Inteligencia artificial en el campo de la salud
En concreto, la Inteligencia Artificial es la habilidad que dota a algoritmos computacionales de la capacidad para aproximar conclusiones sin la intervención directa del razonamiento humano.
Para reducir el margen de error, los algoritmos basados en Inteligencia Artificial necesitan someterse a continuas evaluaciones.
[1] Los algoritmos basados en Inteligencia Artificial se comportan de manera diferente a los seres humanos en cuanto a los dos siguientes factores: (1) los algoritmos son literales: cuando se establece un objetivo, el algoritmo no puede auto ajustarse y solamente comprenderá aquello que se le ha ordenado de forma explícita, (2) y los algoritmos son cajas negras; pueden predecir de forma extremadamente precisa, pero no explicar el por qué de su predicción.
Instituciones clínicas como The Mayo Clinic, Memorial Sloan Kettering Cancer Center, Massachusetts General Hospital y el National Health Service, han creado algoritmos basados en inteligencia Artificial para sus departamentos.
[2] Investigaciones en las décadas de 1960 y 1970 tuvieron como resultado la creación del primer sistema experto, conocido como Dendral.
No obstante, la especialidad que más atención ha cobrado es el campo de la Radiología.
Algunas de las investigaciones y aplicaciones que se han llevado a cabo en España son: La habilidad para interpretar resultados en imágenes puede proporcionar ayuda a los clínicos en la detección de cambios en imágenes, o detalles que los clínicos han podido pasar por alto.
[34] Intel Capital ha invertido recientemente en la startup Lumiata, que utiliza la inteligencia artificial para identificar pacientes en riesgo y crear tratamientos.
[40] Existen diversos métodos que han sido propuestos para generar confianza en los modelos ML.
Esto pueden ser inherentes al propio modelo (denominados como modelos interpretables) como los Generalized Additive Models (GAMs),[41] un conjunto de reglas "if-then" ordenadas basadas en probabilidades estimadas[42] o los basados en ganancia de información (entropía) como puede ser en Random Forest;[43] o pueden ser genéricos aplicables a cualquier método ML como Local Interpretable Model-agnostic Explanations LIME[44] y Shapley Additive exPlanations SHAP.
