Inteligencia artificial en la gestión del talento humano
marzo 7, 2024
Ciberseguridad en un mundo impulsado por la IA
marzo 7, 2024

Aplicaciones de la Inteligencia Artificial en la medicina

Introducción

 

La inteligencia artificial (IA) es una tecnología donde las maquinas adquieren la capacidad de hacer ciertas tareas que simulan la inteligencia humana en cuanto a razonamiento y toma de decisiones, y ha estado orbitando de forma práctica desde hace décadas, pero en los últimos 20 años es cuando se han extendido exponencialmente sus aplicaciones debido al aumento de la capacidad de cómputo y a la mejor disponibilidad de datos.

A esto se le agrega la gran financiación que han recibido los investigadores para el desarrollo de más y mejores algoritmos, con los cuales hacer un mejor aprovechamiento de la data, que se multiplica a ritmo acelerado con el uso del internet y la implementación de una variedad nunca vista de plataformas de acceso y manipulación de datos. Diferentes sectores económicos están aprovechando la IA, entre los que se destacan la banca, los seguros de vida y médicos, el comercio, el transporte, la publicidad, la milicia y la salud. Este ensayo se centra en las aplicaciones de la IA en el cuidado de la salud, sus avances y potencialidades.

La IA está revolucionando el cuidado de la salud moderno mediante tecnologías que pueden aprender y aplicarse para predecir relaciones entre códigos genéticos, detectar patrones en síntomas y señales médicas que a los especialistas les sería casi imposible igualar la precisión de los algoritmos de IA, descubrir nuevos medicamentos, mejorar los ensayos clínicos y el cuidado del paciente. La telemedicina también ha recibido un gran impulso debido a estas tecnologías. Los servicios de salud a nivel mundial están enfrentando grandes desafíos como son falta de acceso, altos costos, una población envejeciente en aumento, errores en diagnósticos médicos, especialistas sobrecargados de trabajo, y falta de intercambio de información importante de los pacientes (Greenberg et al., 2020).

Las instituciones de investigación están haciendo avances importantes en el uso de la IA en medicina y se han aplicado varios tipos de herramientas cuyas aplicaciones presentan retos en sistemas modernos de cuidado de la salud (Gadde y Reddy 2020). Los principales peligros de la aplicación de la IA en cuidado de salud son la confidencialidad, la seguridad de los datos, los prejuicios, y la precisión de los diagnósticos.

 

Cambio de paradigma

 

Uno de los principales debates cuando se plantea el uso de la IA en salud, es si los pacientes estarán más seguros siendo tratados por máquinas, que, aunque no se cansan, son más rápidas, y aprenden más rápido que los humanos, el buen juicio es el principal componente de la actividad médica, y la capacidad de un abordaje holístico del cuidado del paciente, es la esencia de lo que significa ser doctor.

La interacción entre médico y paciente se ha transformado, de una en que el doctor daba órdenes, a otra donde se desarrolla una empatía para que el diagnostico sea más completo, así como también el seguimiento del tratamiento. Hacer que la IA cumpla con ese requerimiento es todavía tarea pendiente. Mucho dependerá de la interfaz entre el paciente y la IA, y con la aplicación de la IA generativa, se podrá generar en tiempo real una imagen que simule de forma casi real la cara de un médico hablando y gesticulando como una persona viva.

Las fuentes de datos de donde se alimenta la IA tanto para aprender como para tomar decisiones son muchas y siguen aumentando a medida que la tecnología de información es más invasiva, posibles fuentes de datos son: a) imágenes médicas; b) datos de análisis de laboratorio; c) electrocardiogramas; d) datos genéticos; e) récords médicos electrónicos; f) data de dispositivos como relojes inteligentes. Las especialidades médicas donde se ha aplicado la IA de forma exitosa son: Radiología, Oncología, Cardiología, Oftalmología, Farmacología, Neurología y medicina interna.

La IA y el machine learning (ML) tienen el potencial de ser el catalizador de la transformación de los sistemas de salud para mejorar la eficiencia y la efectividad, creando margen de maniobra para la cobertura universal y mejorar los resultados (Panch, et al., 2018). Estos mismos autores dan una larga lista de aplicaciones exitosas de la IA en el diagnóstico médico.

Otros autores son menos entusiastas al evaluar la aplicación de la IA/ML en el cuidado de la salud. Alegan que hay altos costos de instalación y mantenimiento de los modelos, errores potenciales muy dañinos, y falta de un esquema ético para la aplicación de la IA (Naallamothu, et al, 2023).

La IA también ha demostrado su utilidad para el estudio de procesos epidemiológicos como fue la pandemia del COVID-19 del 2020. Auxiliada de otras disciplinas como la ciencia de datos, se pueden configurar modelos con varios componentes para abordar el problema cubriendo variadas perspectivas (González et al., 2021).

 

Descripción de la tecnología

Para ser más específicos, cuando se habla de IA en medicina, realmente nos referimos a modelos de machine learning (aprendizaje automático), los cuales son un subconjunto de las diferentes tecnologías que abarca la IA (Dutt et al, 2019). Aprendizaje automático (AA) consiste en el desarrollo de técnicas que permiten a las computadoras aprender a partir de un gran volumen de datos. Los algoritmos de AA se clasifican en:

 

• Aprendizaje supervisado
El algoritmo crea una función matemática que establece la relación entre una entrada y una salida deseada, el algoritmo aprende cuando la diferencia entre la salida producida por este y la salida deseada es similar, es decir, cuando se minimiza el error. El gran desafío en el uso de estos algoritmos es lograr obtener suficiente data “etiquetada”, con una salida conocida con la cual comparar la que produce el sistema. En medicina se usan para clasificar imágenes y detectar cáncer o neumonía. Estos son algunos de los algoritmos usados: Support Vector Machines, Neural Networks, Logistic Regression, Random Forest, Linear Regression, Naive Bayes, Decision Tree, etc.

• Aprendizaje no supervisado El algoritmo debe aprender a distinguir patrones en los datos por sí solo, sin la asistencia externa (los datos no están etiquetados). El objetivo es lograr que el algoritmo reconozca esos patrones en los nuevos casos que se le presenten y pueda clasificarlos correctamente. Algoritmos empleados en este tipo de aprendizaje: K-means clustering, Hierarchical clustering, DBScan Clustering, Association rule, Principal component analysis, etc.

• Aprendizaje semi-supervisado Este tipo de algoritmo combina las propiedades de los dos tipos anteriores para clasificar de manera adecuada los datos nuevos. Toma en cuenta los datos etiquetados como los que no lo están.

• Aprendizaje por refuerzo El algoritmo aprende observando el mundo que le rodea. Se retroalimenta de la información del exterior y aprende por prueba y error. Este es el más general de los tipos de aprendizajes y se usa mucho en el desarrollo de modelos de visión computarizada. Aprende mediante recompensas y castigos en función del éxito que va desarrollando en la ejecución de la tarea que se le encomienda. Los algoritmos usados son Markov Decision Process, Bellman Equations, Dynamic Programming y Q-learning.

• Aprendizaje antagónico Estos son de los algoritmos más modernos, en los cuales se aprende confrontando dos “modelos”. El algoritmo aprende a vencer al modelo adversario y con esto perfecciona la tarea para la que está destinado.

• Deep Learning (Aprendizaje profundo) El Deep learning (DL) lo constituyen otros tipos de algoritmos basados en redes neuronales (Neural Networks). Lo estamos resaltando como una categoría separada por la gran importancia que reviste, ya que ha demostrado ser capaz de tareas complejas, aunque muy focalizadas. Esta es la tecnología detrás de los Large Language Models (LLM) de los cuales hablaremos más adelante. También la Inteligencia Artificial Generativa (IAG) se fundamenta en variantes de algoritmos de DL.

 

Las instituciones de investigación están haciendo avances importantes en el uso de la IA en medicina

 

 

Uno de los principales debates cuando se plantea el uso de la IA en salud, es si los pacientes estarán más seguros siendo tratados por máquinas

 

 

 

Las redes neuronales (RN) son estructuras matemáticas inspiradas en la morfología del cerebro, con nodos interconectados que simulan las neuronas. Los algoritmos basados en RN aprenden modificando unas ponderaciones hasta que se minimiza el error en una función de costo relacionada con el error de aprendizaje. En la figura 1 vemos una comparación entre una neural biológica y el esquema de una red neuronal. Mientras en la red biológica las entradas a la neurona son impulsos eléctricos procesados y transmitidos a las demás neuronas, en la red neuronal se transmiten números que pasan por funciones matemáticas (f) que deciden cómo transmitir el impulso a los siguientes nodos de la red.

Afortunadamente, existen plataformas como kaggle1, Hugging face2 y Github3, de las cuales se pueden adquirir y adaptar modelos, por lo que no es necesario comenzar desde cero para desarrollar aplicaciones de IA en cuidado médico. De esas mismas fuentes también pueden obtenerse datasets con los cuales probar nuevas alternativas y crear soluciones locales.

A continuación, se describen algunas de las múltiples aplicaciones de la IA en el cuidado de la salud. La lista no es exhaustiva y a medida que se desarrollan nuevos algoritmos y se dispone de más y mejor data (imágenes, analíticas de laboratorio, captura de sensores de dispositivos portables, resultados de investigaciones) las aplicaciones aumentarán.

 

Aplicaciones de la IA en el cuidado de la salud

Descubrimiento de medicinas

La IA ha ayudado a las empresas farmacéuticas al descubrimiento de nuevos medicamentos, haciendo más ágil el proceso de investigación, automatizando la identificación de objetivos de búsqueda y evitando la repetición de tareas (Díaz et al., 2019). Compañías como Pfizer usan sistemas basados en machine learning para encontrar tratamientos en oncología (Agrawal, 2018). Otras farmacéuticas, como una subsidiaria de Roche, confía en el sistema de IA de la empresa GNS Healthcare para buscar tratamientos para el cáncer.

Cuidado del paciente

La IA puede analizar el historial clínico del paciente y proveer conocimientos que ayuden a mejorar su calidad de vida. Por ejemplo, se puede usar para predecir si mujeres embarazadas están en riesgo de alguna complicación previo a dar a luz. También analizando la data de pacientes con morbilidad, proponer cambios en el tratamiento o los medicamentos usados para tratar sus dolencias.

 

Automatización de ensayos clínicos

Los ensayos clínicos son procedimientos en que nuevos medicamentos se prueban en pacientes para verificar su efectividad en la cura de algún padecimiento. Estos ensayos son costosos y lentos, por lo que se benefician del uso de la IA reduciendo el tiempo empleado en el monitoreo del proceso y el manejo de gran volumen de datos, a veces esparcidos geográficamente. Otro beneficio del uso de la IA es la reducción de los tiempos de ciclo de las pruebas y el aumento de la productividad de los ensayos clínicos, especialmente cuando se usan experimentos de control aleatorizados (Lee, 2021). También la IA ayuda a analizar el alto volumen de información científica que se genera actualmente, aplicando modelos predictivos para poder entender mejor las enfermedades con el objetivo de poder diseñar revolucionarios estudios clínicos (Woo, 2019).

 

Robótica en el cuidado de la salud

Exoesqueletos robotizados se utilizan para ayudar a caminar pacientes con parálisis y hacerlos autosuficientes (Shi, et al, 2019). Robots son usados también en cirugías de alta precisión, mejorando la efectividad de los médicos y reduciendo los riesgos de complicaciones durante y posterior a las mismas.

 

Seguimiento y pronostico de la salud

Se prevé que la IA sea usada en el futuro en tratamientos preventivos, tomando pruebas para evaluar la salud y detectar problemas a través de dispositivos portables (wearable devices). Esto permitirá reconocer tempranamente grupos de riesgo para ciertas enfermedades. Baker et al. (2017) presentan un estudio donde una aplicación para teléfonos móviles es usada para levantar data en tiempo real, analizarla y monitorear el paciente con mal de Parkinson. La data recolectada es del uso cotidiano del paciente cuando habla por teléfono y toma fotos. La información es subida al internet y analizada continuamente. Este es un proyecto de la Unión Europea llamado I-PROGNOSIS.

 

Terapia de enfermedades crónicas

Estos son los padecimientos incurables donde el paciente debe seguir un tratamiento por el resto de su vida. La IA se puede usar para administrar el medicamento y la determinación de la dosis apropiada, reduciendo el estrés y la probabilidad de agravamiento. Investigadores del Instituto Tecnológico de Massachussets desarrollaron un modelo basado en redes neuronales que tiene el potencial de detectar cambios depresivos basados en cambios en los patrones del habla. Se usó la data de 142 entrevistas clínicas (Kaur et al, 2018).

 

Promesas de la Inteligencia Artificial generativa (IAG)

Desde la salida al mercado de ChatGPT, a finales de 2022, se han expandido las posibilidades de esta tecnología a muchos ámbitos de la vida cotidiana, y uno de estos es la medicina. Esta plataforma, cuyo poder está fundamentado en lo que se llaman Large Language Models (LLM), y estos a su vez en Generative Pre-training Transformers (GPT), ha demostrado su aplicabilidad para el cuidado de la salud en aplicaciones como: a) responder preguntas médicas; b) generar historial del paciente; c) resumir contenido de documentos, y otras más. Se sigue trabajando para enfrentar las limitaciones de esta tecnología y mejorar su desempeño en temas como: sesgos, confiabilidad, estereotipos, robustez, y seguridad de datos.

La Inteligencia Artificial generativa se ha convertido en multicanal, permitiendo no solo generar textos, sino también imágenes, audio y video, así como recibir este tipo de input de forma interactiva por parte del usuario. Estos atributos permiten usar la IAG para descubrir nuevos medicamentos, procedimientos médicos y, sobre todo, apoyo a la investigación.

Desde noviembre del 2022, aproximadamente, han salido al mercado varias plataformas que usan LLM en biomedicina, entre ellas están estas basadas en GPT-3.5: Galáctica, BioMedLM, GatorTron, BioGPT, y Clinical T5. Posteriormente aparecieron otras soluciones implementadas con GPT-4: ChatDoctor, Clinical Camel, PMC-LLaMa, Med-PaLM2 y GatorTron GPT (Arora et al., 2023).
Otros potenciales usos de la IAG son: educación del paciente, documentación clínica, resumen de literatura en biomedicina, generación de nuevas proteínas, creación de datos sintética, y ejecución de algunas tareas médicas.

 

Conclusiones

La inteligencia artificial ha llegado para quedarse, y así como ha pasado con otras tecnologías, esta también será disruptiva, impactando de diferentes maneras la actividad humana, permitiendo avances formidables y rápidos, pero acompañada de grandes desafíos que deben ser enfrentados de forma efectiva para que la humanidad obtenga el mejor provecho de esta. Constituye una nueva revolución, que tal como pasó con la máquina de vapor, la electricidad, y el internet, será necesario su regulación para que sus peligros no se materialicen. Uno de los principales obstáculos de algunos de los algoritmos (redes neuronales) es que carecen de la capacidad de explicar el razonamiento detrás de una conclusión.

Cuando se usa la IA en medicina, los cuidados aumentan, dado lo que está en juego, pero es indudable que podrá comenzar siendo una herramienta de apoyo para los facultativos e investigadores en el diagnóstico de enfermedades, para luego convertirse en un complemento inevitable de la práctica médica, que podría ser el canal de atención primaria por excelencia para la telemedicina, ampliando de forma económica el cuidado preventivo de la salud.

Del estado del arte en investigación para la aplicación de la IA en medicina, se resalta la Inteligencia Artificial generativa, que es la que tiene la facultad de combinar conocimientos previos y proponer nuevas “ideas”, donde el mejor beneficio será el descubrimiento de nuevos medicamentos y la formulación de avances en investigación aprovechando lo publicado hasta el momento.

Todavía se necesita más trabajo para disponer de data de calidad y se deben incrementar los esfuerzos para lograr la interoperabilidad de los sistemas para compartir data homogénea entre todas las fuentes disponibles, traspasando fronteras, idiomas y sistemas de salud.

Se prevé que, en las próximas décadas, si no es que antes, la IA será más poderosa que la inteligencia humana, pudiendo razonar más rápido y en todas las áreas del conocimiento, y es difícil imaginar cómo será la mejor manera de aprovecharla.

 

 

Referencias

 

Agrawal, P. (2018). Artificial Intelligence in drug discovery and development. J Pharmacovigil, 6(2).

Arora, A. and Arora, A. (2023). The promise of large language models in health care. The Lancet, 401(10377):641, 2023.

Baker SB, Xiang W, Atkinson I. (2017). Internet of things for smart healthcare: technologies, challenges, and opportunities. IEEE Access. 2017; 5:26521-44.

Diaz, O., Dalton, J. and Giraldo, J. (2019). Artificial Intelligence: a novel approach for drug discovery. Trends in Pharmacological Science, 40(8), 550-551.

Dutt, S., Chandramouli, S., and Das, A. (2018). Machine Learning. Pearson India Education Services Pvt Ltd. Uttar Pradesh, India

Gadde, S. and Reddy, V., (2020). Applications of Artificial Intelligence in Medical Devices and Healthcare. International Journal of Computer Science Trends and Technology (IJCST), Volume 8 Issue 2, Mar-Apr 2020.

González, R., Pérez, E., Colomé, M., y Llaugel, F., (2021). Proyecto Modelo Predictivo para la gestión de Riesgo del COVID-19 para la República Dominicana. Reporte Final, noviembre 2021.
https://www.researchgate.net/publication/361411195_PROYECTO_MODELO_PREDICTIVO_PARA_LA_GESTION_DE_RIESGO_DEL_COVID-19_PARA_LA_REPUBLCIA_DOMINICANA_REPORTE_FINAL_NOVIEMBRE_DEL_2021

Greenberg, N. Docherty, M., Gnanapragasam, S., and Wessely, S. (2020). Managing mental health challenges faced by healthcare workers during covid-19 pandemic. BMJ, 368.

Kaur P, Sharma M, Mittal M. (2018). Big data and machine learning based secure healthcare framework. Procedia Comput Sci. 2018; 132:1049-59.

Lee, E. (2021). How do we build trust in machine learning models? Available at SSRN 3822437.

Nallamothu, P. and Morton, K. (2023). Artificial Intelligence in Health Sector: Current Status and Future Perspectives. Asian Journal of Research in Computer Science. Volume 15, issue 4, page 1-14.

Panch T, Szolovits P, Atun R. (2018). Artificial intelligence, machine learning and health systems. J Glob Health. Dec;8(2):020303. doi: 10.7189/jogh.08.020303. PMID: 30405904; PMCID: PMC6199467.

Shi, D., Zhang, W., Zhang, W., & Ding, X. (2019). A review on lower limb rehabilitation exoskeleton robots. Chinese Journal of Mechanical Engineering, 32(1), 1–11.

Woo, M. (2019). An AI boost for clinical trials. Nature, 573(7775), S100–S100.

 

 

FELIPE ANTONIO LLAUGEL
FELIPE ANTONIO LLAUGEL
fllaugel@udoym.edu.do       Ingeniero industrial con maestrías en economía, alta gerencia, ingeniería de sistemas gerenciales y estudios doctorales en economía. Académico y profesional con más de 20 años de experiencia en el sector financiero, y con publicaciones en revistas indexadas tratando temas de economía e inteligencia artificial.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *