Merativo

El proyecto Hanover de Microsoft , en colaboración con el Instituto Oncológico Knight de la Universidad de Salud y Ciencias de Oregón , analiza la investigación médica para predecir las opciones de tratamiento farmacológico más eficaces contra el cáncer para los pacientes. ^{[ 37 ]} Otros proyectos incluyen el análisis de imágenes médicas de la progresión tumoral y el desarrollo de células programables . ^{[ 38 ]}

La plataforma DeepMind de Google está siendo utilizada por el Servicio Nacional de Salud (NHS) del Reino Unido para detectar ciertos riesgos para la salud a través de datos recopilados mediante una aplicación móvil. ^{[ 39 ]} Un segundo proyecto con el NHS implica el análisis de imágenes médicas recopiladas de pacientes del NHS para desarrollar algoritmos de visión artificial que detecten tejidos cancerosos. ^{[ 40 ]}

El brazo de capital de riesgo de Intel ( Intel Capital ) invirtió recientemente en la startup Lumiata, que utiliza IA para identificar pacientes en riesgo y desarrollar opciones de atención. ^{[ 41 ]}

La inteligencia artificial en el sector sanitario consiste en el uso de algoritmos y software complejos para emular la cognición humana en el análisis de datos médicos complejos. En concreto, la IA es la capacidad de los algoritmos informáticos para aproximar conclusiones sin intervención humana directa.

Lo que distingue a la tecnología de IA de las tecnologías tradicionales en la atención médica es la capacidad de obtener información, procesarla y brindar un resultado bien definido al usuario final. La IA logra esto mediante algoritmos de aprendizaje automático . Estos algoritmos pueden reconocer patrones de comportamiento y crear su propia lógica. Para reducir el margen de error, los algoritmos de IA deben probarse repetidamente. Los algoritmos de IA se comportan de manera diferente a los humanos en dos aspectos: (1) los algoritmos son literales: si se establece un objetivo, el algoritmo no puede ajustarse y solo comprende lo que se le ha indicado explícitamente, (2) y los algoritmos son cajas negras ; los algoritmos pueden predecir con extrema precisión, pero no la causa ni el porqué. ^{[ 42 ]}

El objetivo principal de las aplicaciones de IA relacionadas con la salud es analizar las relaciones entre las técnicas de prevención o tratamiento y los resultados de los pacientes. ^{[ 43 ]} Se han desarrollado programas de IA y se han aplicado a prácticas como los procesos de diagnóstico , el desarrollo de protocolos de tratamiento , el desarrollo de fármacos , la medicina personalizada y el seguimiento y la atención de los pacientes. Instituciones médicas como la Clínica Mayo , el Centro Oncológico Memorial Sloan Kettering , ^{[ 44 ] [ 45 ]} y el Servicio Nacional de Salud , ^{[ 46 ]} han desarrollado algoritmos de IA para sus departamentos. Grandes empresas tecnológicas como IBM ^{[ 47 ]} y Google , ^{[ 46 ]} y startups como Welltok y Ayasdi, ^{[ 48 ]} también han desarrollado algoritmos de IA para la atención médica. Además, los hospitales están buscando soluciones de IA para respaldar iniciativas operativas que aumenten el ahorro de costos, mejoren la satisfacción del paciente y satisfagan sus necesidades de personal y fuerza laboral. ^{[ 49 ]} Las empresas están desarrollando soluciones de análisis predictivo que ayudan a los gerentes de atención médica a mejorar las operaciones comerciales a través del aumento de la utilización, la disminución de la espera de pacientes, la reducción de la duración de la estadía y la optimización de los niveles de personal. ^{[ 50 ]}

Los siguientes campos médicos son de interés para la investigación en inteligencia artificial:

La capacidad de interpretar los resultados de imágenes con radiología puede ayudar a los médicos a detectar un cambio mínimo en una imagen que podrían pasar desapercibidos. Un estudio en Stanford creó un algoritmo que podía detectar neumonía en ese sitio específico, en los pacientes involucrados, con una mejor métrica F1 promedio (una métrica estadística basada en precisión y sensibilidad) que los radiólogos que participaron en ese ensayo. ^{[ 51 ]} La conferencia de radiología de la Sociedad Radiológica de Norteamérica ha incorporado presentaciones sobre IA en imágenes durante su reunión anual. La aparición de la tecnología de IA en radiología es percibida como una amenaza por algunos especialistas, ya que la tecnología puede lograr mejoras en ciertas métricas estadísticas en casos aislados, a diferencia de los especialistas. ^{[ 52 ] [ 53 ]}

Los avances recientes han sugerido el uso de IA para describir y evaluar el resultado de la cirugía maxilofacial o la evaluación de la terapia de paladar hendido en relación con el atractivo facial o la apariencia de edad. ^{[ 54 ] [ 55 ]}

En 2018, un artículo publicado en la revista Annals of Oncology mencionó que el cáncer de piel podía detectarse con mayor precisión mediante un sistema de inteligencia artificial (que utilizaba una red neuronal convolucional de aprendizaje profundo ) que por dermatólogos . En promedio, los dermatólogos detectaron correctamente el 86,6 % de los cánceres de piel a partir de las imágenes, en comparación con el 95 % de la máquina CNN. ^{[ 56 ]}

Existen numerosas enfermedades, pero también muchas maneras en que la IA se ha utilizado para diagnosticarlas de forma eficiente y precisa. Algunas de las enfermedades más conocidas son la diabetes y las enfermedades cardiovasculares (ECV), que se encuentran entre las diez principales causas de muerte a nivel mundial y han sido la base de  gran parte de la investigación y las pruebas para lograr un diagnóstico preciso. Debido a la alta tasa de mortalidad asociada a estas enfermedades, se han realizado esfuerzos para integrar diversos métodos que contribuyan a un diagnóstico preciso.

Un artículo de Jiang et al. (2017) ^{[ 57 ]} demostró que existen múltiples tipos de técnicas de IA que se han utilizado para diversas enfermedades. Algunas de estas técnicas, analizadas por Jiang et al., incluyen: máquinas de vectores de soporte , redes neuronales , árboles de decisión y muchas más. Cada una de estas técnicas se describe con un "objetivo de entrenamiento" para que "las clasificaciones coincidan con los resultados en la mayor medida posible...". ^{[ 57 ]}

Para demostrar algunos detalles específicos para el diagnóstico/clasificación de enfermedades, existen dos técnicas diferentes utilizadas en la clasificación de estas enfermedades que incluyen el uso de " Redes Neuronales Artificiales (RNA) y Redes Bayesianas (RB)". ^{[ 58 ]} A partir de una revisión de múltiples artículos diferentes dentro del período de tiempo 2008–2017, ^{[ 58 ]} se observó dentro de ellos cuál de las dos técnicas era mejor.  La conclusión que se extrajo fue que "la clasificación temprana de estas  enfermedades se puede lograr desarrollando modelos de aprendizaje automático como Redes Neuronales Artificiales y Redes Bayesianas".  En otra conclusión, Alic, et al. (2017) ^{[ 58 ]} pudieron extraer fue que entre los dos; RNA y RB es que RNA era mejor y podía clasificar más precisamente la diabetes/ECV con una precisión media en "ambos casos (87,29 para diabetes y 89,38 para ECV).

El auge de la telemedicina ha demostrado el surgimiento de posibles aplicaciones de IA. ^{[ 59 ]} La capacidad de monitorizar a los pacientes mediante IA puede permitir la comunicación de información a los médicos si se ha producido una posible actividad de la enfermedad. ^{[ 60 ]} Un dispositivo portátil puede permitir la monitorización constante de un paciente y también la capacidad de detectar cambios que pueden ser menos perceptibles para los humanos.

Los registros electrónicos de salud son cruciales para la digitalización y la difusión de información en el sector sanitario. Sin embargo, el registro de todos estos datos conlleva sus propios problemas, como la sobrecarga cognitiva y el agotamiento de los usuarios. Los desarrolladores de registros electrónicos de salud están automatizando gran parte del proceso e incluso están empezando a utilizar herramientas de procesamiento del lenguaje natural (PLN) para mejorarlo. Un estudio realizado por el instituto de investigación Centerstone descubrió que el modelado predictivo de datos de registros electrónicos de salud ha alcanzado una precisión del 70-72% en la predicción de la respuesta al tratamiento individualizado al inicio. ^{[ 61 ]} Esto significa que el uso de una herramienta de IA que analiza los datos de los registros electrónicos de salud podría predecir con bastante precisión la causa de la enfermedad en una persona.

Las mejoras en el procesamiento del lenguaje natural llevaron al desarrollo de algoritmos para identificar interacciones farmacológicas en la literatura médica. ^{[ 62 ] [ 63 ] [ 64 ] [ 65 ]} Las interacciones farmacológicas representan una amenaza para quienes toman varios medicamentos simultáneamente, y el peligro aumenta con la cantidad de medicamentos que se toman. ^{[ 66 ]} Para abordar la dificultad de rastrear todas las interacciones farmacológicas conocidas o sospechadas, se han creado algoritmos de aprendizaje automático para extraer información sobre los medicamentos 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 farmacológicas para formar una prueba estandarizada para dichos algoritmos. ^{[ 67 ]} Se evaluó la capacidad de los competidores para determinar con precisión, a partir del texto, qué medicamentos mostraron interactuar y cuáles eran las características de sus interacciones. ^{[ 68 ]} Los investigadores continúan utilizando este corpus para estandarizar la medida de la efectividad de sus algoritmos. ^{[ 62 ] [ 63 ] [ 65 ]}

Otros algoritmos identifican interacciones farmacológicas a partir de patrones en el contenido generado por el usuario, especialmente en los registros médicos electrónicos y/o los informes de eventos adversos. ^{[ 63 ] [ 64 ]} Organizaciones como el Sistema de Notificación de Eventos Adversos de la FDA (FAERS) y VigiBase de la Organización Mundial de la Salud (OMS) 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 farmacológicas. ^{[ 69 ]}