Inteligencia artificial (IA): ¡Una gran revolución, pero no una panacea!
En los últimos años se ha despertado una gran expectativa por el impacto que tendrá la IA en diversos oficios e industrias. El acceso libre a tecnologías como ChatGPT ha expuesto al público general a una nueva herramienta muy efectiva y eficiente. En consecuencia, como con todos los grandes avances tecnológicos, se ha construido visiones o predicciones, algunas veces utópicas y otras veces apocalípticas.
Históricamente, todos los sistemas de salud han luchado con gran dificultad por proveer servicios de la máxima calidad a la mayor población posible, cayendo siempre lejos de la meta. Siendo la IA una herramienta que permite el análisis de grandes cantidades de datos con una rapidez sin precedentes, es válida la pregunta: ¿Es IA lo que nos hacía falta para mejorar la eficiencia de los servicios de la salud, la experiencia del paciente, prevenir enfermedades y asegurar el diagnóstico oportuno?
La respuesta es “no”. La IA, y dentro de ella el aprendizaje automático (machine learning), el aprendizaje profundo (deep learning), y la IA generativa (generative AI), son una caja de herramientas muy valiosa que ofrecen soluciones a múltiples problemas y abre una cantidad de nuevas aproximaciones, que percibimos como casi infinitas, para avanzar la medicina y mejorar los servicios de salud. No obstante, la IA es una herramienta y, como toda herramienta, depende fuertemente del usuario y del problema a resolver.
Un concepto básico a tener en consideración sobre la IA es que su funcionamiento optimo depende de la cantidad y calidad de los datos a los que tiene acceso. Por ejemplo, el aprendizaje de maquina o “machine learning”, implica el uso de múltiples herramientas para el procesamiento de gran cantidad de datos que permitirá el desarrollo de modelos de predicción. Por ejemplo, el uso de datos demográficos, clínicos y de laboratorio, para predecir si el paciente tiene una enfermedad, desarrollará una complicación, o responderá favorablemente al tratamiento. Esta tarea cae dentro del area de aprendizaje supervisado.
Pero, también hay otras herramientas que se emplean para funciones de identificación de nuevos patrones en los datos. La capacidad humana para procesar e interpretar datos tiene limitaciones biológicas, no obstante, las estrategias informáticas están diseñadas para procesar cantidades grandes de datos, con un detalle inconcebible para la mente humana. Por ello, la IA logra reconocer patrones que pasan desapercibidos al ojo humano. Esto cae dentro del área de aprendizaje no supervisado. En medicina, esta aproximación puede emplearse para descubrir poblaciones con perfiles únicos que permitan avanzar la medicina de precisión con intervenciones especificas a dichos perfiles.
Otra herramienta de la IA es conocida como el aprendizaje profundo o “deep learning”. Las aplicaciones más conocidas en el campo de salud tienen que ver con el análisis de imágenes. El aprendizaje profundo aplica una estrategia denominada redes neuronales convolucionales, para identificar patrones dentro de una imagen y luego realizar predicciones. Un ejemplo, es el uso de esta herramienta para identificar pacientes con COVID utilizando radiografías de tórax o imágenes de tomografía para identificar cáncer.
Una de las principales críticas a estas soluciones es que suele ser una caja negra pues no se puede conocer al detalle cómo la red convolucional llega a la predicción propuesta, aunque ya existen algunas herramientas para transparentar el proceso de decisión que siguen las redes convolucionales. Una forma especial de las redes convolucionales puede también utilizarse para extraer características numéricas específicas de las imágenes. Por ejemplo, se extraen características de la circulación del fondo del ojo, tales como densidad de arterias, tortuosidad de las arterias, etc. Estas características que son esencialmente variables numéricas son empleadas para entrenar modelos de aprendizaje automático y detectar, por ejemplo, retinopatía diabética.
Todas estas herramientas de IA pueden ser utilizadas para mejorar los servicios de salud. Por ejemplo, para optimizar los servicios de tamizaje en las emergencias o el flujo de camas de hospitalización. También pueden ser aplicadas para mejorar la experiencia del paciente, como ayudándole a encontrar al mejor especialista para su caso o para reservar citas más fácilmente. De igual manera, la IA puede mejorar los servicios de prevención y tamizaje de enfermedades aprovechando los grandes volúmenes de datos disponibles en los hospitales, clínicas y consultorios privados.
A pesar de todo el potencial que ya ha demostrado la IA para mejorar la salud de las personas, y todos los avances que se desarrollan día a día, la IA no deja de ser un conjunto de herramientas y como tal, tiene usos específicos, así como fortalezas y limitaciones. En otras palabras, no siempre será la solución absoluta para resolver los problemas de salud que tengamos con nuestros pacientes o de las mejoras que queramos implementar en nuestro establecimiento de salud. A veces, y dependiendo del problema, otras herramientas de la ciencia de datos y la estadística clásica pueden ser resultar aproximaciones más efectivas.
La IA es una herramienta que rápidamente se vuelve más y más sofisticada. Probablemente, sea el punto de partida de una revolución social equivalente a la revolución industrial del siglo XVIII. Por ello, es indispensable familiarizarnos con ella, entender su real utilidad y qué técnicas son valiosas para cada posible escenario. Con este fin, el IMT lanzará el curso “Exploración de la Inteligencia Artificial en Salud (sin código)”. Un programa dirigido a estudiantes y profesionales de ciencias de la salud, sin experiencia analizando datos o en programación, para que dominen los conceptos y puedan saber qué aplicaciones de la IA son las mejores para resolver sus problemas.