Perlas de la IA en medicina: IA generativa

URL canonica: https://calculadoras.nmn.mx/articulo/perlas-ia-medicina-ia-generativa

Tipo: ARTICULO

Areas terapeuticas

  • Analgesía

Contenido

La inteligencia artificial (IA) se refiere a algoritmos computacionales que imitan aspectos de la inteligencia humana, como el reconocimiento de imágenes, el procesamiento del lenguaje y la toma de decisiones. Dentro de la IA, el aprendizaje automático (ML) es un subconjunto de algoritmos que “aprenden” patrones de los datos, y el aprendizaje profundo (DL) es un subconjunto más especializado de ML que utiliza redes neuronales con muchas capas para realizar tareas complejas.1

La IA generativa se distingue de la IA discriminativa porque no solo clasifica o predice a partir de datos existentes, sino que crea datos sintéticos novedosos que se asemejan mucho a los datos reales. Esta capacidad única permite producir textos similares a los humanos, imágenes realistas y audio sintético.1

Modelos clave de IA generativa

Hoy en día, el campo de la IA Generativa está dominado por tres familias principales de modelos:

Modelos de difusión: principalmente enfocados en la creación de datos visuales, como imágenes o secuencias de video realistas.1 Su ejemplo principal son los ideas de alta fidelidad e DALL-E2 o la generación de estructuras moleculares.2

Modelos de Lenguaje Grandes (LLMs): modelos especializados en la comprensión y generación de texto similar al humano, como ChatGPT, Gemini y Claude. Se entrenan con vastos conjuntos de datos de texto y predicen la siguiente palabra (o “token”) en una secuencia.1

Modelos Multimodales Grandes (LMMs): Son una extensión de los LLMs, diseñados para interpretar diversos tipos de datos de entrada como imágenes, texto y audio, aunque su salida suele ser textual. Permiten un análisis y resumen más integrado de información compleja.1

Aplicaciones de la IA generativa en salud

La IA generativa tiene el potencial de transformar la atención médica al mejorar el diagnóstico, reducir costos y tiempos, y optimizar los resultados para el paciente. Sus aplicaciones son diversas: 2

Generación y aumento de datos sintéticos: se pueden crear datos de pacientes realistas y anónimos para fines de investigación y capacitación, al tiempo que se habilita una amplia gama de aplicaciones versátiles. Puede resumir los datos de la historia clínica electrónica que pudiera ayudar con las preocupaciones de privaciada.2

Documentación clínica y administración: los LLMs pueden automatizar la generación de notas clínicas, resúmenes de alta, e informes de radiología, aliviando la carga administrativa de los médicos. También pueden reducir errores médicos al identificar discrepancias o lagunas en los historiales clínicos.2

Diagnóstico médico y apoyo en la toma de decisiones: los modelos generativos pueden ser entrenados con vastos conjuntos de datos médicos para identificar patrones relacionados con enfermedades. Pueden procesar datos del historial del paciente para extraer e interpretar información médica compleja, correlacionando datos de diferentes fuentes para una visión holística del paciente.2

También pueden generar reportes automáticos de radiología, haciendo énfasis en las anormalidades y posibles interpretaciones clínicas relevantes.1

 
 
Medicina personalizada: analiza la composición genética, estilo de vida e historial médico del paciente para predecir la respuesta a diferentes tratamientos, permitiendo planes de tratamiento adaptados.
 
 

Educación y capacitación médica: crea casos de pacientes virtuales diversos para estudiantes, simulando conversaciones entre profesionales y pacientes. De esta manera los estudiantes pueden practicar la realización de diagnósticos y proponer planes de tratamiento sin poner en riesgo a los pacientes.2

Desafíos y limitaciones actuales

A pesar de los logros de la IA generativa, es crucial reconocer las limitaciones que impactan en su integración en el cuidado de la salud. Estas incluyen las limitaciones impuestas por los datos de entrenamiento estáticos que generan lagunas de conocimiento, los riesgos de resultados alucinantes y sesgos inherentes, problemas con la interpretabilidad del modelo y preocupaciones regulatorias y éticas en constante evolución.1

Conclusión

La IA generativa tiene un potencial inmenso para transformar la atención médica, pero su éxito dependerá de su implementación responsable y estratégica, abordando sus limitaciones y asegurando que los beneficios superen los riesgos para los pacientes.1, 2

 

 

Referencias

  1. Rouzrokh P, Khosravi B, Faghani S, et al. A Current Review of Generative AI in Medicine: Core Concepts, Applications, and Current Limitations. Current Reviews in Musculoskeletal Medicine. 2025:1-21.
  2. Reddy S. Generative AI in healthcare: an implementation science informed translational path on application, integration and governance. Implementation Science. 2024 ;19(1):27.