H. AI applications in renal
pathology. Kidney Int. 2021 Jun;99(6):1309-1320. doi:
10.1016/j.kint.2021.01.015. Epub 2021 Feb 10.
4. Buch VH, Ahmed I, Maruthappu M. Artificial intelligence in medicine:
current trends and future possibilities. Br J Gen Pract. 2018
Mar;68(668):143-144. doi: 10.3399/bjgp18X695213.
5. Barzallo S. La inteligencia artificialen medicina. Rev. Med Ateneo 2019; 21 (2): 81-94.
6. Galmarini CM, Lucius M. Artificial intelligence: a disruptive tool
for a smarter medicine. Eur Rev Med Pharmacol Sci. 2020
Jul;24(13):7462-7474. doi: 10.26355/eurrev_202007_21915.
7. Lila Rajabion, Abdusalam Abdulla Shaltooki, Masoud Taghikhah,
Amirhossein Ghasemi, Arshad Badfar, Healthcare big data processing
mechanisms: The role of cloud computing, International Journal of
Information Management, Volume 49, 2019, Pages 271-289, ISSN 0268-4012.
8. Saez-Rodriguez J, Rinschen MM, Floege J, Kramann R. Big science and
big data in nephrology. Kidney Int. 2019 Jun;95(6):1326-1337. doi:
10.1016/j.kint.2018.11.048. Epub 2019 Mar 5.
9. Wang F, Casalino LP, Khullar D. Deep Learning in Medicine-Promise,
Progress, and Challenges. JAMA Intern Med. 2019 Mar 1;179(3):293-294.
doi: 10.1001/jamainternmed.2018.7117.
10. Rico A, Pimienta S. 03 octubre de 202. https://aipocrates.org/2021/10/03/el-flujo-de-informacion-en-un-ambiente-medico/.
11. García-Fernandez, Miguel. (2019). Inteligencia artificial en imagen
cardíaca: El futuro ya está aquí. Revista Argentina de Cardiologia. 87.
491-493. 10.7775/rac.es.v87.i6.16997.
12. Rajkomar A, Dean J, Kohane I. Machine Learning in Medicine. N Engl
J Med. 2019 Apr 4;380(14):1347-1358. doi: 10.1056/NEJMra1814259.
13. Arias, Víctor, Salazar, Juan, Garicano, Carlos, Contreras, Julio,
Chacón, Gerardo, Chacín-González, Maricarmen, Añez, Roberto, Rojas,
Joselyn, BermúdezPirela, Valmore, Una introducción a las aplicaciones
de la inteligencia artificial en Medicina: Aspectos históricos. Revista
Latinoamericana de Hipertensión [Internet]. 2019;14(5):590-600.
14. Rojas, Esperanza Manrique. .Machine Learning: análisis de lenguajes
de programación y herramientas para desarrollo. Revista Ibérica de
Sistemas e Tecnologias de Informação; Lousada Iss. E28, (Apr 2020):
586-599.
15. Deo RC. Machine Learning in Medicine. Circulation. 2015 Nov 17;132(20):1920-30. doi: 10.1161/CIRCULATIONAHA.115.001593.
16. Buch, V. H., Ahmed, I., & Maruthappu, M. (2018). Artificial
intelligence in medicine: current trends and future possibilities. The
British Journal of General Practice: The Journal of the Royal College
of General Practitioners, 68(668), 143–144.
17. Amisha, Malik, P., Pathania, M., & Rathaur, V. K. (2019).
Overview of artificial intelligence in medicine. Journal of Family
Medicine and Primary Care, 8(7), 2328–2331.
18. Wong TY, Bressler NM. Artificial intelligence with deep learning
technology looks into diabetic retinopathy screening. JAMA.
2016;316(22):2366–7.
19. Homeyer A, Lotz J, Schwen LO, Weiss N, Romberg D, Höfener H, et al.
Artificial intelligence in pathology: From prototype to product. J
Pathol Inform. 2021;12(1):13.
Recibido: 12 de Noviembre, 2021
Aceptado: 22 de Noviembre, 2021
Correspondencia:
Marco Anaya
maranatab@gmail.com