Inteligencia artificial aplicada a la medicina
El término inteligencia artificial nos lleva a pensar en esos robots que vemos en series de televisión y películas. Nada podría estar más lejos de la realidad. La inteligencia artificial se sostiene en un principio basado en la inteligencia humana. Se define que una máquina o computadora puede imitar fácilmente y ejecutar tareas humanas. Estas ejecuciones podrían ser desde las más simples hasta las más complejas.
Los objetivos de la inteligencia artificial incluyen:
- El aprendizaje
- El razonamiento
- Y la percepción
Algunos programas artificiales han logrado ejecutar altos niveles de desempeño antes trabajados solo por profesionales expertos. Es por lo que actualmente la inteligencia artificial se encuentra en aplicaciones tan diversas tales como:
- Reconocimiento de voz
- Diagnóstico médico
- Resolución de problemas, entre otros.
Las computadoras pueden ser entrenadas para uso médico. Estas tienen la capacidad de realizar tareas específicas al procesar grandes cantidades de data y reconocer patrones en los datos.
Predicciones precisas en la medicina
El aprendizaje automático, machine learning, es una parte fundamental de la inteligencia artificial. El aprendizaje, sin ningún tipo de supervisión, requiere la capacidad de identificar patrones en flujos de entradas; mientras que el aprendizaje, con supervisión adecuada, implica la clasificación y las regresiones numéricas. La intención del aprendizaje automático es permitir que dispositivos aprendan por sí mismos utilizando los datos proporcionados y hacer predicciones precisas. Es un método de entrenamiento de algoritmos para que puedan aprender a tomar decisiones. La capacitación en aprendizaje automático implica proporcionar una gran cantidad de datos al algoritmo y permitirle aprender más sobre la información procesada.
Diagnósticos médicos | Nuevas formas de diagnosticar
Hasta el momento, el aprendizaje automático es la mejor herramienta para analizar, comprender e identificar un patrón en los datos. Una de las ideas principales detrás del aprendizaje automático es que la computadora pueda ser entrenada para automatizar tareas que serían exhaustivas o imposibles para un ser humano. La clara brecha del análisis tradicional es que el aprendizaje automático puede tomar decisiones con una intervención humana mínima. Y junto a la interpretación de grandes volúmenes de datos ya están marcando una diferencia en la medicina para hacer diagnósticos, tratamientos y hasta predicciones médicas.
Análisis predictivos en heridas
Un desafío que enfrentan los profesionales de la salud es la alta cantidad de nuevos productos, estudios y guías actualizadas. Por ejemplo, hay actualmente sobre 3,000 productos avanzados para manejo de heridas de pacientes. Elegir el producto adecuado y tomar las mejores decisiones de tratamiento basados en las guías actualizadas dedicado es una constante preocupación. Tomemos como ejemplo un sistema con inteligencia artificial dedicado a cualquier tipo de herida o úlceras en pacientes. Mencionemos Wound Charts, un programa que puede analizar:
- Todas las enfermedades del paciente
- Comorbilidades
- Medicamentos
- Data pertinente
- Puede lograr análisis predictivos
- Comparar productos
- Evaluar riesgos
- Identificar el mejor tratamiento posible basado en data real
Los Registros Médicos Electrónicos | EMP
La inteligencia artificial puede sintetizar datos de registros médicos electrónicos (EMR) y datos no estructurados para hacer predicciones sobre la salud del paciente. La idea detrás de sistemas inteligentes es poder predecir, con tan sólo una visita inicial, información como la siguiente:
- Si el paciente
- Se va a curar
- Si no se va a curar
- Si se necesita hacer cambios para curarlo
- El tiempo que tomará la curación, entre muchas otras otras.
Análisis comparativo para un mejor resultado
En adición de predecir resultados médicos los sistemas podrán tomar decisiones sabias en cuanto al manejo. Un ejemplo sería que el sistema sugiera el tratamiento más adecuado basado en las guías médicas más recientes y por la data del paciente. Para abordar un poco más en esta última aseveración debo explicar lo siguiente. Un sistema con aprendizaje automático va a extraer data de pacientes previos, con sus respectivos tratamientos y resultados clínicos, entonces seleccionará el producto que haya tenido el mejor resultado. Un ejemplo podría ser que el medihoney gel pudiera tener mejor resultados en pacientes diabéticos, mayores de 65 años con hipertensión versus un hydrogel en pacientes no diabéticos jóvenes.
Minimizar dramáticamente errores médicos
Se podrían descubrir riesgos nunca antes relacionados en ciertos pacientes, para desarrollar heridas, luego del sistema evaluar todas sus condiciones y/o comorbilidades. Una gran ventaja ya que los errores humanos podrían ser eliminados en su totalidad. Un profesional de la salud por ejemplo podría hacer estudios adicionales por sugerencias del sistema.
Según un estudio publicado en The BMJ, los errores médicos son la tercera causa de muerte en los Estados Unidos y más de 250,000 estadounidenses mueren cada año por errores médicos prevenibles. La carga económica de estos errores, según el Journal of Health Care Finance de Wolters Kluwer, puede aproximarse hasta $ 1 billón en “potencial humano perdido y contribuciones”. Esto nos lleva a preguntas tales como: qué tipo de papel pueden desempeñar los programas electrónicos médicos o de salud en la reducción del riesgo de error médico.
La adopción de programas electrónicos médicos o de salud se ha relacionado estadísticamente con una reducción en riesgos de errores médicos. Un estudio realizado por el Centro de Investigación de Análisis de Vida de la Universidad Carnegie Mellon indica que la adopción de programas electrónicos médicos o de salud representó “una reducción del 27% en los eventos agregados de seguridad del paciente, una disminución del 30% en los eventos negativos de medicamentos y una disminución del 25% en las complicaciones relacionadas con las pruebas, los tratamientos o procedimientos “. No podría imaginar un sistema con aprendizaje automático.
Fernando J. Torres, MD, CWSP, WCC, DWC, CHWS, FACCWS
Fort Lauderdale | Puerto Rico
Referencias:
BMJ 2016; 353 doi: https://doi.org/10.1136/bmj.i2139 (Published 03 May 2016)Cite this as: BMJ 2016;353:i2139
Copyright © 2019 Vida y Salud Media Group. Todos los derechos reservados.
Imagen: ©Shutterstock / whiteMocca
