No todo lo que brilla es IA y no toda la IA brilla

No todo lo que brilla es IA y no toda la IA brilla
[favorite_button]
Comentar

En la era de las tecnologías exponenciales, la Inteligencia Artificial (IA) ha capturado la imaginación colectiva y ha prometido transformar nuestras vidas de maneras inimaginables. Desde el diagnóstico médico hasta la conducción autónoma, la IA ha sido aclamada como la panacea que revolucionará el mundo. Sin embargo, como en cualquier campo, no todo lo que brilla es oro, y la IA no es una excepción.

En el sector de la salud, donde la precisión y la confiabilidad son fundamentales, la IA ha generado grandes expectativas y esperanzas, pero es importante recordar que no toda solución tecnológica que se promociona como IA realmente cumple con los criterios y el potencial que se le atribuye. En ocasiones, el brillo deslumbrante de la IA puede desviar nuestra atención de sus limitaciones y desafíos subyacentes.

En esta columna, nos adentraremos en el fascinante mundo de la IA en el ámbito de la salud, pero con un enfoque crítico. Exploraremos cómo la exageración alrededor de las capacidades de la IA puede generar expectativas poco realistas y, a veces, incluso dañinas. Examinaremos las diferencias entre los avances reales y las promesas exageradas, y cómo esto puede afectar a los profesionales de la salud y a los pacientes.

No todo lo que brilla es IA, y es fundamental comprender que la IA no es una solución mágica para todos los desafíos de salud. En lugar de dejarnos llevar por el entusiasmo, es esencial adoptar un enfoque informado y crítico hacia la IA en la práctica médica. Así que, adentrémonos en este mundo de ilusiones y realidades, y descubramos qué hay realmente detrás del brillo de la IA en el sector de la salud.

Lo primero que quiero resaltar es que existe una confusión conceptual en los equipos de salud respecto a dos conceptos complementarios: la salud digital y la IA. A modo de resumen las diferencias entre una y otra son:

Salud digitalIA
DefiniciónSe refiere al uso de tecnologías digitales en la atención médica y la gestión de la salud.Se refiere a la capacidad de las máquinas para imitar o simular la inteligencia humana.
Enfoque principalSe centra en la implementación de herramientas y soluciones digitales para mejorar la eficiencia, la comunicación y el acceso a la atención médica.Se enfoca en desarrollar sistemas inteligentes capaces de aprender, razonar y tomar decisiones basadas en datos.
AlcanceAmplio, incluyendo el uso de registros electrónicos de salud,telemedicina, aplicaciones móviles de salud, dispositivos portátiles, entre otros.Específico, abarcando el desarrollo de algoritmos y modelos de aprendizaje automático para tareas específicas.
Objetivo principalMejorar la calidad y la eficiencia de la atención médica, facilitar la comunicación entre pacientes y proveedores, y promover el autocuidado y la prevención.Automatizar tareas, mejorar el diagnóstico y pronóstico, y optimizar la toma de decisiones clínicas.
Dependencia de datosUtiliza datos de salud digitales, como registros médicos electrónicos, datos de sensores y dispositivos de monitoreo.Requiere grandes cantidades de datos para entrenar algoritmos y modelos de IA, que pueden provenir de registros médicos, imágenes médicas, estudios clínicos, etc.
Capacidad de aprendizajePuede aprovechar el análisis de datos para generar información útil, pero no tiene la capacidad de aprender y mejorar automáticamente.Puede aprender y adaptarse a través de algoritmos de aprendizaje automático y redes neuronales, mejorando su rendimiento con el tiempo.
Impacto en la atención médicaMejora la eficiencia, la comunicación y el acceso a la atención médica, pero depende de la intervención humana.Tiene el potencial de automatizar tareas, mejorar la precisión del diagnóstico y facilitar la toma de decisiones clínicas, pero debe ser validada y supervisada por profesionales de la salud.

En el mundo real vemos muchos más desarrollos implementados en el mundo de la salud digital que herramientas efectivas de IA. Si bien los ecosistemas digitales pueden alojar modelos de IA de diversa índole, generalmente utilizan otras capacidades. Las plataformas digitales de salud si pueden capturar datos multifuente y alimentar a modelos de IA, los que a su vez pueden optimizar a dichos desarrollos.

Estos son ejemplos de salud digital:

  1. Registros electrónicos de salud (EHR): Los EHR permiten a los proveedores de atención médica almacenar, acceder y gestionar los registros médicos de los pacientes de forma electrónica. Esto facilita el intercambio de información entre profesionales de la salud y mejora la coordinación del cuidado.
  1. Telemedicina/Telesalud: La telemedicina utiliza tecnologías de comunicación y videoconferencia para brindar servicios médicos a distancia. Permite a los pacientes consultar a médicos y especialistas sin necesidad de desplazarse, lo que resulta especialmente útil en áreas remotas o para aquellos con dificultades para acceder a la atención médica.
  2. Aplicaciones móviles de salud: Existen numerosas aplicaciones móviles diseñadas para ayudar a las personas a gestionar su salud. Estas aplicaciones pueden incluir rastreadores de actividad física, monitoreo de sueño, recordatorios de medicamentos, seguimiento de la alimentación, entre otros.
  1. Dispositivos portátiles de monitoreo: Los dispositivos portátiles, como los relojes inteligentes y las pulseras de actividad, pueden recopilar datos biométricos como la frecuencia cardíaca, la presión arterial, los niveles de glucosa y el sueño. Estos dispositivos permiten a los usuarios monitorear su salud de forma continua y compartir los datos con profesionales de la salud si es necesario. Estos datos pueden transferirse a las diversas aplicaciones y plataformas existentes.
  1. Plataformas de bienestar y salud en línea: Existen plataformas en línea que ofrecen programas de bienestar y salud personalizados. Estos programas pueden incluir planes de alimentación, rutinas de ejercicio, seguimiento de hábitos saludables y programas de gestión del estrés.
  1. Realidad virtual (VR) y realidad aumentada (AR): La realidad virtual y la realidad aumentada están siendo utilizadas en la salud para una variedad de propósitos, como la formación médica, la rehabilitación física y la reducción del dolor y la ansiedad en los pacientes. Este es un ejemplo de cómo las tecnologías inmersivas pueden integrarse a la salud digital.

Los agentes de diversa índole (bots como son llamados por el público en general) no tienen, en la mayoría de casos, un entrenamiento basado en modelos de IA sino en arquitecturas de reglas simples, por lo cual es usual que tengan fallos importantes dado que no son entrenados en el cómo funciona el mundo real y mucho menos en el análisis de contexto.

Ahora veamos algunos ejemplos de IA aplicada en salud:

  1. Diagnóstico médico asistido por IA: Los algoritmos de IA pueden analizar grandes cantidades de datos clínicos, como imágenes médicas, historias clínicas y resultados de pruebas, para ayudar a los médicos en el diagnóstico de enfermedades. Por ejemplo, en el campo de la radiología, los sistemas de IA pueden detectar y clasificar lesiones en imágenes de rayos X, tomografías computarizadas (TC) o resonancias magnéticas (RM) con una precisión comparable a la de los radiólogos expertos. Detrás de estos algoritmos hay estructuras de entrenamiento profundo, usualmente redes neuronales de diverso tipo que han necesitado datos de entrenamiento, validación y prueba procedentes del mundo real, los cuales son introducidos en modelos matemáticos complejos que permiten su decodificación/codificación para poder analizarlos y que la máquina adquiera la capacidad de predecir y/o clasificar.
  1. Pronóstico y predicción de resultados: La IA puede analizar datos clínicos y epidemiológicos para ayudar a predecir el riesgo de enfermedades, la progresión de enfermedades crónicas y los resultados de tratamientos específicos. Esto permite a los médicos tomar decisiones informadas y personalizadas sobre el cuidado de sus pacientes en herramientas de soporte (CDSS). Para este fin usualmente se utilizan datos tabulares y modelos del aprendizaje de máquina como regresiones, arboles de decisiones CART y ensambles.
  1. Medicina de precisión: La IA puede ayudar a identificar patrones en grandes conjuntos de datos genómicos, lo que permite una medicina personalizada y precisa. Los algoritmos de IA pueden analizar los perfiles genéticos de los pacientes para identificar susceptibilidades a ciertas enfermedades y determinar los tratamientos más efectivos, para ello se analizan grandes cantidades de estos datos en modelos como clusterización jerárquica que se alojan posteriormente en plataformas bioinformáticas.
  1. Detección de fraudes y abusos en el sistema de salud: Los algoritmos de IA pueden analizar datos de reclamaciones médicas y patrones de facturación para detectar comportamientos fraudulentos o abusivos por parte de proveedores de servicios de salud y compañías de seguros. Esto ayuda a reducir costos y mejorar la integridad del sistema de salud. Esto se ejecuta usualmente mediante modelos de predicción y detectores de tendencias (forecasting).
  1. Investigación médica y descubrimiento de fármacos: La IA puede acelerar el proceso de descubrimiento y desarrollo de medicamentos al analizar grandes cantidades de datos genómicos, químicos y clínicos. Los algoritmos de IA pueden identificar posibles objetivos terapéuticos, diseñar moléculas de fármacos y predecir su eficacia y toxicidad, esto se ha potenciado hoy con el uso de modelos generativos.
  1. Agentes generativos: No solo chat-GPT puede utilizarse en diversos fines como rastreo de información científica o educación en salud, existen diversos modelos de lenguaje a gran escala (LLMs) y entrenamientos de los mismos que nos permiten optimizar las respuestas a preguntas complejas, pero adicionalmente al desarrollo de diversas salidas para el sector, especialmente la educación y el coaching en salud para los pacientes y cuidadores.

A modo de resumen les dejo una gráfica que permite enlazar un problema em salud con un potencial modelo de IA a utilizar (ver “IA a la carté” en www.aipocrates.org)

inteligencia artificial pino

Es crucial para los equipos de salud y el público en general entender estas diferencias, de igual forma aterrizar las capacidades reales de los modelos de IA en la salud ya que, a pesar de su increíble desarrollo en los últimos meses no tendremos pronto una IA general en el sector. Mi invitación como siempre es a educarse en el análisis de la literatura que incluya modelos de IA, a evaluar mejor las herramientas de salud digital y por supuesto a implementar departamentos de IA clínica en sus instituciones.

Mi última recomendación para los colegas es que, si alguien desea no solo ser usuario sino diseñador de IA debe educarse formalmente en ello, bajo cualquier modalidad, pero este debe ser un entrenamiento tan profundo como el de nuestras especialidades y maestrías “tradicionales”.

Temas relacionados

Compartir Noticia

Facebook
Twitter
LinkedIn
WhatsApp
Noticias destacadas
Más Noticias

Escríbanos y uno de nuestros asesores le contactará pronto

Reciba atención inmediata mediante nuestros canales oficiales aquí:

Tu carrito de compras está vacío.

Volver a la tienda