Inteligencia artificial y machine learning para medicina
La IA ha ampliado las posibilidades de acción en el campo de la medicina
La Inteligencia Artificial, tan en boga por estos días, introdujo importantes cambios en los modos de producción de la industria del entretenimiento, propició la explosiva aparición del Chat GPT, una herramienta gratuita que responde a las solicitudes de texto con una forma conversacional similar a la humana y también ha ampliado las posibilidades de acción en el campo de la medicina.
Complicadas tareas administrativas, gestión de la documentación clínica, análisis de imágenes, monitorización y seguimiento de pacientes… El espectro sobre el que puede operar la inteligencia artificial es muy diverso.
El desarrollo de IA, machine learning y deep learning permite entrenar algoritmos muy precisos para diagnósticos y tratamientos
Un ejemplo concreto de los beneficios de estos adelantos puede observarse tomando como caso testigo al programa del Sistema Nacional de salud español destinado a prevenir el cáncer de mama. Desde los años 90, las mujeres de entre 50 y 69 años que viven en España pueden hacerse una radiografía para detectar zonas potencialmente cancerígenas. Si se observa algo sospechoso, a esa prueba le siguen otras muchas veces muy molestas y costosas. Sumando algoritmos predictivos a las mamografías, las zonas de riesgo de los senos de la paciente se podrían acotar mucho y la fiabilidad de los diagnósticos podría subir hasta el 90%.
El desarrollo de tecnologías de inteligencia artificial, machine learning (aprendizaje automático) y deep learning (aprendizaje profundo), basado en el análisis de grandes volúmenes de datos (“Big Data 3”), está permitiendo entrenar algoritmos que sirven para detectar con mayor anticipación y precisión diversas patologías, establecer diagnósticos y sugerir tratamientos.
¿Qué es el machine learning exactamente? Las máquinas -ya sean complejos artefactos para uso médico o pequeños dispositivos móviles- “aprenden” de los datos que se les suministran o de los que recolectan mediante sensores propios y producen algoritmos que pueden establecer predicciones e inferencias e incluso tomar decisiones.
En el deep learning, el proceso de aprendizaje automático es un poco más complejo, pero siempre los algoritmos están inspirados en la estructura y las funciones del cerebro, por eso se habla de redes neuronales artificiales (rna).
Las rna están conformadas por múltiples capas de nodos ocultos que transmiten la información entre los nodos de entrada y de salida de la red. Son las “capas de aprendizaje”. Cuanto mayor sea su número, más profundidad y capacidad de aprendizaje tendrá la red.
La protección de la privacidad es uno de los grandes retos en la actualidad
En 2020, la Organización Mundial de la Salud (OMS) publicó un documento en el que se aseguraba que “en el mundo existen cerca de 138 millones de pacientes que resultan perjudicados cada año por errores médicos, de los cuales 2,6 millones fallecen”. El desarrollo de sistemas informáticos en el ámbito de la salud puede servir para subsanar esos graves problemas.
En el plano administrativo la inteligencia artificial también jugará un rol cada vez más central. Pero los datos que se necesitan para identificar a una persona concreta (nombre y apellido, fecha de nacimiento, domicilio, información de contacto y tipo de cobertura médica, entre otros) son sensibles. Ni hablar de aquellos relacionados con el estado de salud de las personas (diagnósticos, enfermedades o tratamientos, datos biométricos y genéticos). Es primordial asegurarles a las personas un trato responsable de esos datos y la creación de legislación que propicie ese objetivo.
“Efectivamente, la IA utiliza grandes cantidades de datos personales y sensibles para realizar análisis y toma de decisiones, por lo que la protección de la privacidad es uno de los grandes retos en la actualidad -sostiene Sandy Hidalgo, Project Manager de TRC-. Muchos de esos datos son información muy delicada -historiales médicos, antecedentes penales, información financiera-, por ello se requiere la implantación de técnicas de anonimización, de la encriptación y del control del acceso para proteger la identidad de las personas involucradas ante el riesgo de accesos no autorizados, robos y filtraciones. La responsabilidad en torno a los datos -y al sitio donde son alojados- le corresponde a un equipo que debe trabajar de manera ética, responsable y conforme a las leyes y regulaciones aplicables. Los algoritmos y modelos de aprendizaje utilizados tienen que ser transparentes, imparciales, libres de sesgos y discriminaciones indebidas”.
Sandy Hidalgo
Project Manager en TRC LK