La inteligencia artificial en la atención sanitaria es la aplicación de la inteligencia artificial (IA) para copiar la cognición humana en el análisis, la presentación y la comprensión de datos médicos y de atención sanitaria complejos, o para superar las capacidades humanas proporcionando nuevas formas de diagnosticar, tratar o prevenir enfermedades. . [1] [2] Específicamente, la IA es la capacidad de los algoritmos informáticos para llegar a conclusiones aproximadas basadas únicamente en datos de entrada.
El objetivo principal de las aplicaciones de IA relacionadas con la salud es analizar las relaciones entre los datos clínicos y los resultados de los pacientes. [3] Los programas de IA se aplican a prácticas tales como diagnóstico , desarrollo de protocolos de tratamiento , desarrollo de fármacos , medicina personalizada y seguimiento y atención de pacientes. Lo que diferencia a la tecnología de IA de las tecnologías tradicionales en el sector sanitario es la capacidad de recopilar datos más grandes y diversos, procesarlos y producir un resultado bien definido para el usuario final. La IA hace esto a través de algoritmos de aprendizaje automático y aprendizaje profundo . Dado que las radiografías son las pruebas de imagen más comunes realizadas en la mayoría de los departamentos de radiología, el potencial de la IA para ayudar con la clasificación y la interpretación de las radiografías tradicionales (imágenes de rayos X) es particularmente digno de mención. [4] Estos procesos pueden reconocer patrones de comportamiento y crear su propia lógica. Para obtener información y predicciones útiles, los modelos de aprendizaje automático deben entrenarse utilizando grandes cantidades de datos de entrada. Los algoritmos de IA se comportan de manera diferente a los humanos en dos maneras: (1) los algoritmos son literales: una vez que se establece un objetivo, el algoritmo aprende exclusivamente de los datos de entrada y solo puede comprender aquello para lo que ha sido programado, (2) y algo de aprendizaje profundo los algoritmos son cajas negras ; Los algoritmos pueden predecir con extrema precisión, pero ofrecen poca o ninguna explicación comprensible de la lógica detrás de sus decisiones, aparte de los datos y el tipo de algoritmo utilizado. [5]
Dado que el uso generalizado de la IA en la atención sanitaria es relativamente nuevo, se están realizando investigaciones sobre su aplicación en diversos campos de la medicina y la industria. Además, se está prestando mayor atención a las preocupaciones éticas sin precedentes relacionadas con su práctica, como la privacidad de los datos, la automatización de los empleos y los sesgos de representación. [6] Además, los líderes de la atención médica a menudo se resisten a las nuevas tecnologías generadas por la IA en la atención médica, lo que lleva a una adopción lenta y errática. [7]
En los últimos años, la IA ha desempeñado un papel de liderazgo en el uso y valoración de extensas colecciones de datos; Google y la Clínica Mayo , por ejemplo, han anunciado una asociación para resolver problemas médicos complejos utilizando innovación médica basada en datos, o un equipo de La Universidad de California en San Diego pudo crear un programa de diagnóstico entrenando IA en registros médicos de 1,3 millones de pacientes menores de 18,80 años. [8]
Las investigaciones de las décadas de 1960 y 1970 produjeron el primer programa de resolución de problemas, o sistema experto , conocido como Dendral . [9] [10] Si bien fue diseñado para aplicaciones en química orgánica, proporcionó la base para un sistema posterior MYCIN , [11] considerado uno de los primeros usos más importantes de la inteligencia artificial en medicina. [11] [12] Sin embargo, MYCIN y otros sistemas como INTERNIST-1 y CASNET no lograron un uso rutinario por parte de los profesionales. [13]
Las décadas de 1980 y 1990 trajeron la proliferación de las microcomputadoras y nuevos niveles de conectividad de red. Durante este tiempo, los investigadores y desarrolladores reconocieron que los sistemas de inteligencia artificial en la atención médica deben diseñarse para adaptarse a la ausencia de datos perfectos y aprovechar la experiencia de los médicos. [14] Enfoques que involucran la teoría de conjuntos difusos , [15] redes bayesianas , [16] y redes neuronales artificiales , [17] [18] se han aplicado a sistemas informáticos inteligentes en el sector sanitario.
Los avances médicos y tecnológicos ocurridos durante este período de medio siglo que han permitido el crecimiento de las aplicaciones de IA relacionadas con la atención médica incluyen:
Los algoritmos de IA también se pueden utilizar para analizar grandes cantidades de datos a través de registros médicos electrónicos para la prevención y el diagnóstico de enfermedades. Instituciones médicas como la Clínica Mayo , el Centro Oncológico Memorial Sloan Kettering , [26] [27] y el Servicio Nacional de Salud Británico , [28] han desarrollado algoritmos de IA para sus departamentos. Grandes empresas tecnológicas como IBM [29] y Google , [28] también han desarrollado algoritmos de IA para la atención sanitaria. Además, los hospitales buscan software de inteligencia artificial para respaldar iniciativas operativas que aumenten el ahorro de costos, mejoren la satisfacción del paciente y satisfagan sus necesidades de personal y fuerza laboral. [30] Actualmente, el gobierno de los Estados Unidos está invirtiendo miles de millones de dólares para avanzar en el desarrollo de la IA en la atención sanitaria. [5] Las empresas están desarrollando tecnologías que ayudan a los administradores de atención médica a mejorar las operaciones comerciales mediante el aumento de la utilización, la disminución del ingreso de pacientes, la reducción de la duración de la estadía y la optimización de los niveles de personal. [31]
Los algoritmos de inteligencia artificial han mostrado resultados prometedores en el diagnóstico preciso y la estratificación del riesgo de pacientes con preocupación por la enfermedad de las arterias coronarias, lo que muestra potencial como herramienta de clasificación inicial. [32] [33] Se han utilizado otros algoritmos para predecir la mortalidad del paciente, los efectos de los medicamentos y los eventos adversos después del tratamiento del síndrome coronario agudo . [32] Los dispositivos portátiles, los teléfonos inteligentes y las tecnologías basadas en Internet también han demostrado la capacidad de monitorear los puntos de datos cardíacos de los pacientes, ampliando la cantidad de datos y las diversas configuraciones que los modelos de IA pueden usar y potencialmente permitiendo la detección más temprana de eventos cardíacos que ocurren fuera del hospital. [34] Otra área de investigación en crecimiento es la utilidad de la IA para clasificar los ruidos cardíacos y diagnosticar enfermedades valvulares . [35] Los desafíos de la IA en la medicina cardiovascular han incluido los datos limitados disponibles para entrenar modelos de aprendizaje automático, como datos limitados sobre los determinantes sociales de la salud en lo que respecta a las enfermedades cardiovasculares . [36]
Una limitación clave en los primeros estudios que evaluaron la IA fueron las omisiones de datos que comparaban el rendimiento algorítmico con el de los humanos. Los ejemplos de estudios que evalúan el desempeño de la IA en relación con los médicos incluyen cómo la IA no es inferior a los humanos en la interpretación de ecocardiogramas cardíacos [37] y que la IA puede diagnosticar un ataque cardíaco mejor que los médicos humanos en situaciones de emergencia, reduciendo tanto las pruebas de bajo valor como los diagnósticos perdidos. . [38]
En la ingeniería de tejidos cardiovasculares y los estudios de organoides , la IA se utiliza cada vez más para analizar imágenes de microscopía e integrar lecturas electrofisiológicas. [39]
La dermatología es una especialidad abundante en imágenes [40] y el desarrollo del aprendizaje profundo ha estado fuertemente ligado al procesamiento de imágenes . Por tanto, existe un encaje natural entre la dermatología y el aprendizaje profundo. Hay tres tipos principales de imágenes en dermatología: imágenes contextuales, imágenes macro y microimágenes. [41] Para cada modalidad, el aprendizaje profundo mostró grandes avances. [42] Han y cols. mostró la detección de cáncer de piel queratinocítico a partir de fotografías de rostros. [43] Esteva et al. demostró una clasificación a nivel dermatólogo del cáncer de piel a partir de imágenes de lesiones. [44] Noyan et al. demostró una red neuronal convolucional que logró una precisión del 94% en la identificación de células de la piel a partir de imágenes microscópicas de frotis de Tzanck . [45] Una preocupación planteada con este trabajo es que no se ha ocupado de las disparidades relacionadas con el color de la piel o el tratamiento diferencial de los pacientes con tonos de piel no blancos. [46]
Según algunos investigadores, se ha demostrado que los algoritmos de IA son más eficaces que los dermatólogos para identificar el cáncer. [47] Sin embargo, un artículo de revisión de 2021 encontró que la mayoría de los artículos que analizaban el rendimiento de los algoritmos de IA diseñados para la clasificación del cáncer de piel no utilizaban conjuntos de pruebas externas. [48] Solo se encontraron cuatro estudios de investigación en los que los algoritmos de IA se probaron en clínicas, regiones o poblaciones distintas de aquellas en las que se capacitó, y en cada uno de esos cuatro estudios, se encontró que el desempeño de los dermatólogos estaba a la par con el del algoritmo. Además, sólo un estudio [49] se realizó en el contexto de un examen clínico completo; otros se basaron en la interacción a través de aplicaciones web o cuestionarios en línea, y la mayoría se basó completamente en imágenes de lesiones libres de contexto. En este estudio, se encontró que los dermatólogos superaron significativamente a los algoritmos. Muchos artículos que afirman un rendimiento superior de los algoritmos de IA tampoco distinguen entre estudiantes y dermatólogos certificados en sus análisis. [48]
También se ha sugerido que la IA podría usarse para evaluar automáticamente el resultado de la cirugía maxilofacial o la terapia del paladar hendido con respecto al atractivo facial o la apariencia de la edad. [50] [51]
La IA puede desempeñar un papel en varias facetas del campo de la gastroenterología. Los exámenes endoscópicos como las esofagogastroduodenoscopias (EGD) y las colonoscopias se basan en la detección rápida de tejido anormal. Al mejorar estos procedimientos endoscópicos con IA, los médicos pueden identificar enfermedades más rápidamente, determinar su gravedad y visualizar puntos ciegos. Los primeros ensayos en el uso de sistemas de detección de IA del cáncer gástrico temprano han demostrado una sensibilidad cercana a la de los endoscopistas expertos. [52]
La inteligencia artificial, o IA, utiliza cantidades masivas de datos para ayudar a predecir enfermedades, prevenirlas y diagnosticarlas, así como también a monitorear a los pacientes. En obstetricia, la inteligencia artificial se utiliza en resonancia magnética, ecografía y cardiotocografía fetal. La IA contribuye a la resolución de una variedad de problemas de diagnóstico obstétrico. [53]
La IA ha demostrado potencial tanto en el laboratorio como en el ámbito clínico de la medicina de enfermedades infecciosas . [54] A medida que el nuevo coronavirus hace estragos en todo el mundo, se estima que Estados Unidos invertirá más de 2 mil millones de dólares en investigaciones sanitarias relacionadas con la IA para 2025, más de 4 veces la cantidad gastada en 2019 (463 millones de dólares). [55] Si bien se han desarrollado redes neuronales para detectar de forma rápida y precisa una respuesta del huésped a la COVID-19 a partir de muestras de espectrometría de masas , una revisión exhaustiva de la literatura encontró pocos ejemplos de IA utilizada directamente en la práctica clínica durante la propia pandemia de COVID-19. . [56] Otras aplicaciones incluyen máquinas de vectores de soporte que identifican la resistencia a los antimicrobianos , análisis de aprendizaje automático de frotis de sangre para detectar malaria y pruebas mejoradas en el lugar de atención de la enfermedad de Lyme basadas en la detección de antígenos. Además, se ha investigado la IA para mejorar el diagnóstico de meningitis , sepsis y tuberculosis , así como para predecir las complicaciones del tratamiento en pacientes con hepatitis B y C. [54]
La IA se ha utilizado para identificar causas de dolor de rodilla que los médicos pasan por alto y que afectan desproporcionadamente a los pacientes negros. [57] Las poblaciones desatendidas experimentan niveles más altos de dolor. Estas disparidades persisten incluso después de controlar la gravedad objetiva de enfermedades como la osteoartritis, según la clasifican los médicos humanos utilizando imágenes médicas, lo que plantea la posibilidad de que el dolor de los pacientes desatendidos se deba a factores externos a la rodilla, como el estrés. Los investigadores han realizado un estudio utilizando un algoritmo de aprendizaje automático para demostrar que las medidas radiográficas estándar de gravedad pasan por alto características objetivas pero no diagnosticadas que afectan desproporcionadamente el diagnóstico y el tratamiento de poblaciones desatendidas con dolor de rodilla. Propusieron que la nueva medida algorítmica ALG-P podría permitir un mayor acceso a tratamientos para pacientes desatendidos. [58]
Se ha explorado el uso de tecnologías de inteligencia artificial para el diagnóstico y pronóstico de la enfermedad de Alzheimer (EA). Con fines de diagnóstico, se han desarrollado modelos de aprendizaje automático que se basan en entradas estructurales de resonancia magnética. [59] Los conjuntos de datos de entrada para estos modelos se extraen de bases de datos como la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer. [60] Los investigadores han desarrollado modelos que se basan en redes neuronales convolucionales con el objetivo de mejorar la precisión del diagnóstico temprano. [61] Las redes generativas adversarias son una forma de aprendizaje profundo que también ha funcionado bien en el diagnóstico de la EA. [62] También se han realizado esfuerzos para desarrollar modelos de aprendizaje automático en herramientas de pronóstico que puedan predecir el pronóstico de los pacientes con EA. Los investigadores han propuesto pronosticar los resultados de los pacientes a través de modelos generativos como un medio para sintetizar conjuntos de entrenamiento y validación. [63] Sugieren que los pronósticos de pacientes generados podrían usarse para proporcionar modelos futuros con conjuntos de datos de entrenamiento más grandes que las bases de datos de acceso abierto actuales.
Se ha explorado el uso de la IA en el diagnóstico del cáncer , la estratificación del riesgo, la caracterización molecular de tumores y el descubrimiento de fármacos contra el cáncer. Un desafío particular en la atención oncológica para el que se está desarrollando la IA es la capacidad de predecir con precisión qué protocolos de tratamiento serán los más adecuados para cada paciente en función de sus características genéticas, moleculares y tumorales individuales. [64] La IA se ha probado en el diagnóstico del cáncer con la lectura de estudios de imágenes y diapositivas de patología . [sesenta y cinco]
En enero de 2020, Google DeepMind anunció un algoritmo capaz de superar a los expertos humanos en la detección del cáncer de mama en exploraciones de detección. [66] [67] Varios investigadores, incluidos Trevor Hastie , Joelle Pineau y Robert Tibshirani , entre otros, publicaron una respuesta afirmando que la publicación de investigación de DeepMind en Nature carecía de detalles clave sobre metodología y código, "socavando efectivamente su valor científico". "valor" y haciendo imposible que la comunidad científica confirme el trabajo. [68] En el MIT Technology Review , el autor Benjamin Haibe-Kains caracterizó el trabajo de DeepMind como "un anuncio" que tiene poco que ver con la ciencia. [69]
En julio de 2020, se informó que un algoritmo de IA desarrollado por la Universidad de Pittsburgh logra la mayor precisión hasta la fecha en la identificación del cáncer de próstata , con un 98% de sensibilidad y un 97% de especificidad. [70] [71] En 2023, un estudio informó el uso de IA para la clasificación radiómica basada en TC para calificar la agresividad del sarcoma retroperitoneal con una precisión del 82 % en comparación con el 44 % para el análisis de biopsias en el laboratorio. [72] [73]
La tecnología mejorada con inteligencia artificial se está utilizando como ayuda en la detección de enfermedades oculares y la prevención de la ceguera. [74] En 2018, la Administración de Alimentos y Medicamentos de EE. UU. autorizó la comercialización del primer dispositivo médico para diagnosticar un tipo específico de enfermedad ocular, la retinopatía diabética, utilizando un algoritmo de inteligencia artificial. [75] Además, la tecnología de IA se puede utilizar para mejorar aún más las "tasas de diagnóstico" debido al potencial de disminuir el tiempo de detección. [76]
Para muchas enfermedades, el análisis patológico de células y tejidos se considera el estándar de oro para el diagnóstico de enfermedades. Los métodos de patología digital permiten escanear y analizar digitalmente portaobjetos de microscopía. Se han desarrollado herramientas de patología asistida por IA para ayudar con el diagnóstico de una serie de enfermedades, incluido el cáncer de mama, la hepatitis B, el cáncer gástrico y el cáncer colorrectal . La IA también se ha utilizado para predecir mutaciones genéticas y pronosticar resultados de enfermedades. [52] La IA es muy adecuada para su uso en análisis patológicos de baja complejidad de muestras de detección a gran escala , como la detección de cáncer colorrectal o de mama , lo que reduce la carga de los patólogos y permite un procesamiento más rápido del análisis de muestras. [78] Varios modelos de redes neuronales artificiales y de aprendizaje profundo han mostrado una precisión similar a la de los patólogos humanos, [78] y un estudio sobre la asistencia del aprendizaje profundo en el diagnóstico del cáncer de mama metastásico en los ganglios linfáticos demostró que la precisión de los humanos con la ayuda de un El programa de aprendizaje profundo fue más alto que el de los humanos solos o el del programa de IA solo. [79] Además, se prevé que la implementación de la patología digital ahorrará más de $12 millones para un centro universitario en el transcurso de cinco años, [80] aunque los ahorros atribuidos específicamente a la IA aún no se han investigado ampliamente. El uso de la realidad virtual y aumentada podría resultar un trampolín hacia una implementación más amplia de la patología asistida por IA, ya que pueden resaltar áreas de preocupación en una muestra de patología y presentarlas en tiempo real a un patólogo para una revisión más eficiente. [78] La IA también tiene el potencial de identificar hallazgos histológicos a niveles más allá de lo que el ojo humano puede ver, [78] y ha demostrado la capacidad de utilizar datos genotípicos y fenotípicos para detectar con mayor precisión el tumor de origen del cáncer metastásico. [81] Una de las principales barreras actuales para la implementación generalizada de herramientas de patología asistida por IA es la falta de ensayos controlados multicéntricos, aleatorios y prospectivos para determinar la verdadera utilidad clínica de la IA para patólogos y pacientes, lo que destaca un área de necesidad actual. en IA y investigación sanitaria. [78]
La atención primaria se ha convertido en un área de desarrollo clave para las tecnologías de inteligencia artificial. [82] [83] La IA en la atención primaria se ha utilizado para respaldar la toma de decisiones, el modelado predictivo y el análisis empresarial. [84] Sólo hay unos pocos ejemplos de sistemas de apoyo a la toma de decisiones de IA cuya eficacia clínica se evaluó prospectivamente cuando los médicos los utilizaron en la práctica. Pero hay casos en los que el uso de estos sistemas tuvo un efecto positivo en la elección del tratamiento por parte de los médicos. [85]
En psiquiatría, las aplicaciones de IA aún se encuentran en una fase de prueba de concepto. [86] Las áreas donde la evidencia se está ampliando rápidamente incluyen modelos predictivos de resultados de diagnóstico y tratamiento, [87] chatbots, agentes conversacionales que imitan el comportamiento humano y que han sido estudiados para la ansiedad y la depresión. [88]
Los desafíos incluyen el hecho de que muchas aplicaciones en este campo son desarrolladas y propuestas por corporaciones privadas, como la detección de ideas suicidas implementada por Facebook en 2017. [89] Este tipo de aplicaciones fuera del sistema de salud plantean diversas cuestiones profesionales, éticas y regulatorias. [90] Otro problema suele ser la validez y la interpretabilidad de los modelos. Los conjuntos de datos de entrenamiento pequeños contienen sesgos heredados por los modelos y comprometen la generalización y estabilidad de estos modelos. Estos modelos también pueden tener el potencial de ser discriminatorios contra los grupos minoritarios que están subrepresentados en las muestras. [91]
En 2023, la Asociación Nacional de Trastornos de la Alimentación, con sede en EE. UU. , reemplazó el personal de su línea de ayuda humana por un chatbot , pero tuvo que desconectarlo después de que los usuarios informaron haber recibido consejos perjudiciales del mismo. [92] [93] [94]
La IA se está estudiando en el campo de la radiología para detectar y diagnosticar enfermedades mediante tomografía computarizada (TC) y resonancia magnética (RM). [95] Puede ser particularmente útil en entornos donde la demanda de experiencia humana excede la oferta, o donde los datos son demasiado complejos para ser interpretados eficientemente por lectores humanos. [96] Varios modelos de aprendizaje profundo han demostrado la capacidad de ser aproximadamente tan precisos como los profesionales de la salud en la identificación de enfermedades a través de imágenes médicas, aunque pocos de los estudios que informan estos hallazgos han sido validados externamente. [97] La IA también puede proporcionar beneficios no interpretativos a los radiólogos, como reducir el ruido en las imágenes, crear imágenes de alta calidad a partir de dosis más bajas de radiación, mejorar la calidad de las imágenes de resonancia magnética, [98] y evaluar automáticamente la calidad de las imágenes. [99] Otras investigaciones que investigan el uso de la IA en la medicina nuclear se centran en la reconstrucción de imágenes, la localización anatómica y la habilitación de dosis más bajas en estudios de imágenes. [100] El análisis de imágenes para aplicaciones de IA supervisadas en radiología abarca dos técnicas principales en la actualidad: (1) análisis basado en redes neuronales convolucionales ; y (2) utilización de la radiómica . [96]
Un artículo de Jiang, et al. (2017) demostraron que existen varios tipos de técnicas de IA que se han utilizado para una variedad de enfermedades diferentes, como máquinas de vectores de soporte, redes neuronales y árboles de decisión. Se describe que cada una de estas técnicas tiene un "objetivo de entrenamiento", por lo que "las clasificaciones concuerdan con los resultados tanto como sea posible ...". [ cita necesaria ]
Para demostrar algunos detalles específicos para el diagnóstico/clasificación de enfermedades, se utilizan dos técnicas diferentes en la clasificación de estas enfermedades, incluido el uso de redes neuronales artificiales (ANN) y redes bayesianas (BN). Se descubrió que la ANN era mejor y podía clasificar con mayor precisión la diabetes y las enfermedades cardiovasculares.
Mediante el uso de clasificadores de aprendizaje automático (MLC), la inteligencia artificial ha podido ayudar sustancialmente a los médicos en el diagnóstico de pacientes mediante la manipulación de registros médicos electrónicos masivos (EHR). [109] Las condiciones médicas se han vuelto más complejas y, con una amplia historia de creación de registros médicos electrónicos, la probabilidad de duplicación de casos es alta. [109] Aunque hoy en día es menos probable que alguien con una enfermedad rara sea la única persona que haya tenido alguna enfermedad determinada, la imposibilidad de acceder a casos con orígenes sintomáticos similares es un obstáculo importante para los médicos. [109] La implementación de IA no solo para ayudar a encontrar casos y tratamientos similares, como a través de predictores tempranos de la enfermedad de Alzheimer y demencias , [110] sino también para tener en cuenta los síntomas principales y ayudar a los médicos a hacer las preguntas más apropiadas ayuda al paciente a recibir el diagnóstico y tratamiento más preciso posible. [109]
Se están explorando avances recientes en física estadística , aprendizaje automático y algoritmos de inferencia por su potencial para mejorar los enfoques de diagnóstico médico. [111] La combinación de las habilidades de los profesionales médicos y las máquinas puede ayudar a superar las debilidades en la toma de decisiones en la práctica médica. Para ello, se necesitan definiciones precisas de las enfermedades y un análisis probabilístico de los síntomas y perfiles moleculares. Los físicos han estado estudiando problemas similares durante años, utilizando elementos microscópicos y sus interacciones para extraer estados macroscópicos de varios sistemas físicos. Por tanto, los enfoques de aprendizaje automático inspirados en la física se pueden aplicar para estudiar procesos patológicos y realizar análisis de biomarcadores.
El aumento de la telemedicina , el tratamiento de pacientes a distancia, ha mostrado el auge de posibles aplicaciones de la IA. [112] La IA puede ayudar a atender a los pacientes de forma remota mediante el seguimiento de su información a través de sensores. [113] Un dispositivo portátil puede permitir la monitorización constante de un paciente y la capacidad de notar cambios que pueden ser menos distinguibles para los humanos. La información se puede comparar con otros datos que ya se han recopilado mediante algoritmos de inteligencia artificial que alertan a los médicos si hay algún problema que deban tener en cuenta. [113]
Otra aplicación de la inteligencia artificial es la terapia con chatbot. Sin embargo , algunos investigadores afirman que la dependencia de los chatbots para la atención de salud mental no ofrece la reciprocidad y la responsabilidad de la atención que debería existir en la relación entre el consumidor de atención de salud mental y el proveedor de atención (ya sea un chatbot o un psicólogo). [114]
Dado que la edad promedio ha aumentado debido a una mayor esperanza de vida, la inteligencia artificial podría ser útil para ayudar a cuidar a las poblaciones mayores. [115] Herramientas como sensores ambientales y personales pueden identificar las actividades habituales de una persona y alertar a un cuidador si un comportamiento o un valor vital medido es anormal. [115] Aunque la tecnología es útil, también hay discusiones sobre las limitaciones del monitoreo para respetar la privacidad de una persona, ya que existen tecnologías que están diseñadas para mapear los diseños del hogar y detectar interacciones humanas. [115]
Los registros médicos electrónicos (EHR) son cruciales para la digitalización y la difusión de información de la industria de la salud. Ahora que alrededor del 80% de los consultorios médicos utilizan EHR, el siguiente paso es utilizar inteligencia artificial para interpretar los registros y proporcionar nueva información a los médicos. [116]
Una aplicación utiliza el procesamiento del lenguaje natural (PLN) para generar informes más concisos que limiten la variación entre términos médicos al hacer coincidir términos médicos similares. [116] Por ejemplo, el término ataque cardíaco e infarto de miocardio significan lo mismo, pero los médicos pueden usar uno en lugar de otro según sus preferencias personales. [116] Los algoritmos de PNL consolidan estas diferencias para que se puedan analizar conjuntos de datos más grandes. [116] Otro uso de la PNL identifica frases que son redundantes debido a la repetición en las notas de un médico y mantiene la información relevante para que sea más fácil de leer. [116] Otras aplicaciones utilizan el procesamiento de conceptos para analizar la información ingresada por el médico del paciente actual para presentar casos similares y ayudar al médico a recordar incluir todos los detalles relevantes. [117]
Más allá de editar el contenido de un EHR, existen algoritmos de inteligencia artificial que evalúan el registro de un paciente individual y predicen el riesgo de una enfermedad en función de su información previa y sus antecedentes familiares. [118] Un algoritmo general es un sistema basado en reglas que toma decisiones de manera similar a cómo los humanos usan los diagramas de flujo. [119] Este sistema recoge grandes cantidades de datos y crea un conjunto de reglas que conectan observaciones específicas con diagnósticos concluidos. [119] Por lo tanto, el algoritmo puede tomar los datos de un nuevo paciente e intentar predecir la probabilidad de que tenga una determinada condición o enfermedad. [119] Dado que los algoritmos pueden evaluar la información de un paciente basándose en datos colectivos, pueden encontrar cualquier problema pendiente para llamar la atención del médico y ahorrar tiempo. [118] Un estudio realizado por el instituto de investigación Centerstone encontró que el modelado predictivo de datos de EHR ha logrado una precisión del 70% al 72% en la predicción de la respuesta al tratamiento individualizado. [120] Estos métodos son útiles debido al hecho de que la cantidad de registros médicos en línea se duplica cada cinco años. [118] Los médicos no tienen el ancho de banda para procesar todos estos datos manualmente, y la IA puede aprovechar estos datos para ayudar a los médicos a tratar a sus pacientes. [118]
Las mejoras en el procesamiento del lenguaje natural llevaron al desarrollo de algoritmos para identificar interacciones entre fármacos en la literatura médica. [121] [122] [123] [124] Las interacciones entre medicamentos representan una amenaza para quienes toman varios medicamentos simultáneamente, y el peligro aumenta con la cantidad de medicamentos que se toman. [125] Para abordar la dificultad de rastrear todas las interacciones entre medicamentos conocidas o sospechadas, se han creado algoritmos de aprendizaje automático para extraer información sobre las drogas que interactúan y sus posibles efectos de la literatura médica. Los esfuerzos se consolidaron en 2013 en el DDIExtraction Challenge, en el que un equipo de investigadores de la Universidad Carlos III reunió un corpus de literatura sobre interacciones entre medicamentos para formar una prueba estandarizada para dichos algoritmos. [126] Se evaluó la capacidad de los competidores para determinar con precisión, a partir del texto, qué drogas se demostró que interactuaban y cuáles eran las características de sus interacciones. [127] Los investigadores continúan utilizando este corpus para estandarizar la medición de la efectividad de sus algoritmos. [121] [122] [124]
Otros algoritmos identifican interacciones entre medicamentos a partir de patrones en el contenido generado por el usuario , especialmente registros médicos electrónicos y/o informes de eventos adversos. [122] [123] Organizaciones como el Sistema de notificación de eventos adversos de la FDA (FAERS) y VigiBase de la Organización Mundial de la Salud permiten a los médicos enviar informes de posibles reacciones negativas a los medicamentos. Se han desarrollado algoritmos de aprendizaje profundo para analizar estos informes y detectar patrones que implican interacciones entre medicamentos. [128]
La tendencia a la fusión de grandes empresas sanitarias permite una mayor accesibilidad a los datos sanitarios. Mayores datos de salud sientan las bases para la implementación de algoritmos de IA.
Una gran parte del enfoque de la industria en la implementación de la IA en el sector sanitario se centra en los sistemas de apoyo a las decisiones clínicas . A medida que se recopilan más datos, los algoritmos de aprendizaje automático se adaptan y permiten respuestas y soluciones más sólidas. [95] Numerosas empresas están explorando las posibilidades de la incorporación de big data en la industria sanitaria. Muchas empresas investigan las oportunidades de mercado a través de los ámbitos de las "tecnologías de evaluación, almacenamiento, gestión y análisis de datos", que son partes cruciales de la industria de la salud. [129]
Los siguientes son ejemplos de grandes empresas que han contribuido a los algoritmos de IA para su uso en el sector sanitario:
Las aplicaciones de consultoría digital utilizan inteligencia artificial para brindar consultas médicas basadas en el historial médico personal y el conocimiento médico común. Los usuarios informan sus síntomas en la aplicación, que utiliza el reconocimiento de voz para compararlos con una base de datos de enfermedades. Babylon luego ofrece una acción recomendada, teniendo en cuenta el historial médico del usuario. Los empresarios del sector sanitario han estado utilizando eficazmente siete arquetipos de modelos de negocio para llevar la solución de IA [ palabra de moda ] al mercado. Estos arquetipos dependen del valor generado para el usuario objetivo (por ejemplo, enfoque en el paciente versus enfoque en el proveedor de atención médica y el pagador) y los mecanismos de captura de valor (por ejemplo, proporcionar información o conectar a las partes interesadas).
IFlytek lanzó un robot de servicio "Xiao Man", que integró tecnología de inteligencia artificial para identificar al cliente registrado y brindar recomendaciones personalizadas en áreas médicas. También trabaja en el campo de la imagen médica. Empresas como UBTECH ("Cruzr") y Softbank Robotics ("Pepper") también están fabricando robots similares .
La startup india Haptik desarrolló recientemente un chatbot de WhatsApp que responde preguntas asociadas con el mortal coronavirus en India . De manera similar, una plataforma de software ChatBot, en asociación con la startup de tecnología médica Infermedica, lanzó ChatBot de evaluación de riesgos de COVID-19 . [132]
Con el mercado de la IA en constante expansión, las grandes empresas tecnológicas como Apple, Google, Amazon y Baidu tienen sus propias divisiones de investigación de IA, así como millones de dólares asignados para la adquisición de empresas más pequeñas basadas en la IA. [129] Muchos fabricantes de automóviles también están comenzando a utilizar el aprendizaje automático en la atención médica en sus automóviles. [129] Empresas como BMW , GE , Tesla , Toyota y Volvo tienen nuevas campañas de investigación para encontrar formas de conocer las estadísticas vitales de un conductor para garantizar que esté despierto, prestando atención a la carretera y no bajo la influencia de sustancias. [129]
La inteligencia artificial continúa ampliando sus capacidades para diagnosticar a más personas con precisión en países donde hay menos médicos accesibles al público. Muchas nuevas empresas de tecnología, como SpaceX y la Fundación Raspberry Pi, han permitido que más países en desarrollo tengan acceso a computadoras e Internet como nunca antes. [133] Con las crecientes capacidades de la IA en Internet, los algoritmos avanzados de aprendizaje automático pueden permitir que los pacientes sean diagnosticados con precisión cuando antes no tenían forma de saber si tenían una enfermedad potencialmente mortal o no. [133]
El uso de IA en países en desarrollo que no tienen los recursos disminuirá la necesidad de subcontratación y puede mejorar la atención al paciente. La IA puede permitir no solo el diagnóstico de pacientes en áreas donde la atención médica es escasa, sino también brindar una buena experiencia al paciente al obtener archivos para encontrar el mejor tratamiento para un paciente. [134] La capacidad de la IA para ajustar el curso a medida que avanza también permite que el paciente modifique su tratamiento en función de lo que funcione para él; un nivel de atención individualizada que es casi inexistente en los países en desarrollo. [134]
Si bien la investigación sobre el uso de la IA en la atención médica tiene como objetivo validar su eficacia para mejorar los resultados de los pacientes antes de su adopción más amplia, su uso puede, no obstante, introducir varios tipos nuevos de riesgos para los pacientes y los proveedores de atención médica, como el sesgo algorítmico , las implicaciones de no reanimar y otras cuestiones de moralidad de las máquinas . La IA también puede comprometer la protección de los derechos de los pacientes, como el derecho al consentimiento informado y el derecho a la protección de datos médicos. [135] Estos desafíos del uso clínico de la IA han generado una posible necesidad de regulaciones . Los estudios de IA deben informarse de manera completa y transparente para que tengan valor para informar la aprobación regulatoria. Dependiendo de la fase del estudio, se han desarrollado directrices internacionales de presentación de informes basadas en consenso (TRIPOD+AI, [136] DECIDE-AI, [137] CONSORT-AI [138] ) para proporcionar recomendaciones sobre los detalles clave que deben informarse. .
Actualmente, existen regulaciones relativas a la recopilación de datos de pacientes. Esto incluye políticas como la Ley de Responsabilidad y Portabilidad del Seguro Médico ( HIPAA ) y el Reglamento General Europeo de Protección de Datos ( RGPD ). [139] El RGPD se aplica a los pacientes dentro de la UE y detalla los requisitos de consentimiento para el uso de datos de pacientes cuando las entidades recopilan datos de atención médica de los pacientes. De manera similar, HIPAA protege los datos de atención médica de los registros de pacientes en los Estados Unidos. [139] En mayo de 2016, la Casa Blanca anunció su plan para organizar una serie de talleres y la formación del Subcomité de Aprendizaje Automático e Inteligencia Artificial del Consejo Nacional de Ciencia y Tecnología (NSTC). En octubre de 2016, el grupo publicó el Plan Estratégico Nacional de Investigación y Desarrollo de Inteligencia Artificial, que describe las prioridades propuestas para la investigación y el desarrollo de IA con financiación federal (dentro del gobierno y el mundo académico). El informe señala que se encuentra en etapas de desarrollo un plan estratégico de I+D para el subcampo de la tecnología de la información sanitaria .
Existe la preocupación de que los grandes modelos lingüísticos puedan abrumar a las personas con información de salud precisa y también con información errónea, lo que generará posibles desafíos en la salud pública. Esto exige la necesidad de políticas y orientación para los usuarios relacionadas con la información sanitaria a través de la IA. [140]
La única agencia que ha expresado preocupación es la FDA. Bakul Patel, director asociado del Centro de Salud Digital de la FDA, dijo en mayo de 2017: "Estamos tratando de conseguir personas que tengan experiencia práctica en el desarrollo del ciclo de vida completo de un producto. Ya tenemos algunos científicos que saben inteligencia artificial y aprendizaje automático, pero queremos personas complementarias que puedan mirar hacia adelante y ver cómo evolucionará esta tecnología".
El Grupo Temático conjunto UIT - OMS sobre Inteligencia Artificial para la Salud (FG-AI4H) ha creado una plataforma, conocida como Marco UIT-OMS sobre IA para la Salud, para probar y comparar aplicaciones de IA en el ámbito de la salud. En noviembre de 2018, se están comparando ocho casos de uso, incluida la evaluación del riesgo de cáncer de mama a partir de imágenes histopatológicas, la orientación de la selección de antídotos a partir de imágenes de serpientes y el diagnóstico de lesiones cutáneas.
En enero de 2021, la FDA de EE. UU. publicó un nuevo Plan de acción, titulado Plan de acción de software como dispositivo médico (SaMD) basado en inteligencia artificial (IA)/aprendizaje automático (ML). [142] Este plan establece los planes futuros de la FDA para la regulación de dispositivos médicos que incluirían inteligencia artificial en su software. Hay cinco acciones principales que la FDA planea tomar para aumentar la regulación: 1. Marco regulatorio personalizado para SaMD basado en Ai/M, 2. Buenas prácticas de aprendizaje automático (GMLP), 3. Enfoque centrado en el paciente que incorpora transparencia para los usuarios, 4 Métodos de ciencia regulatoria relacionados con el sesgo y la robustez de los algoritmos, y 5. Rendimiento en el mundo real (RWP). Este plan fue una respuesta directa a los comentarios de las partes interesadas sobre un documento de debate de 2019 también publicado por la FDA.
Según el Departamento de Salud y Servicios Humanos de EE. UU., la Oficina de Derechos Civiles (OCR) ha publicado una guía sobre el uso ético de la IA en la atención sanitaria. La guía describe cuatro principios éticos básicos que deben seguirse: respeto por la autonomía, beneficencia, no maleficencia y justicia. El respeto a la autonomía requiere que los individuos tengan control sobre sus propios datos y decisiones. La beneficencia requiere que la IA se utilice para hacer el bien, como mejorar la calidad de la atención y reducir las disparidades en salud. La no maleficencia requiere que la IA se utilice para no causar daño, como evitar la discriminación en las decisiones. Finalmente, la justicia requiere que la IA se use de manera justa, como por ejemplo usar los mismos estándares para las decisiones sin importar la raza, el género o el nivel de ingresos de una persona. Además, a partir de marzo de 2021, la OCR contrató a un Director de Inteligencia Artificial (OCAIO) para llevar a cabo la "implementación de la estrategia de IA del HHS". [143] La OCR también ha emitido reglas y regulaciones para proteger la privacidad de la información de salud de las personas. Estas regulaciones requieren que los proveedores de atención médica sigan ciertas reglas de privacidad al usar IA. La OCR también exige que los proveedores de atención médica mantengan un registro de cómo utilizan la IA y garanticen que sus sistemas de IA sean seguros. En general, EE. UU. ha tomado medidas para proteger la privacidad de las personas y las cuestiones éticas relacionadas con la IA en la atención sanitaria [144]
Estados Unidos no es el único país que desarrolla o inicia regulaciones de privacidad de datos con IA. Otros países han implementado regulaciones de protección de datos, más específicamente con invasiones de privacidad de las empresas. En Dinamarca, el Grupo Danés de Expertos en Ética de los Datos ha adoptado recomendaciones sobre "Datos en beneficio de las personas". Estas recomendaciones tienen como objetivo fomentar el uso responsable de los datos en el sector empresarial, con especial atención al procesamiento de datos. Las recomendaciones incluyen un enfoque en la igualdad y la no discriminación con respecto a los prejuicios en la IA, así como en la dignidad humana. Se destaca la importancia de la dignidad humana, ya que se dice que pesa más que los beneficios y debe ser respetada en todos los procesos de datos [145]
La Unión Europea ha implementado el Reglamento General de Protección de Datos (GDPR) para proteger los datos personales de los ciudadanos, que se aplica al uso de la IA en la atención sanitaria. Además, la Comisión Europea ha establecido directrices para garantizar el desarrollo ético de la IA, incluido el uso de algoritmos para garantizar la equidad y la transparencia. [146] Con GDPR, la Unión Europea fue la primera en regular la IA a través de la legislación de protección de datos. La Unión considera que la privacidad es un derecho humano fundamental y quiere evitar usos secundarios y no consentidos de datos por parte de centros de salud públicos o privados. Al simplificar el acceso a los datos personales para investigaciones y hallazgos de salud, pueden reafirmar el derecho y la importancia de la privacidad del paciente. [146] En los Estados Unidos, la Ley de Responsabilidad y Portabilidad del Seguro Médico (HIPAA) exige que las organizaciones protejan la privacidad y seguridad de la información del paciente. Los Centros de Servicios de Medicare y Medicaid también han publicado directrices para el desarrollo de aplicaciones médicas basadas en IA. [147]
Para entrenar eficazmente el aprendizaje automático y utilizar la IA en la atención sanitaria, se deben recopilar cantidades masivas de datos. Sin embargo, la adquisición de estos datos tiene un costo para la privacidad del paciente en la mayoría de los casos y no es bien recibido públicamente. Por ejemplo, una encuesta realizada en el Reino Unido estimó que el 63% de la población se siente incómoda compartiendo sus datos personales para mejorar la tecnología de inteligencia artificial. [139] La escasez de datos reales y accesibles de los pacientes es un obstáculo que impide el progreso en el desarrollo y la implementación de más inteligencia artificial en la atención médica.
Además, la falta de regulaciones actuales sobre la IA en los Estados Unidos ha generado preocupaciones sobre la mala gestión de los datos de los pacientes, por ejemplo, cuando las corporaciones utilizan los datos de los pacientes para obtener ganancias financieras. Por ejemplo, se descubrió que Roche , una empresa sanitaria suiza, había comprado datos sanitarios de aproximadamente 2 millones de pacientes con cáncer a un coste total estimado de 1.900 millones de dólares. [148] Naturalmente, esto genera cuestiones de preocupación ética; ¿Existe un precio monetario que pueda fijarse para los datos? ¿Debería depender de su valor percibido o de sus contribuciones a la ciencia? ¿Es justo que los pacientes vendan sus datos? Estas preocupaciones se abordaron en una encuesta realizada por el Pew Research Center en 2022 en la que se preguntó a los estadounidenses su opinión sobre la mayor presencia de la IA en su vida diaria, y la encuesta estimó que el 37% de los estadounidenses estaban más preocupados que entusiasmados por dicha mayor presencia. , y el 8% de los participantes asociaron específicamente su preocupación con "las personas que hacen un mal uso de la IA". [149] En última instancia, el potencial actual de la inteligencia artificial en la atención sanitaria se ve obstaculizado además por las preocupaciones sobre la mala gestión de los datos recopilados, especialmente en los Estados Unidos.
Una revisión sistemática y un análisis temático realizado en 2023 mostraron que la mayoría de las partes interesadas, incluidos los profesionales de la salud, los pacientes y el público en general, dudaban de que la atención con IA pudiera ser empática. [150]
Según un estudio de 2019, la IA puede sustituir hasta el 35% de los puestos de trabajo en el Reino Unido en los próximos 10 a 20 años. [151] Sin embargo, de estos trabajos, se concluyó que la IA no ha eliminado ningún trabajo de atención médica hasta el momento. Aunque si la IA automatizara los trabajos relacionados con la atención sanitaria, los trabajos más susceptibles a la automatización serían los que se ocupan de información digital, radiología y patología, a diferencia de los que se ocupan de la interacción médico-paciente. [151]
La automatización también puede proporcionar beneficios junto con los médicos. Se espera que los médicos que aprovechen la IA en la atención sanitaria proporcionen una atención sanitaria de mayor calidad que los médicos y establecimientos médicos que no lo hagan. [152] Es probable que la IA no reemplace completamente a los trabajadores de la salud, sino que les dé más tiempo para atender a sus pacientes. La IA puede evitar el agotamiento y la sobrecarga cognitiva de los trabajadores sanitarios.
Recientemente, ha habido muchas discusiones entre expertos en atención médica en términos de IA y cuidado de personas mayores. En relación con el cuidado de personas mayores, los robots de inteligencia artificial han sido útiles para guiar a los residentes mayores que viven en viviendas asistidas con entretenimiento y compañía. Estos robots permiten que el personal del hogar tenga más tiempo individualizado con cada residente, pero los robots también están programados con más capacidad en lo que pueden hacer; como conocer diferentes idiomas y diferentes tipos de atención dependiendo de las condiciones del paciente. El robot es una máquina de IA, lo que significa que pasa por el mismo entrenamiento que cualquier otra máquina: utiliza algoritmos para analizar los datos proporcionados, aprender de ellos y predecir el resultado en relación con la situación actual [153]
Dado que la IA toma decisiones basándose únicamente en los datos que recibe como entrada, es importante que estos datos representen datos demográficos precisos de los pacientes. En un entorno hospitalario, los pacientes no tienen pleno conocimiento de cómo se crean o calibran los algoritmos predictivos. Por lo tanto, estos establecimientos médicos pueden codificar injustamente sus algoritmos para discriminar a las minorías y priorizar las ganancias en lugar de brindar una atención óptima. [154] Una revisión de alcance reciente identificó 18 desafíos de equidad junto con 15 estrategias que se pueden implementar para ayudar a abordarlos cuando las aplicaciones de IA se desarrollan utilizando mapeo de muchos a muchos . [155]
También puede haber sesgos involuntarios en estos algoritmos que pueden exacerbar las desigualdades sociales y sanitarias. [154] Dado que las decisiones de AI son un reflejo directo de sus datos de entrada, los datos que recibe deben tener una representación precisa de la demografía del paciente. Los hombres blancos están excesivamente representados en los conjuntos de datos médicos. [156] Por lo tanto, tener datos mínimos de pacientes sobre minorías puede llevar a que la IA haga predicciones más precisas para las poblaciones mayoritarias, lo que lleva a peores resultados médicos no deseados para las poblaciones minoritarias. [157] La recopilación de datos de comunidades minoritarias también puede dar lugar a discriminación médica. Por ejemplo, el VIH es un virus prevalente entre las comunidades minoritarias y el estado serológico respecto del VIH puede utilizarse para discriminar a los pacientes. [156] Además de los sesgos que pueden surgir de la selección de muestras, los diferentes sistemas clínicos utilizados para recopilar datos también pueden afectar la funcionalidad de la IA. Por ejemplo, los sistemas radiográficos y sus resultados (p. ej., resolución) varían según el proveedor. Además, las prácticas laborales de los médicos, como la posición del paciente para la radiografía, también pueden influir en gran medida en los datos y dificultar la comparabilidad. [158] Sin embargo, estos sesgos pueden eliminarse mediante una implementación cuidadosa y una recopilación metódica de datos representativos.
Una última fuente de sesgo, que se ha denominado "sesgo de elección de etiquetas", surge cuando se utilizan medidas indirectas para entrenar algoritmos, que generan sesgos contra ciertos grupos. Por ejemplo, un algoritmo ampliamente utilizado predijo los costos de la atención médica como indicador de las necesidades de atención médica y utilizó predicciones para asignar recursos para ayudar a los pacientes con necesidades de salud complejas. Esto introdujo un sesgo porque los pacientes negros tienen costos más bajos, incluso cuando están tan enfermos como los pacientes blancos. [159] Las soluciones al "sesgo de elección de etiquetas" tienen como objetivo hacer coincidir más el objetivo real (lo que predice el algoritmo) con el objetivo ideal (lo que los investigadores quieren que prediga el algoritmo), por lo que, en el ejemplo anterior, en lugar de predecir el costo , los investigadores se centrarían en la variable de las necesidades sanitarias, que es bastante más significativa. El ajuste del objetivo llevó a que casi se duplicara el número de pacientes negros seleccionados para el programa.