Perlas de la IA en medicina: Machine learning

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

Tipo: ARTICULO

Areas terapeuticas

  • Analgesía

Contenido

La inteligencia artificial (IA) y, en particular, el Machine Learning (ML), están redefiniendo el panorama de la medicina, ofreciendo herramientas poderosas para mejorar la precisión diagnóstica, la eficiencia del tratamiento y la calidad general de la atención al paciente.1-3 Comprender estos conceptos es crucial para aprovechar su potencial transformador.

¿Qué es el Machine Learning?

La inteligencia artificial (IA) se enmarca en el ámbito de la ciencia de datos e incluye la programación clásica y el Machine learning (ML). El ML abarca numerosos modelos y métodos, como el aprendizaje profundo y las redes neuronales artificiales.2

El Machine Learning o aprendizaje automático es una rama de la inteligencia artificial que dota a las máquinas de la capacidad de aprender automáticamente de los datos sin ser programadas explícitamente.3, 4 En vez de seguir reglas fijas, usan métodos estadísticos para crear modelos que aprenden patrones a partir de ejemplos en los datos de entrenamiento. Cuanto más relevantes/ estructurados son los datos, más precisa es la predicción del modelo.3

 

En el desarrollo de algoritmos de IA, los datos suelen dividirse en dos grupos: un conjunto de entrenamiento y un conjunto de prueba. El conjunto de entrenamiento se utiliza para enseñar al algoritmo, y el conjunto de prueba, que es nuevo para el algoritmo, se utiliza para evaluar sus capacidades y eliminar sesgos.1

Ventajas y Aplicaciones Clínicas del Machine Learning

Los enfoques y aplicaciones basados en la inteligencia artificial y el aprendizaje automático son vitales para el progreso de este campo, incluyendo una mayor velocidad, precisión y simplicidad en el diagnóstico.1 A continuación, algunos ejemplos de sus aplicaciones clínicas exitosas:

Predicción de condiciones clínicas:

Modelos de aprendizaje profundo pueden predecir el inicio de enfermedades como insuficiencia cardíaca, insuficiencia renal y accidentes cerebrovasculares, utilizando tanto datos estructurados como notas clínicas no estructuradas. Un modelo logró predecir la mortalidad por íleon paralítico de pacientes en cuidados intensivos al utilizar datos de la historia clínica electrónica con una tasa de precisión del 81.3%.1

Mejora la detección y diagnóstico por imagen:

Ayuda a identificar más fácilmente tumores, lesiones, fracturas y desgarros en diversas modalidades de imagen (CT, MRI, Rayos X, PET, Ultrasonido). Se ha demostrado una precisión del 81% en la identificación de irregularidades en radiografías de tórax en diversas patologías, superando en un 2% a la de los radiólogos.1

Diagnóstico temprano:

Algoritmos de deep learning superan a radiólogos experimentados en la detección temprana de tumores en mamografías (superando en un 11.5% la puntuación), mientras que la clasificación de lesiones cancerígenas de ha sido lograda por modelos de aprendizaje no supervisado, con un rendimiento "a la par" con especialistas certificados.1

En el campo de la oftalmología, los modelos pueden detectar aneurismas que causan pérdida de visión, incluso micro aneurismas pequeños y de bajo contraste, permitiendo una predicción temprana para prevenir daños irreversibles en la retinopatía diabética.1

Enfermedades neurodegenerativas y trastornos mentales

Se implementan para predecir y diagnosticar la progresión de enfermedades como Alzheimer (con un 91.76% de precisión en imágenes de MRI estructural) y Parkinson, así como trastornos mentales graves como psicosis, depresión (87.27% de precisión en el diagnóstico), TEPT (PTSD) y trastornos del desarrollo como el autismo y el TDAH.1

Posibles retos

Aunque estas tecnologías son prometedoras, también incluyen riesgos y retos únicos para la práctica clínica. Para ser efectiva, el ML necesita cantidades copiosas de información, por lo que la privacidad de los datos de los pacientes se vuelve un tema esencial. Además, es crucial que los médicos mantengan su agudeza clínica y comprendan las limitaciones y riesgos de estas tecnologías para asegurar la seguridad del paciente.4

 

Conclusión

El Machine Learning representa un avance crucial para el campo de la salud. Si bien existen desafíos como la privacidad de los datos, preocupaciones éticas y la necesidad de una validación rigurosa, el ML se perfila como un aliado invaluable para el médico, potenciando su capacidad para proporcionar una atención más efectiva, rápida y precisa a los pacientes.1 La colaboración entre profesionales de la salud y científicos de datos es esencial para integrar con éxito estas tecnologías, garantizando un uso ético y responsable en beneficio de nuestros pacientes.3

 

 

Referencias

  1. Habehh H, Gohel S. Machine learning in healthcare. Current genomics. 2021;22(4):291-300.
  2. Choi RY, Coyner AS, Kalpathy-Cramer J, et al. Introduction to machine learning, neural networks, and deep learning. Translational vision science & technology. 2020;9(2):14-.
  3. An Q, Rahman S, Zhou J, et al. A comprehensive review on machine learning in healthcare industry: classification, restrictions, opportunities and challenges. Sensors. 2023;23(9):4178.
  4. Sim JZ, Fong QW, Huang W, et al. Machine learning in medicine: what clinicians should know. Singapore medical journal. 2023;64(2):91-7.