HERRAMIENTAS DE SOPORTE PARA EL RAZONAMIENTO CLÍNICO
EN MEDICINA INTERNA BASADAS EN INTELIGENCIA ARTIFICIAL
..................
Andrés Eduardo Rico-Carrillo ¹,²
Resumen
La inteligencia artificial (IA) es un conjunto de herramientas que
simulan los procesos cognoscitivos
de los humanos y con base en el análisis de un gran volumen de datos
tiene la capacidad de recopilar y
organizar la información, permitiendo procesos de toma de decisiones,
razonamiento, reconocimiento
de voz, percepción de imágenes e interpretación visual. En medicina, se
abre paso como una estrategia
para el mejoramiento en la prestación de servicios en las diferentes
especialidades. A través de un caso
clínico se mostrará la aplicabilidad de la inteligencia artificial en
la cotidianidad del ámbito ambulatorio de la medicina interna, que se
resalta la relevancia de la frase del Dr. Maskó: “Los médicos no
serán reemplazados por la inteligencia artificial, pero aquellos que no
la usen probablemente, serán
reemplazados por aquellos médicos que si la usen”.
Palabras clave: Inteligencia artificial; servicios médicos; herramientas; ética; registros clínicos electrónicos.
..............
¹ MD. Miembro Fundador de AIpocrates.
² Departamento
de Medicina Interna, Fundación Javeriana de Servicios Médicos y
Odontológicos Interuniversitarios “Carlos Márquez Villegas” JaveSalud
IPS, Bogotá.
SUPPORT TOOLS FOR CLINICAL REASONING IN INTERNAL
MEDICINE BASED ON ARTIFICIAL INTELLIGENCE
Abstract
Artificial intelligence is a set of tools that
simulate the cognitive processes of humans and
based on the analysis of a large volume of data has the ability to
collect and organize information, allowing processes of:
decision-making, reasoning, recognition of voice, image perception and
visual interpretation. In medicine, it makes its way as a strategy for
the improvement
in the provision of services in the different specialties. Through a
clinical case, the applicability
of artificial intelligence in the daily life of the outpatient field of
internal medicine will be shown,
where the relevance of Dr. Maskó’s phrase is highlighted: “AI is not
meant to replace medical
professionals, but those who do not use it will probably be replaced by
those physicians who
do use it”.
Keywords: Artificial Intelligence; Medical Resources; Tools; Ethics; EHealth; Electronic Health
Records/Electronic Medical Records.
Introducción
Esta revisión descriptiva de la literatura en torno a la
aplicabilidad de herramientas de inteligencia artificial
en la práctica clínica tiene por objetivo aportar en el
esclarecimiento de un horizonte que hasta el momento
está colmado de incertidumbre. La inteligencia artificial está cada vez
más presente en la vida cotidiana,
una de las formas más comunes la experimentamos
con asistentes de voz, tales como, Google, Siri y Alexa
y aplicaciones que permiten transcripción de voz a
texto o texto a voz. En medicina, el uso de estas herramientas facilita
los procesos asistenciales y administrativos, contribuye con la
disminución de la carga
laboral del personal asistencial y optimiza los tiempos
de atención. Esta tendencia innovadora creciente en el
mundo ha generado la inminencia de un cambio del
paradigma en la atención de personas sanas, enfermas,
convalecientes o en rehabilitación. Se expondrá un
caso de vida real para ejemplificar los aspectos relevantes en la
implementación de la inteligencia artificial en la práctica médica
(1-6).
Caso Clínico
Adriana, es una mujer de 54 años, nacida en España,
vive en Bogotá hace 20 años, asiste a consulta de medicina interna remitida por medicina general ante el
hallazgo de presión arterial de 142/90 mmHg y llega 7
minutos tarde a consulta. Dentro de la revisión por sistemas, como aspectos relevantes se destacan episodios
ocasionales de palpitaciones y muestra un registro de
ritmo cardiaco tomado por su reloj inteligente compatible con fibrilación auricular. Como antecedentes de
importancia, fue fumadora de 10 cigarrillos/día por
20 años, hasta hace 10 años, sufrió fractura de
Colles
por caída de su propia altura, que requirió reducción
abierta y fijación interna, tuvo histerectomía más
salpingo-ooferectomía bilateral hace 10 años por una lesión NIC III, su
padre sufrió infarto de miocardio a los
48 años y su madre presentó fractura de cadera a los
78 años, es hipertensa y se encuentra en tratamiento de
cáncer de seno. Al examen físico se encuentra con pulso regular y
ruidos cardiacos rítmicos, presión arterial
de 138/92 mmHg, estatura de 1,62 metros, peso de 70
kg, perímetro abdominal 94 cm.
Trae resultados de paraclínicos que muestran: creatinina 1,26 mg/dl,
colesterol total 278 mg/dl, colesterol HDL 35 mg/dl, triglicéridos 310
mg/dl, glicemia
102 mg/dl, uroanálisis con proteinuria, electrocardiograma en ritmo
sinusal, onda P duración aumentada
(> 0,12 segundos), S en V3 de 8 mm, R en aVL de
12mm, S en V1 de 18 mm, R en V6 de 22 mm y relación
albuminuria/creatinuria 120 mg/g. Con base en
la descripción del caso, se plantean algunas preguntas
para definir las estrategias de diagnóstico, tratamiento y prevención:
¿La función renal es normal?, ¿Tiene
daño de órgano blanco?, ¿tiene dislipidemia familiar?,
¿Cuál sería el cálculo del riesgo cardiovascular?, ¿Cuál
es FINDRISC?,¿Tiene riesgo de fractura osteoporótica?, ¿Tiene riesgo de
cáncer?, ¿Cuáles son las metas
de tratamiento?, ¿Son suficientes 20 minutos para contestar estas
preguntas, educar y asesorar a la paciente?
Aplicando herramientas de
inteligencia artificial al caso clínico
Para entender las posibles actividades en las que es
susceptible la aplicación de las herramientas de inteligencia artificial se ha realizado un mapa de travesía o
“journey map” asociado con un mapa de flujo de valor
del proceso de atención de la paciente del caso, que
corresponde a la
Figura 1.
A través de un Chatbot, con un algoritmo entrenado,
la paciente solicita la asignación de una cita, la herramienta evalúa la disponibilidad de la agenda, propone
citas, la paciente escoge la opción, posteriormente el
Chatbot le solicita el consentimiento informado para
acceder a datos clínicos provenientes de registros clínicos electrónicos (49). Entre el punto 1 y 4 hay un
algoritmo complementario que evalúa la complejidad
del caso y realiza una programación dinámica de la
agenda (43), al ser primera vez y por el motivo de remisión se asigna una duración mayor de 20 minutos.
El punto 2 nos muestra una dificultad y es que a pesar
de tener una limitación en el tiempo la paciente llega
tarde, sin embargo, a través de la programación dinámica mediada por
una herramienta de inteligencia artificial se reprograma el horario de
atención y en tiempo
real se avisa a los otros pacientes. En los puntos 3 y 4,
se realiza la consulta médica y con base en algoritmos
previamente diseñados se realiza el análisis de los datos,
se construye la historia clínica sin necesidad de digitar
y se entrega al clínico. En el punto 5, los algoritmos
realizan la clasificación multidimensional de riesgo a
través del cálculo simultáneo de Score, Framingham,
PROCAMS y los ajusta según la evidencia disponible,
de la tasa de filtración glomerular con varias ecuaciones, el FindRisc,
el Frax y el riesgo de cáncer junto con
el riesgo de sufrir de hipercolesterolemia familiar. En el
punto 6, se establecen una serie de sugerencias con base
en “aprendizaje automatizado”, que permiten al clínico
contextualizarlas a la realidad del paciente y emitir el
plan terapéutico final. A través de chatbots y dispositivos móviles
conectados a internet se hace el seguimiento del proceso terapéutico
(1,6,9,10-13,20-44,47-49).
Tal como se describió en el mapa de flujo de valor del
caso clínico expuesto, en la
Figura 2 se detallan las potenciales oportunidades de implementar la inteligencia
artificial como una herramienta útil para la simplificación de tiempos y movimientos durante un proceso de
atención clínico, lo cual corresponde a los puntos 4, 5
y 6 de la gráfica anterior (
Figura 1).
Figura 1. Flujo de atención con IA del caso: (1). Asignación de cita médica por medio de chat automatizado por IA,
(2). Incumplimiento de hora de llega optimizado por IA, (3). Búsqueda de la data para alimentar IA, registros clínicos
electrónicos previos y resultados de ayudas diagnósticas, (4). Uso de algoritmos de IA para realización del registro
clínico electrónico, (5). Análisis de la data y cálculo multidimensional de riesgo, (6) Sugerencia de plan terapéutico
individualizado con base en análisis de la evidencia científica y la data por IA y predicción de interacciones
medicamentosas, (7). Contextualización psico-socio-económica del plan sugerido por IA por parte del médico y
explicación al paciente, (8). Seguimiento de adherencia al plan terapéutico y desenlaces clínicos por IA.
Figura 2. Ejemplo de asistente electrónico de datos (modificado con autorización de Lin S,
Shanfelt T, Asch S. Reimagining Clinical Documentation With Artificial Intelligence, Mayo Clin Proc.
2018;93(5):563-565 https://doi.org/10.1016/j.mayocp.2018.02.016).
Existen diferentes herramientas basadas en inteligencia artificial que
pueden ser aplicadas a la atención en salud y cuya utilidad dependerá
del contexto de implementación. En la
Figura 3 se describen algunas de
ellas.
¿Cuáles son los potenciales beneficios
del uso de la inteligencia artificial?
Cuando se pregunta a un médico qué es lo más importante para lograr el
éxito en el cuidado de los pacientes, usualmente responde: conocimiento
y experiencia,
es decir, cuantos más pacientes trate más experiencia
y conocimiento; un paradigma en el cual se confía en
la concordancia de los patrones aprendidos (combinación de síntomas,
signos y datos de laboratorio con
los criterios diagnósticos), se configura el concepto de
“paciente típico” y el tratamiento está basado en experiencias pasadas
de ensayo y error, con el riesgo potencial de efectos colaterales o
infectividad (35,36,37).
La principal limitación para la inteligencia humana en
términos de la cantidad de datos, es el tiempo. Al gran
volumen de información de los registros electrónicos
y dispositivos de telemonitoreo (werables), se suman
los datos generados por revistas, websites y e-books en
torno a la práctica clínica, que rebasan la capacidad
humana de procesar y organizar la información para
la toma de decisiones (34,35,36). Para manejar esta
masiva cantidad de datos, se requieren herramientas
que asistan en estos procesos y la inteligencia artificial
brinda esa oportunidad de filtrar y priorizar información, favoreciendo
un adecuado enfoque y una disminución de errores diagnósticos y
terapéuticos (conciliación de medicamentos), además de eliminar la
parte
repetitiva del trabajo (17,23).
La inteligencia artificial utiliza algoritmos que simulan funciones
cognitivas humanas a través de modelos matemáticos que son dependientes
del volumen
y calidad de los datos; entre más información esté
disponible para el entrenamiento, mayor capacidad
tendrá para ejecutar la función diseñada (1,6-9,16-
19,20,30,33,34,43,45,48).
Figura 3. Tipos de herramientas de IA aplicables a la consulta
externa de medicina interna (figura adaptada con
autorización de The Royal College of General Practitioners, 2019 -
Artificial Intelligence and Primary Care,
https://www.rcgp.org.uk/-/media/Files/CIRC/artificial-intelligence-and-primary-care-jan-2019.ashx?la=en).
La obtención y análisis de “Big Data” ha sido un cuello
de botella al requerir métodos estadísticos y computacionales
sofisticados, pero ha generado “una taxonomía
multiparamétrica de la enfermedad”, una diferenciación
en la susceptibilidad, clasificación fenotípica, duración
y probabilidad de respuestas positivas o negativas a determinada
terapia (37). Con el desarrollo en hardware y
software, el tiempo no es limitante, liberando el poder
de la “Big Data”, es decir, de grandes volúmenes de información
derivados de biología molecular (la genómica, trascriptómica,
proteómica, epigenómica, metabolómica, anormalidades cromosómicas,
polimorfismos,
mutaciones, deficiencias funcionales de etiología genética, expresiones
génicas alteradas y biomarcadores), que
junto con los datos clínicos provenientes de registros
electrónicos, respaldan la toma de decisiones basadas
en la evidencia y predicen los desenlaces (7,30,34,37).
De manera simultánea a esta avalancha de información, el cuidado primario en salud se ha vuelto más
complejo debido a la multimorbilidad, el gran número
de opciones terapéuticas, las múltiples escalas de estratificación del riesgo y el aumento de actividades de
índole asistencial y administrativo inherentes al registro clínico y al proceso de atención segura (1,7,9,44).
Los desarrollos tecnológicos alcanzados, como la historia clínica
electrónica, prometían agilizar el proceso
de atención y liberar al médico de tareas no clínicas, sin
embargo, en la práctica, los resultados han sido contrarios, generando
inconformidad entre el personal médico
y sobrecarga laboral. Esta percepción, la incertidumbre
y confusión en su definición, propósito y potencial, han
condicionado los bajos índices de aceptación e implementación de la
inteligencia artificial, retrasando la posibilidad de generar un modelo
de atención en medicina
automatizado, de tipo predictivo, preventivo, personalizado y
participativo (3,7,9,15-17,30,37,43).
En otras disciplinas, la inteligencia artificial cada día
es más tangible y se ha expresado en múltiples recursos tecnológicos consumibles como Alexa en Amazon
y Siri en Apple y se ha incorporado en dispositivos
que los consumidores mantienen con ellos la mayoría
del tiempo, como teléfonos inteligentes, relojes, entre
otros. El área de la salud se ha quedado atrás en términos de reconocer el valor de los datos y la esperanza
de alcanzar mejores desenlaces en la atención clínica
se ha visto entorpecida por la baja eficiencia de la tecnología actual (15, 18, 26, 30, 37, 40, 43-45, 48).
Los procesos de atención relacionados con el cuidado
de la salud, que se han optimizado con tecnologías de
inteligencia artificial y el uso de la “Big Data”, con
el objetivo de predecir desenlaces, aplicar medicina
de precisión y salud poblacional, han mostrado mejorar el diagnóstico, el tratamiento y disminución en el
error médico. La sugerencia de pruebas con alto impacto diagnóstico reduce la solicitud de ayudas poco
útiles, además de mejorar la experiencia del paciente
y minimizan el impacto financiero al optimizar el funcionamiento de las instituciones, pero esto requiere la
compatibilidad de la IA con los procesos económicos
y clínicos actuales (35-37).
¿Qué se ha definido como inteligencia
artificial en la práctica clínica?
Existen diversas definiciones de inteligencia artificial.
Por ejemplo, el Royal College of General Practicioners, lo ha definido
como cualquier software con capacidad de decisión, desde algoritmos de
programación basados en el “checking” dicotómico o árboles
de decisiones, hasta soluciones más elaboradas que
permiten cambios y adaptaciones automatizadas del
software, o como la American Medical Association
(AMA), que la define como “inteligencia humana aumentada”
(2,3,7,15,30,32).
En otro enfoque se ha considerado la inteligencia artificial como un
conjunto de algoritmos que con el
poder computacional y acceso a gran volumen de información (bases de
datos), a través de modelos matemáticos identifica relaciones no
lineales entre variables,
lo cual se denomina analítica, con capacidad de realizar
modificaciones o correcciones a los algoritmos como
respuesta al hallazgo de un error, esto es entrenamiento/aprendizaje y
mejoría en la exactitud y precisión de
la capacidad de predicción o confianza (4,6,8,9).
La inteligencia artificial tiene un gran número de arquitecturas que
combinan ciencias computacionales, estadística, capacidad de análisis
de grandes volúmenes de
datos, evaluación de combinación de decisiones, toma
de decisiones, aprendizaje, adaptación, razonamiento,
solución de problemas, contextualización y entendimiento del lenguaje
natural; con base en su diseño y
funcionalidad, se puede clasificar en aprendizaje de
máquina o “Machine Learning”, “Deep Learning”
o redes neurales, entre otras (1,4,6,8,9,5,20,30,33,34,
35).
Hay algoritmos no basados en inteligencia artificial o
“sistemas expertos”, confinados a un tópico específico
que toman los principios generales y los aplican, sin
aprendizaje; las herramientas de inteligencia artificial
toman los datos, encuentra las relaciones no lineales y
establecen las reglas de predicción, aprenden, predicen
y se corrigen (19,30,32).
En este artículo, según su utilidad y aplicabilidad, se
ha divido en tres tipos:
- Inteligencia artificial estrecha (ANI – artificial narrow intelligence), diseñada para la realización de
una tarea.
- Inteligencia artificial general (AGI - artificial general intelligence), que tiene la capacidad de dar
contexto a su ambiente, también conocida como
Inteligencia con nivel humano.
- Superinteligencia artificial, considerada como la
capacidad de entendimiento y la toma de decisiones al nivel del humano más listo en cada área de
habilidades científicas, sociales y “cultura general” (1,5).
Las capacidades de la inteligencia artificial en cualquier
modalidad podrían aumentar el desempeño humano en
un proceso “no-lineal”, como lo es la práctica clínica
en el diagnóstico, análisis de “Small Data” (síntomas
y signos individuales) y “Big Data” (bases de datos,
guías) para la toma de decisiones en tiempo real, facilitando la comunicación con el paciente y su seguimiento
(1,5,6,9). Para la práctica clínica actual la inteligencia
artificial ideal es la estrecha (ANI), diseñada en enfocarse en tareas específicas (5,15). Los datos perdidos o de
mala calidad influencian el entrenamiento, ejecución y
validación del algoritmo, alterando la capacidad predictiva y por ende, la confianza en los resultados. Para que
los datos sean útiles, deben estar en formatos susceptibles de análisis e interpretación (9,19).
La adopción de la historia clínica electrónica (EHR
Electronic Health Record – EMR Electronic Medical
Record) ha promovido la recopilación de datos a gran
escala. La inteligencia artificial integrada al proceso
permite la automatización de sistemas de captura,
procesamiento y almacenamiento de los datos (demografía, síntomas,
signos, resultados de ayudas diagnósticas) y ofrece la oportunidad de
análisis de datos
multivariado, dando soporte al razonamiento clínico
en tiempo real (6,8,9,16,18, 30-37).
Una de las dificultades en el aprovechamiento de los
datos es su formato en estos repositorios de información, pues son datos “no estructurados”, además
diferentes instituciones y hospitales difieren en los
formatos y así, no son útiles para los análisis estadísticos convencionales. Para convertir esta información
en utilizable, se requiere de una conversión manual,
por ejemplo, formatos de investigación o herramientas
basadas en inteligencia artificial como algoritmos de
procesamiento de lenguaje natural o NLP, individual
o paralelo a otros algoritmos. Por otra parte, la confidencialidad del dato se ve comprometida, ya que no
existen procesos estandarizados de intercambio ni de
anonimización (18,19,33,35,36).
Se plantean ejemplos como la investigación del Dr.
Choi en 2017, en la que usando los registros electrónicos de salud (EHR
– Electronic Health Records, Historia Clínica Electrónica) como
entrenamiento/aprendizaje, una herramienta de inteligencia artificial
de tipo
redes neurales, predijo la aparición de falla cardiaca
superando la metodología usada para ese fin (10). La
aplicación de “Big Data” en la salud es inevitable, dando paso a
preguntas como: ¿Fue la implementación de
la historia clínica electrónica la primera revolución digital?, ¿El uso
de “Big Data” a través de la inteligencia
artificial es la segunda revolución digital en medicina?,
¿Podremos convertir el “Big Data” en salud en conocimiento útil para
los pacientes? (18,49).
La captura automatizada de los datos provenientes de
“wearables”, se abre espacio en la atención de pacientes; actualmente uno de los campos de mayor desarrollo
es la detección de fibrilación auricular, con una buena
sensibilidad y especificidad, surgiendo como evidencia clase I en tamizaje de fibrilación auricular silente
(10,11,13). Esta práctica se encuentra limitada por las
características de los dispositivos (sensores), su calibración y el uso por parte del consumidor (1,4,5,23).
La integración de los datos médicos, de salud y los
“omics” promete evaluar la heterogeneidad de los pacientes, facilitar la agrupación en fenotipos, entender
la conexión entres genes, características humanas y
enfermedades, dando paso a la medicina personalizada, inclusive el surgimiento del concepto de “gemelos
digitales”, entidades que simularán con base en predicciones de inteligencia artificial los desenlaces clínicos
derivados de una intervención (9,30,32,37).
En términos de predicción de eventos, la inteligencia
artificial aprende del procesamiento de un gran volumen de los datos
recogidos y se adapta según la nueva
data, impactando en varios niveles, desde lo administrativo hasta lo
asistencial, lo cual se ve reflejado en la
experiencia de cuatro hospitales en París, que tomaron
la información de ingresos, clima, días festivos y patrones de
ocurrencia de la gripa durante 10 años y predijeron el número de
consultas con 15 días de antelación, conduciendo a la contratación de
personal extra
cuando se esperaban más casos, obteniendo rapidez y
calidad de la atención (20). Un segundo estudio mostró los beneficios
en la construcción de modelos para
la identificación de enfermedades subclínicas, como la
enfermedad vascular periférica, generando modelos de
clasificación y predicción más exactos (21).
La validación del funcionamiento de los algoritmos en
términos de exactitud no es equivalente a la demostración de la
eficacia clínica; validaciones y evaluación
de reproducibilidad de los resultados en cohortes prospectivas, serán
el paso para demostrar utilidad clínica.
Hasta el momento los estudios acerca de la implementación de la
inteligencia artificial en escenarios clínicos son limitados, enfocados
en el desarrollo de algoritmos y validaciones usando cohortes
retrospectivas
(22,30,33,35).
Los médicos requieren contextualizar las sugerencias
dadas por la inteligencia artificial, pero además participar en el diseño de las interfaces, ser críticos en los
análisis estadísticos (construcción e interpretación);
de lo contrario, empresas como Google, Facebook o
biobancos de datos, por ejemplo, Kaggle Data Science
Bowl, The Cancer Genome Atlas entre otros, abrumaran al clínico (20,33).
A nivel global, en los sistemas de salud se presenta una
crisis con tres factores en común: escasez y burnout
del personal médico, envejecimiento de la población
con mayor expectativa de vida y mayor incidencia de
complicaciones por enfermedad crónica (5). La medicina ha sido una
combinación entre un modelo de negocios fallido con un incremento en
los gastos, una
mazcla de errores de diagnóstico y tratamiento, desperdicio de
recursos, ineficiencias, inequidades y tiempos de oportunidad de
atención prolongados (30).
Como respuesta al aumento en los costos de salud derivados del modelo actual de prestación de servicios,
hay una tendencia de las compañías de seguros y los
países a cambiar su tipo de pagos por evento, a planes
que prioricen los desenlaces clínicos de los pacientes
para tratar de aliviar la inequidad en la distribución del
recurso (20,22,23).
La inteligencia artificial requiere
humanos
La inteligencia artificial requiere humanos para la
programación de los algoritmos y generación de modelos computacionales;
la interpretación y contextualización de los resultados bioestadísticos
y clínicos
generados; la identificación de modelos débiles que
generan resultados espurios con sesgos (6,15,33). En
el contexto de la medicina, la interpretación y juicio
clínico es una responsabilidad del médico, y las herramientas basadas
en inteligencia artificial lograrán
su potencial solo si están acopladas al trabajo clínico
como parte del equipo y están validadas o certificadas
(1,5,6,15,26,33).
Se requiere una supervisión en el entrenamiento (de
novo o por “transfer learning”), ejecución, validación,
aplicación, evaluación y recalibración de los algoritmos, además de
conocer las necesidades y objetivos
del sector en el cual se implementarán para escoger el
software adecuado (9,16). En la industria de la manufactura la
automatización total falló. Aunque los robots no se cansan y son
fuertes, no tienen la destreza,
agilidad, ni flexibilidad mental de los humanos, lo que
abrió el cambio hacia los “cobots”, un trabajo colaborativo entre
humanos y robots (15).
Aplicando el trabajo colaborativo a la relación entre
la inteligencia artificial y los profesionales de la salud,
habrá una mejor distribución de funciones, el médico
se preocupará más por las personas (empatía) y la herramienta por la
velocidad, el acceso a la información,
la captura automatizada de los datos a distancia (importación de
registros clínicos previos y resultados),
las necesidades desconocidas de los pacientes, el establecimiento de
probabilidades, los pronósticos, la predicción de interacciones
medicamentosas y la calidad
de la historia clínica (15).
Los médicos de hoy se sienten incómodos con la incertidumbre, pues el
avance de la tecnología y la ciencia crea el sofisma de la medicina
como una ciencia
exacta, sin embargo, no hay que olvidar que los instrumentos
electrónicos no ofrecen la absoluta y decisiva verdad, y en
inteligencia artificial los resultados de
los algoritmos no son por completo reproducibles, por
lo tanto, deben ser supervisados por médicos, aunque
inevitablemente se contaminen de la subjetividad de la
cual hemos tratado de escapar (14,15).
Hay un cambio sociológico en curso ligado a la irrupción de las tecnologías en la salud de los pacientes.
Estas tecnologías progresan rápidamente, pero no necesariamente mejoran per se, los desenlaces clínicos de
los pacientes, si no se cuenta con la orientación y el
acompañamiento del personal de salud, quien debe
retroalimentarse de forma constante en el uso de los
dispositivos, internet, uso de apps y cualquier tipo de
innovación. El toque humano y la inteligencia emocional deben provenir del personal de salud entrenado
para una adecuada aplicación de la inteligencia artificial, que entienda y contextualice las predicciones y
sugerencias (23,33,48).
Limitaciones
El desarrollo de las herramientas basadas en inteligencia artificial en
el campo del cuidado de la salud se ha enfocado en la tecnología y la
necesidad comercial para
encontrar un mercado, más que en las necesidades de
los profesionales de la salud, sistemas de salud, comunidades y
pacientes (15,37,48). La inteligencia artificial
no es la panacea, pues cada elemento y parámetro no
puede ser trasladado a un lenguaje de programación,
por eso la inteligencia artificial no es la solución a todos
los retos del cuidado de la salud, pero si constituye una
herramienta que ayuda a mejorar diagnósticos, decisiones terapéuticas,
disminuyendo de errores médicos, mejorando desenlaces en su papel como
asistente cognoscitivo y facilitador de procesos. La inteligencia
artificial
no es “la bala de plata” y podrían presentarse efectos no
anticipados que impliquen un aumento en la carga laboral del médico u
obstaculizar procesos administrativos
como los pagos y reembolsos (1,5,6,30).
Los administradores de las instituciones de salud deben evaluar y
mitigar las disrupciones en el flujo de
trabajo cuando se introduce alguna herramienta basada en inteligencia
artificial, superar la falta de entendimiento de la tecnología, de
estrategias claras de
integración, el bajo entrenamiento en el uso de las
mismas, la incompatibilidad de la tecnología con la infraestructura
existente y la carencia de datos de buena
calidad para el entrenamiento de los algoritmos con
datos locales (6,34,35).
La cantidad, calidad y fuente del dato, impactan dramáticamente en el
desarrollo de los modelos de inteligencia artificial, por lo cual la
capacidad para recolectar,
almacenar y aprender es crucial para el desarrollo de la
misma (35). Los registros médicos electrónicos o historia clínica
electrónica no son interoperables, es decir, las
plataformas y lenguajes de programación no permiten
un intercambio de información fluido, generando una
limitación en el uso de décadas de información almacenada en los
servidores (4,15,17,18,20).
Los datos de baja calidad alteran el procesamiento
de la información por correlaciones múltiples erradas
que generan estimaciones inestables denominadas
“overfit” o sobreentrenamiento. Se disminuye su impacto a través de
modelos de prueba y validación independiente (9,15,18,23,26,33,35). Los
algoritmos son
realizados en poblaciones específicas, lo que limita la
replicación en otras poblaciones (validez externa) y su
replicación (validez interna), por lo cual su aplicación
general se ha visto limitada, especialmente en las minorías étnicas
(1,4,5,9,26).
Las predicciones de desenlaces clínicos relevantes en
casos con patrones infrecuentes o en entidades atípicas, en las que no
se tenga un entrenamiento robusto
estarán comprometidas y requieren un entrenamiento
adicional antes de la validación (17,33,35,37). La mayoría de los
algoritmos no están diseñados para inferir
causalidad, sino para predicción, teniendo en cuenta
que los factores predictores no son causas, sin embargo, recientemente
la fenotipificación profunda proveniente de la medicina molecular y
analizada a través
de los algoritmos, ha permitido la construcción de una
red de modelos causales de enfermedad a nivel de la
fisiopatología molecular y celular (19,37).
Las capacidades analíticas de la inteligencia artificial
que soportan la medicina de precisión se enfrentan a
enfermedades crónicas con un compromiso multiorgánico y fenotipos
heterogéneos, eventos agudos o agudizaciones erráticas, diferentes
comportamientos en el
tiempo sin un patrón evidente en un paciente y cursos clínicos
diferentes entre pacientes, dificultando la
traslación del Big Data a la tecnología de inteligencia
artificial y a la aplicación clínica (4,30,32,33,34,35). El
desarrollo de herramientas basadas en inteligencia artificial,
requirieron costosos equipos de cómputo con
procesadores de múltiples núcleos o supercomputadoras, sin embargo, el
avance en las capacidades de
los computadores de escritorio, la optimización en la
ejecución de los algoritmos y el internet han permitido
que estas soluciones se puedan diseñar o ejecutar desde la nube
(9,17,34). ¿Por qué la resistencia a la implementación de la
inteligencia artificial? La evolución de
las tecnologías médicas ha implicado rápidos cambios de concepto en el
término “dispositivos médicos”,
incorporando términos novedosos como algoritmos,
teléfonos inteligentes o el internet de las cosas, provoca una
disrupción en la práctica clínica del personal
no entrenado ni preparado para estos cambios, además de la generación
de grandes volúmenes de información (guías, consensos, estudios
aleatorizados)
(9,17,22,23).
La adopción de la historia clínica electrónica, en muchos casos ha aumentado la carga de trabajo, inclusive
convirtiéndose en factor que aumenta la incidencia del
síndrome de Burnout. Adicionalmente, el miedo del
médico a ser reemplazado, aunque el grueso de la literatura médica muestra la inteligencia artificial como
herramientas que aumentan las capacidades humanas,
ha generado una evidente resistencia a su implementación (7,43,45) y miedo a las repercusiones legales y
de responsabilidad por aceptar o rechazar las recomendaciones del algoritmo, pues hay una ausencia en las
regulaciones en términos legales de responsabilidad
(7,33,43), experiencias como Watson Oncology donde
las recomendaciones eran erradas, probablemente porque la data no provenía de la vida real (30).
La “cultura digital” en salud se ha definido como la
disrupción de los desarrollos tecnológicos en términos
de proveer datos digitales y objetivos a personal de la
salud y pacientes, llevando el paradigma de la relación
médico paciente a un plano de decisiones compartidas e informadas, un
cuidado de la salud basado en
el valor y en las capacidades humanas aumentadas
como por ejemplo el juicio clínico, un cuidado de salud inevitablemente
cada vez más dependiente de la
tecnología y la digitalización, el surgimiento del “epatient”, como lo
menciona el Dr. Ferguson, empoderado y siendo parte en la toma de
decisiones sobre su
salud y su vida, en medio de un personal no entrenado
(23,24,30,33). En los currículos no hay políticas que lo
reflejen y en consecuencia los médicos no están preparados para
afrontar los retos de la digitalización en
salud (4,6,15,23).
La ética y la inteligencia artificial
La inteligencia artificial como cualquier herramienta humana tiene el
potencial de ayudar o dañar, no es
buena ni mala y su impacto depende de cómo se use
(27,30). La inteligencia artificial implica unos riesgos de
daño al paciente, generados por errores de resultados
ocasionados por un entrenamiento con datos deficientes, errores de
validación que desvían al sobrediagnóstico o infradiagnóstico, o la
presencia de minorías étnicas
que pueden no estar representadas adecuadamente en el
desarrollo y validación de los algoritmos (1,6,34,35,36).
¿Qué implica las sugerencias y la toma de decisiones
por parte de sistemas de inteligencia artificial? ¿Cuáles son las
consecuencias morales, sociales y legales de
las acciones y decisiones de la inteligencia artificial?
¿Cómo se pueden controlar estas herramientas una vez
desarrollen sus capacidades de aprendizaje? (26,32).
Una vez las capacidades para la toma de las decisiones
crezcan, es necesario repensar y redefinir los conceptos
de responsabilidad, que debe ir más allá de características adicionales
de los algoritmos o el botón de apagado
del sistema, debe existir una “ética por el diseño”, una
ética integrada al comportamiento autónomo del algoritmo, una “ética en
el diseño” o regulación en los métodos de ingeniería y una “ética para
el diseño” o códigos
de conducta, procesos estandarizados y certificados que
aseguren la integridad del modelo para lograr que los
algoritmos y sistemas que estén en nuestras vidas sean
transparentes, justos y aceptables, disminuyendo el efecto
de “caja negra” (26,30).
Se requiere que el razonamiento de los algoritmos
tome en cuenta los valores sociales, morales y éticos
del sitio donde se implementará. En las áreas, regiones o países con
bajos ingresos su población tendría
un acceso limitado a estas tecnologías, siendo sujeto
de inequidad. La carencia de acceso puede hacer que
los pacientes recurran a terapias ineficaces o “charlatanería en
internet”. No obstante, en poblaciones rurales la implementación de
dispositivos de telemonitoreo
pueden generar una opción de acceso a los servicios
de salud (5,23,26,30).
El procesamiento de la información a través de algoritmos debe cumplir
los principios éticos, como lo menciona la normatividad federal para
introducción de las
nuevas tecnologías biomédicas, Reporte Belmont (26),
que es extrapolable a la inteligencia artificial hasta el
momento, basado en los principios de respeto a las personas,
beneficencia y justicia y que puede incluir otros
parámetros éticos como no maleficencia, libertad, autonomía,
confidencialidad y transparencia, con énfasis en
prevenir la formación de monopolios u oligopolios de
la información a través de “compartir ético”, es decir,
que los repositorios de los datos sean accesibles en el
contexto de la confidencialidad de los datos personales
y clínicos con estrategias para prevenir la intrusión o
“hackeo” de los datos (1,15,23,27,28-30).
Las herramientas basadas en inteligencia artificial se deben focalizar en sistemas con alto rendimiento, exactos,
confiables, efectivos y entendibles, conservar muestras
representativas que les permitan mantener la validez al
algoritmo, superando obstáculos como datos perdidos
o tamaños muestrales pequeños que alteren la implementación de las herramientas de soporte para toma
de decisiones, por ello, la implementación debe llevarse
a cabo con precaución; el desarrollo de los algoritmos
debe ser explicable y entendible, a pesar de la complejidad con las redes neurales, con el objetivo de promover
la confiabilidad (26,30,33).
Nuevas promesas de la Inteligencia
Artificial
Herramientas de ayuda para diligenciamiento eficiente de los registros
clínicos, con requerimientos de inversión de tiempo mínimos para el
diligenciamiento
automatizado de la historia clínica y carga administrativa,
disminuyendo la probabilidad del síndrome de
burnout en el personal sanitario y el miedo a la deshumanización
(7,33). El miedo a ser reemplazado y
mejorar la aceptación de la inteligencia artificial puede
ser minimizado si el diseño de los estudios futuros en
lugar de comparar las soluciones de inteligencia artificial versus las
humanas, compare los resultados de humanos que usan inteligencia
artificial versus resultados
de aquellos que no la usan, dando paso al concepto de
la inteligencia artificial como un complemento a las
habilidades humanas (7,30,33). El avance de la tecnología, la
informática y la programación, permitirán
una mayor disponibilidad de datos para un entrenamiento que sea
acumulable y la generación de un ciclo de retroalimentación positiva,
consistente en más
datos, más precisión y exactitud, mejor producto, más
usuarios, (15,30,32,33).
El cambio de una medicina jerárquica a un nuevo
estatus quo, con pacientes empoderados, con acceso a la
información a través de la tecnología y un seguimiento de su condición clínica a través del telemonitoreo,
promoverá un cuidado integral y no una fragmentación del paciente en especialidades, la creación de una
verdadera red de trabajo basada en la ética y el uso
consensuado de los registros clínicos, telemedicina e
inclusive las redes sociales, dando paso al surgimiento
de la “e-health” y la “m-health” (23,34,35).
Una historia clínica interoperable, con la generación
de datos estructurados, ágil y eficiente, que permita el uso eficaz,
efectivo y eficiente de los datos (10-
20,30,32-36). La sinergia entre inteligencia humana y
algoritmos de inteligencia artificial serán la clave del
desarrollo y sincronización de los diferentes sistemas
de registro médico electrónico, mejorando la eficiencia, la seguridad y
el acceso a los servicios de salud
(33-35). Se ha identificado que la historia clínica electrónica es uno
de los desencadenantes más importantes de burnout en el personal médico
y se estima
que generó pérdidas entre 90 y 140 billones de dólares
para 2015 en tiempo perdido por año (equivalente a
532.000.000.000.000 pesos colombianos con una cambio de $3.800 pesos
por dólar). Los médicos utilizan entre el 34 y el 55% de su día laboral
creando notas, el 78%
del tiempo de la realización de las historias clínicas electrónicas
corresponde a escribirlas y revisarlas, además
interfieren en el contacto con el paciente, la calidad de
la atención y la mala calidad de la documentación clínica (43,44). El
estudio del Dr. Young y colaboradores
en 2018, muestra como el clínico emplea más tiempo
diligenciando la historia, que en el contacto visual con
el paciente (45); por lo anterior, empresas como Google, Microsoft,
Nuance y Epic trabajan en soluciones
basadas en inteligencia artificial para el reconocimiento
de voz, algunas de ellas generando la nota clínica de
manera automatizada, mientras la herramienta captura
la información en tiempo real provee recomendaciones
basadas en la evidencia usando la información actual
y el entrenamiento previo, transforma unos datos no
estructurados (historia clínica no lineal, fragmentada,
multicapas) y genera un documento con una narrativa
lógica, susceptible de ser manejado, además, logra integrar información
de otras fuentes al registro, como los
laboratorios y las radiografías (40-44).
La inteligencia artificial generará modelos predictivos
basados en “Big Data” provenientes de los registros
clínicos electrónicos: Kaiser Permanente asociado a
KenSci da los primeros pasos para estratificar pacientes con falla
cardiaca y predecir hospitalización, readmisión y mortalidad; Ochsner
Health System asociado
con Epic predice el deterioro clínico o Banner Health
y Base Health’s AI predicen y previenen en 100.000
miembros las visitas a urgencias (43). El registro clínico electrónico
dejará de ser un repositorio pasivo de
información y se convertirá en un asistente digital inteligente. ¿La
inteligencia artificial convertirá la relación
médico paciente en una relación más humana? (44).
Algunas empresas han desarrollado “AI doctors”, que
son herramientas basadas en inteligencia artificial que
asesoran sobre síntomas comunes y leves; más que reemplazar médicos, al
hacer parte del equipo de salud,
logran optimizar los servicios, dejando espacio para
las consultas de casos más complejos y mejoran el manejo de las
agendas. “Digital Coach” es una oportunidad en las enfermedades
crónicas, pues a través de
aplicaciones, ofrece asesoría y seguimiento, para el
logro de las metas terapéuticas (43).
La inteligencia artificial ofrece las herramientas para
evitar distracciones (como labores administrativas)
que puedan poner en riesgo la seguridad del paciente,
disminuir la carga de teclear, redactar el registro clínico, la
sobrecarga de información proveniente del paciente; brindar acceso a la
mejor evidencia en tiempo
real y realizar tamizajes “en segundo plano” a través
de la exploración consensuada de los registros electrónicos previos
(43).
Conclusiones
La inteligencia artificial es una herramienta tecnológica creada por
los humanos, que ofrece gran diversidad
de alternativas y utilidades para la optimización de los
procesos de atención en salud. La incertidumbre siempre existirá en el
campo de la salud, pues la medicina
no solo es una ciencia, sino un arte. A pesar de una
implementación lenta de la inteligencia artificial en
el campo de la salud, aparentemente se ha llegado a
un punto de no retorno y será una herramienta para
aumentar las capacidades humanas, no para reemplazarlas. La experiencia
previa con la historia clínica
electrónica mostró, que, si no participamos en el diseño y planeación
de herramientas de inteligencia artificial, seremos víctimas de un
Frankenstein electrónico,
construido de retazos y sin una utilidad clara.
En la práctica clínica, el papel del médico en el “ritual
de la atención” y en la relación médico paciente, en la
que se establece la confianza, la empatía y la humanidad, es
irremplazable. La inteligencia artificial está
presente para soporte, optimización y priorización del
paciente. La humanidad depende del médico, no de
las máquinas. La ética médica aplica para cualquier tipo de proceso
involucrado en la relación con el paciente, incluyendo la inteligencia
artificial, que no puede desconocer la normatividad actual.
La práctica de la medicina interna y la atención primaria con la ayuda de la inteligencia artificial migrarán a
una tendencia más preventiva, de diagnóstico temprano y optimización terapéutica, minimizando el error
diagnóstico y terapéutico y mejorando la calidad de
vida, el bienestar personal, social, económico y laboral. La inteligencia artificial depende de la calidad de
los datos con que se alimenten las bases de datos y esta
depende de la calidad de la historia clínica electrónica.
Hay preguntas por responder ¿Los costos de atención
aumentarán? ¿Los médicos serán más eficientes? ¿El
hardware requerido será costoso? ¿Será una inversión
viable? ¿La conexión a internet en zonas apartadas
funcionará? ¿Qué pasará con el efecto “black box”?
Este caso es ficticio pero basado en la experiencia clínica del autor,
es reflejo de los retos diarios en el consultorio, en el contexto de un
sistema de salud con problemas de oportunidad en la atención
especializada;
el abordaje inadecuado implica un riesgo de eventos
cardiovasculares, progresión a diálisis, u otras complicaciones que
generan discapacidad, muerte y aumento
de costos para el sistema de salud, siendo la aplicación de la
inteligencia artificial, como se describió, una
fuente de transformación y mejoramiento.
Referencias
1.
Artificial Intelligence and Primary Care [Internet] The Royal College
of General Practitioners;2019 [consultado 20 septiembre de 2021].
Disponible en:
https://www.rcgp.org.uk/-/media/Files/CIRC/artificial-intelligence-and-primary-care-jan-2019.ashx?la=en
2. Augmented intelligence in health care [Internet]. American Medical
Association; 2021 [consultado 20 septiembre 2021]. Disponible en:
https://www.ama-assn.org/system/files/2019-08/ai-2018-board-policy-summary.pdf
3. Augmented intelligence in health care [Internet]. American Medical
Association; 2021 [consultado 20 septiembre 2021]. Disponible en:
https://www.fsmb.org/siteassets/artificial-intelligence/pdfs/ama-ai-advocacy.pdf
4. Miller D., Brown E. Artificial Intelligence in Medical Practice: The Question to Answer? Am J Med 2018;131(2):129-133.
5. Meskó B, Hetényi G., Gyorffy Z., Will artificial intelligence solve
the human resource crisis in healthcare? BMC Health Serv Res.
2018;18(1):545
6. Yu H., Beam A., Kohane I. Artificial intelligence in healthcare. Nat Biomed Eng. 2018;2(2):719–731.
7. Briganti G., Le Moine O., Artificial Intelligence in Medicine: Today and Tomorrow. Front Med (Lausanne). 2020;7:27.
8. Jiang F., Jiang Y., Zhi H., Dong Y., Li H., Ma S, et al. Artificial
intelligence in healthcare: past, present and future. Stroke Vasc
Neurol. 2017;2(4):230-243.
9. Krittanawong C., Johnson K., Rosenson R., Wang Z., Aydar M., Baber
U, et al. Deep learning for cardiovascular medicine: a practical
primer. Eur Heart J. 2019;40(25):2058–2073.
10. Choi E, Schuetz A, Stewart WF, Sun J. Using recurrent neural
network models for early detection of heart failure onset. J Am Med
Inform Assoc 2017;24(2):361–370.
11. Tison GH, Sanchez JM, Ballinger B, Singh A, Olgin JE, Pletcher MJ,
Vittinghoff E, et al. Passive detection of atrial fibrillation using a
commercially available smartwatch. JAMA Cardiol. 2018;3(5):409–416.
12. Nagaran V., Lee SL., Robertus JL., Nienaber CA., Trayanova NA.,
Ernst S,. Artificial Intelligence in the Diagnosis an Management and
Arrythmias, Eur Heart J. 2021;42(38):3904-3916.
13. Hindricks G., Potpara T., Dagres N., Arbelo E., Bax J.,
Blomström-Lundqvist C, et al. 2020 ESC Guidelines for the Diagnosis and
Mangement of Atrial Fibrillation Developed in Collaboration with The
European Association for Cardio-Thoracic Surgery (EACTS): The Task
Force for The Diagnosis and Management of Atrial Fibrillation of the
European Society of Cardiology (ESC) Developed with the Special
Contribution of The European Heart Rhythm Association (EHRA) of the
ESC.- Eur Heart J. 2021;42(5):373-498.
14. Jauhar S., The Demise of the Physical Exam. N Engl J Med. 2006;354(6):548-551.
15. Mistry P., Artificial intelligence in primary care. Br J Gen Pract. 2019;69(686):422-423.
16. Beam A., Kohan I. Translating Artificial Intelligence Into Clinical Care. JAMA. 2016;316(22):2368-9.
17. Dwivedi A.,Deivedi SS., Tariq MR., Qiu X., Hong S., Xin Y. Scope of
Artificial Intelligence in Medicine. J Res Med Dent Sc.
2020;8(3):137-140.
18. Murdoch T., Detsky A. The Inevitable Application of Big Data to Health Care. JAMA. 2013;309(13):1351-2.
19. Obermeyer Z., Emanuel E. Predicting the Future — Big Data, Machine
Learning and Clinical Medicine. N Engl J Med. 2016;375(13):1216-9.
20. Ricco J., Guetarni F., Holh P. Learning from Artificial
Intelligence and Big Data in Health Care. Eur J Vasc Endovasc Surg.
2020;59(6):868-869.
21. Ross EG, Shah NH, Dalman RL, Nead KT, Cooke JP, Leeper NJ. The use
of machine learning for the identification of peripheral artery disease
and future mortality risk. J Vasc Surg. 2016;64(5):1515-22.
22. Yin J., Ngiam K., Teo H. Role of Artificial Intelligence
Applications in Real-Life Clinical Practice: Systematic Review. J Med
Internet Res. 2021;23(4):e25759).
23. Meskó B., Drobni Z., Bényei É., Gergely B., Györffy Z. Digital
health is a cultural transformation of traditional healthcare. MHealth.
2017;3:38.
24. Ferguson T. (doctom.com) [Internet]. Doctom.com. 2021. [consultado 20 septiembre de 2021]. Disponible en: http://www.doctom.com/
25. Eysenbach G. What is e-health? J Med Internet Res. 2001;3(2):E20.
26. Dignum V. Ethics in artificial intelligence: introduction to the
special issue. Ethics and Information Technology.2018;20(1):1–3.
27. Read the Belmont Report. [Internet]. HHS.gov. 2021 [consultado 20 septiembre de 2021]. Disponible en:
https://www.hhs.gov/ohrp/regulations-and-policy/belmont-report/read-the-belmont-report/index.html
28. The Good Clinical Practice [Internet]Gco.nidatraining.org. 2021 [consultado 14 octubre de 2021] . Disponible en: https://gcp.nidatraining.org
29. Protecting Human Research Participants | PHRP Training [Internet].
Phrptraining.com 2021 [consultado 20 septiembre de 2021]. Disponible
en: https://phrptraining.com
30. Topol E., High-performance medicine: the convergence of human and artificial intelligence. Nat Med. 2019;25(1):44–56
31. Garcia-Vidal C., Sanjuan G., Puerta-Alcalde P., Moreno-García E.,
Soriano A. Artificial intelligence to support clinical decision-making
processes. EBioMedicine. 2019;46:27–29.
32. Noorbakhsh-Sabet N., Zand R., Zhang Y., Abedi V. Artificial
Intelligence Transforms the Future Artificial Intelligence Transforms
the Future of Health Care. Am J Med. 2019;132(7):795−801.
33. Dzobo k., Adotey S., Thomford N., Dzobo W. Integrating Artificial
and Human Intelligence: A Partnership for Responsible Innovation in
Biomedical Engineering and Medicine. OMICS.2020;24(5):247-263.
34. Yoav M.,Ronit B. Introduction to artificial intelligence in medicine. Minim Invasive Ther Allied Technol. 28:(2):73-81.
35. Chen, M., Decary M.,Artificial intelligence in healthcare: An
essential guide for health leaders. Healthc Manage Forum.
2020;33(1):10-18.
36. Mehta N., Devarakonda M. Machine learning, natural language
programming, and electronic health records: The next step in the
artificial intelligence journey? J Allergy Clin Immunol.
2018;141(6):2019-21.
37. Seyhan A., Carini C. Are innovation and new technologies in
precision medicine paving a new era in patients centric care? J Transl
Med. 2019;17(1):114.
38. Chi E.,Chi G., Tsui C., Jiang., Jarr K., Kulkarni C, et al.
Development and Validation of an Artificial Intelligence System to
Optimize Clinical Review of Patient Records. JAMA Netw Open.
2021;4(7):e2117391.
39. Beveridge M., Fox J., Automatic generation of spoken dialogue from
medical plans and ontologies. J Biomed Inform.2006 39(5):482-499.
40. Migneault J., Farzanfar R., Wright JA., Friedman R. How to write
health dialog for a talking computer. J Biomed Inform.
2006;39(5):468–481.
41. Fox J., Cognitive systems at the point of care: The CREDO program. J Biomed Inform. 2017;68:83–95.
42. Smith T. 10 Ways Health Care Could Transform Primary Care.
[Internet]. American Medical Association. 2021. [consultado 14 octubre
de 2021]. Disponible en:
https://www.ama-assn.org/practice-management/digital/10-ways-health-care-ai-could-transform-primary-care
43. Lin S., Mahoney M., Sinsky C., Ten Ways Artificial Intelligence
Will Transform Primary Care. J Gen Intern Med. 2019;34(8):1626–30.
44. Lin S., Shanfelt T., Asch S. Reimagining Clinical Documentation
With Artificial Intelligence. Mayo Clin Proc. 2018;93(5):563-565.
45. Young R.,Burge S., Kumar K., Wilson J., Ortiz D. A TimeMotion Study
of Primary Care Physicians’ Work in the Electronic Health Record Era.
Fam Med. 2018;50(2):91-9.
46. Wong J., Murray M., Zhou L., ToH, Using machine learning to
identify health outcomes from electronic health record data. Curr
Epidemiol Rep. 2018;5(4):331–342.
47. Xiao C., Choi E., Sun J., Opportunities and challenges in
developing deep learning models using electronic health records data: a
systematic review. J Am Med Inform Assoc. 2018;25(10):1419–1428.
48. Fogel A., Kvedar J. Artificial intelligence powers digital medicine. NPJ Digital Med. 20181:5.
49. Garg S., Williams N., Ip A., Dicker A. Clinical Integration of
Digital Solutions inHealth Care: An Overview of the Current Landscape
of Digital Technologies in Cancer Care. JCO Clin Cancer Inform.
2018;2:1-9.
Recibido: 12 de Noviembre, 2021
Aceptado: 22 de Noviembre, 2021
Correspondencia:
Andrés Eduardo Rico-Carrillo
ricomvir@icloud.com