Inteligencia artificial, ¿transformación de la reumatología? - Parte I

Por: Estefanía Fajardo, Dr César Graf 

INTRODUCCIÓN

La inteligencia artificial (IA) es un término acuñado en 1955 por John McCarthy, profesor emérito de la Universidad de Stanford. Este concepto fue definido por él como “la ciencia y la ingeniería para fabricar máquinas inteligentes” (1). 

Es la parte de la informática que estudia la simulación de la inteligencia humana.

Para ello utiliza un conjunto de hardware y software con un formato de redes neuronales inspirados en el cerebro humano, que conforman algoritmos matemáticos tomados de datos verbales, escritos o numéricos, para almacenarlos, analizarlos, procesarlos y compararlos dando una respuesta rápida, automática e inteligente que le permiten resolver problemas complejos con un alto nivel de exactitud y evidencia. 

Dicho de otro modo, la inteligencia artificial es aquella que permite que las máquinas tengan comportamientos racionales, propios de los seres humanos, maximizando sus posibilidades de éxito. 

De esta forma, la inteligencia artificial no solo emula la inteligencia humana, sino que incluso, la superaría, al realizar tareas y funciones que, de ninguna manera, podría desempeñar un humano, tales como almacenar miles de datos (Big Data), analizarlos (Data Analytics), aprender de sí misma (Machine Learning) e identificar patrones de conducta y tendencias en segundos, formulando predicciones automáticas.

Los primeros estudios sobre este concepto se remontan a 1950, cuando Alan Turing publicó un artículo titulado “Máquinas de computación e inteligencia”. Turing (1912-1954), matemático británico, es considerado el padre de la inteligencia artificial. Fue famoso por descifrar el código nazi en la Segunda Guerra Mundial y pionero en diferentes ramas del conocimiento, cuya contribución es imprescindible en el desarrollo de las tecnologías actuales. 

Otro pionero del campo es Marvin Minsky, quien tenía el sueño de dotar las máquinas con inteligencia humana de manera que pudieran aprender, resolver problemas y ofrecer soluciones sin nuestra intervención. Creó, en 1951, la primera red neuronal artificial capaz de aprender, llamada SNARC (Spatial Numerical Associations of Response Codes), lo que conocemos hoy como Machine Learning.

En 1956, se celebró la primera Conferencia de Dartmouth sobre inteligencia artificial y allí se reunieron los científicos que marcaron un hito en la historia del nacimiento de la especialidad. En esa conferencia, cuatro fueron los nombres que le pusieron significado y aplicación: John McCarthy, Marvin Minsky, Nat Rochester y Claude Shannon. Ellos fueron los que bautizaron este nuevo campo de estudio, y por ello son considerados los padres de la Inteligencia Artificial.

Podríamos decir que muchas investigaciones han hecho que se programen las máquinas para que se comporten de manera similar a la inteligencia humana, de manera que, mediante algoritmos aplicados, esta pueda aprender, resolver problemas y ofrecer soluciones de manera rápida, automática y segura sin nuestra intervención.

Por ejemplo, en la era anterior a las potentes computadoras y los grandes volúmenes de datos, dichos sistemas fueron programados por humanos y seguían las reglas de la invención humana, pero los avances en la tecnología han llevado al desarrollo de nuevos enfoques. 

Uno de ellos es el aprendizaje automático, ahora el área más activa de la IA, en el que los métodos estadísticos permiten que un sistema "aprenda" de los datos y tome decisiones, sin estar programado explícitamente. Dichos sistemas combinan un algoritmo, o una serie de pasos para resolver un problema, con una base o flujo de conocimiento: la información que el algoritmo usa para construir un modelo del mundo. (2)

En un texto de dos entregas, profundizaremos en los conceptos de inteligencia artificial y su aplicación a la Medicina. En esta primera parte, además de las definiciones de IA como hemos desarrollado en la introducción, revisaremos sus aplicaciones a nivel general, los logros que ha tenido, usos y retos, para posteriormente, en una segunda parte, centrarnos en la relación de la inteligencia artificial y la reumatología, su aplicación en la especialidad y los desafíos para los especialistas y para los pacientes, así como lo que se cree vendrá a futuro.

APLICACIÓN EN LA MEDICINA

Hasta hace algunos años, la inteligencia artificial era una tecnología desconocida para muchos, asociada a películas de ciencia ficción futuristas. Ahora es una realidad. 

Es claro en diferentes aspectos que puede desempeñar un papel importante en el desarrollo de la medicina personalizada. El potencial de esta en la medicina es enorme y, en comparación con las estadísticas convencionales, ofrece una plétora de nuevas posibilidades. (3)

Las tecnologías médicas inteligentes permiten trabajar un modelo de medicina 4P (predictivo, preventivo, personalizado y participativo); los teléfonos inteligentes se están convirtiendo, por ejemplo, en el elemento de referencia para completar y distribuir un registro de salud personal electrónico, monitorizar funciones vitales con biosensores y ayudar a alcanzar un cumplimiento terapéutico óptimo, otorgando así al paciente el lugar como actor principal en la ruta de atención. (4)

En este sentido, se han planteado una serie de preguntas fundamentalmente éticas y morales sobre las intervenciones en salud impulsadas por la inteligencia artificial, y si las herramientas, los métodos y las protecciones que se utilizan tradicionalmente para la toma decisiones basadas en la evidencia o en la experiencia serían aplicadas también sobre las nuevas tecnologías. (5) 

La comunidad de la salud mundial ha reconocido cada vez más la urgencia de abordar estos problemas para garantizar que las poblaciones de países en vías de desarrollo se beneficien de los avances e innovaciones en salud digital e inteligencia artificial (6). En estos países, el despliegue de la inteligencia artificial ya ha comenzado para una amplia gama de problemas de salud con intervenciones centradas principalmente en enfermedades transmisibles, incluidas la tuberculosis y la malaria.

BIG DATA

Para iniciar, sobre Big data debemos dejar claro que se trata de un término reciente –se introdujo en la década de 1990– y su objetivo era incluir conjuntos de datos demasiado grandes para ser utilizados con software común. 

La medicina es un campo importante que se prevé seguirá aumentando de manera significativa el uso de Big data a partir de 2025 y en los años subsiguientes. Los grandes datos en medicina pueden ser utilizados por los sectores comercial, académico, gubernamental y público. Además, incluye datos de salud biológicos, biométricos y electrónicos. (7)

El Big data muestra desde tendencias de compras, hasta estadísticas de delincuencia, patrones climáticos, brotes de enfermedades, entre otros. El análisis de esta información disponible integra la disponibilidad de datos denominados heterogéneos, así como el análisis de estos bajo un preciso control, un modelado para una posterior interpretación y validación.

DEEP LEARNING

El aprendizaje profundo (Deep learning) es una subdisciplina de la inteligencia artificial, ha demostrado múltiples éxitos en aplicaciones clínicas (8) que involucran datos de imágenes para melanoma (9), retinopatía (10), cáncer de mama metastásico (11), y otros dominios biomédicos (12) y de atención médica (13, 14).  El aprendizaje profundo se está aplicando a un número cada vez mayor de conjuntos de datos relacionados con las historias clínicas electrónicas (15) y, al igual que la aplicación de la tecnología a cualquier campo nuevo, existen numerosas oportunidades y desafíos (12,16).

PRINCIPALES APLICACIONES

Las aplicaciones de la inteligencia artificial y sus diversas áreas abarcan muchos dominios. En la gráfica 1 se resumen las principales aplicaciones donde hay evidencia del beneficio de la utilización de tecnologías en el sector salud, dividiendo esto en cuatro grandes grupos: Atención al paciente, imágenes médicas y diagnóstico, investigación y desarrollo, y administración.

Aplicaciones de la inteligencia artificial en reumatología

Fuente:  Tomado de referencia (17) Dilmegani W by C, Dilmegani C. Top 18 AI applications / use cases / examples in healthcare [Internet]. AIMultiple. 2017. Disponible en: https://research.aimultiple.com/healthcare-ai/ 

TRADUCCIÓN GRÁFICA: (ARRIBA IZQUIERDA) Título: Atención al paciente - Listado: Diagnóstico y prescripción asistida / Priorización y triaje de casos en tiempo real / Medicación y atención personalizada /Análisis de datos de pacientes / Monitoreo de embarazo.

(ARRIBA DERECHA) Título: Imágenes médicas y diagnóstico - Listado: Prevención de errores en diagnóstico / Información sobre imágenes médicas / Diagnóstico temprano

(ABAJO IZQUIERDA) Título: Investigación y desarrollo - Listado: Descubrimiento de fármacos / Análisis y edición de genes / Efectividad comparativa de medicamentos y tecnologías

(ABAJO DERECHA) Título: Administración - Listado: Mercadeo / Precio y riesgo / Mercadeo de marca

El primer grupo, atención al paciente, aborda aspectos como diagnóstico y prescripción asistida, la cual puede ser de gran ayuda a partir de herramientas como los chatbots. También los sistemas de auditoría de IA, así como el monitoreo y manejo del embarazo y una priorización y triaje en tiempo real. 

En este punto también se aborda la atención y medicación personalizada, lo que permite reducir costos y aumentar la efectividad de la atención, además de los análisis de datos de los pacientes sugiriendo acciones o generar conocimientos sobre su estado. Finalmente, se mencionan los robots quirúrgicos.

El segundo grupo indica el diagnóstico temprano bajo el aprovechamiento de datos de laboratorio y condiciones crónicas; así como la información sobre imágenes médicas que permiten el modelado de situaciones. En el punto de investigación y desarrollo se tienen elementos como el descubrimiento de fármacos, el análisis y edición de genes, y la efectividad comparativa de medicamentos y tecnologías.

Finalmente, en administración se encuentran puntos de creación de estrategia de marca; precio y riesgo considerando las condiciones del mercado; estudios de mercado; operaciones; chatbots; y detección de fraude.

CONCLUSIONES

La inteligencia artificial es un campo que no podemos llamar nuevo, pero en el cual se están realizando múltiples avances, puntualmente durante los últimos años. Por lo anterior, podemos decir –sin temor a equivocarnos– que está listo para un “prime time”, reconociendo la aplicación de las tecnologías en el campo de la medicina y el apoyo que pueden brindar a los profesionales de la salud. 

Es importante tener claro que equipar a los médicos con habilidades, recursos y apoyos necesarios para usar tecnologías basadas en inteligencia artificial es esencial para la implementación exitosa de esta en el cuidado de la salud. Para hacerlo, los médicos deben tener una comprensión realista de los posibles usos y limitaciones de las aplicaciones médicas. (18) 

Además, es prudente equilibrar la necesidad de una inteligencia artificial de la atención médica reflexiva e inclusiva que planifique y gestione activamente y reduzca las posibles consecuencias no deseadas. (19)

Es claro que se deben desarrollar pautas de informes estandarizadas, confiables y basadas en evidencia para ensayos clínicos de IA y estudios relevantes utilizados para evaluar la utilidad de las tecnologías (18), pues sabemos que queda un largo camino por recorrer y una legislación pendiente en materia ética y de aplicabilidad, así como el uso de estos datos y la forma de compartirlos para investigaciones. 

También está el reto de ir más allá y abordar las necesidades de los pacientes y de la comunidad. Tiene el potencial (con el consentimiento apropiado) de vincular datos personales y públicos para una atención médica verdaderamente personalizada. (19)

En la siguiente entrega evaluaremos estos aspectos fundamentales para tener en cuenta en la práctica de la reumatología.

REFERENCIAS

1. Artificial Intelligence Definitions [Internet]. Stanford.edu. Disponible en: https://hai.stanford.edu/sites/default/files/2020-09/AI-Definitions-HAI.pdf
2. Harvardmagazine.com. Disponible en: https://www.harvardmagazine.com/2019/01/artificial-intelligence-limitations
3. Hügle M, Omoumi P, van Laar JM, Boedecker J, Hügle T. Applied machine learning and artificial intelligence in rheumatology. Rheumatol adv pract [Internet]. 2020;4(1):rkaa005. Disponible en: https://academic.oup.com/rheumap/article/4/1/rkaa005/5740589?login=true 
4. Briganti G, Le Moine O. Inteligencia artificial en medicina: hoy y mañana. Front Med (Lausana) [Internet]. 2020;7:27. Disponible en: http://dx.doi.org/10.3389/fmed.2020.00027 
5. Schwalbe N, Wahl B. Artificial intelligence, and the future of global health. Lancet [Internet]. 2020;395(10236):1579–86. Disponible en: https://www.sciencedirect.com/science/article/pii/S0140673620302269 
6. USAID’s Center for Innovation and Impact (CII). Artificial intelligence in Global Health: Defining a Collective Path Forward [Internet]. Usaid.gov. Disponible en: https://www.usaid.gov/sites/default/files/documents/1864/AI-in-Global-Health_webFinal_508.pdf
7. Mallappallil M, Sabu J, Gruessner A, Salifu M. Una revisión de Big data e investigación médica. SAGE Open Med [Internet]. 2020;8:2050312120934839. Disponible en: http://dx.doi.org/10.1177/2050312120934839 
8. Greenspan H, Ginneken BV, Summers RM. Aprendizaje profundo en imágenes médicas: descripción general y promesa futura de una nueva técnica emocionante. IEEE Trans Med Imaging. 2016;35(5):1153-1159.
9. Esteva A, Kuprel B, Novoa RA, et al. Clasificación a nivel dermatólogo del cáncer de piel con redes neuronales profundas.  naturaleza _ 2017;542(7639):115-118. 
10. Gulshan V, Peng L, Coram M, et al. Desarrollo y validación de un algoritmo de aprendizaje profundo para la detección de retinopatía diabética en fotografías de fondo de retina. JAMA. 2016;316(22):2402-2410.
11. Wang D, Khosla A, Gargeya R, Irshad H, Beck AH. Aprendizaje profundo para identificar el cáncer de mama metastásico. Impresiones electrónicas ArXiv. 2016. https://ui.adsabs.harvard.edu/#abs/2016arXiv160605718W  
12. Ching T, Himmelstein DS, Beaulieu-Jones BK, et al. Oportunidades y obstáculos para el aprendizaje profundo en biología y medicina. Interfaz JR Soc. 2018;15(141):20170387
13. Miotto R, Wang F, Wang S, Jiang X, Dudley JT. Aprendizaje profundo para el cuidado de la salud: revisión, oportunidades y desafíos.  Breve Bioinforme. 2018;19(6):1236-1246.
14. Miotto R, Li L, Kidd BA, Dudley JT. Paciente profundo: una representación no supervisada para predecir el futuro de los pacientes a partir de la historia clínica electrónica.  Representante científico 2016;6:26094. 
15. Shickel B, Tighe PJ, Bihorac A, Rashidi P. Deep EHR: una encuesta de avances recientes en técnicas de aprendizaje profundo para el análisis de registros de salud electrónicos (EHR).  IEEE J Biomed Salud Informar. 2018;22(5):1589-1604. 
16. Norgeot B, Glicksberg BS, Butte AJ. Un llamado a la atención médica de aprendizaje profundo.  Nat Med. 2019;25(1):14-15. 
17. Dilmegani W by C, Dilmegani C. Top 18 AI applications / use cases / examples in healthcare [Internet]. AIMultiple. 2017. Disponible en: https://research.aimultiple.com/healthcare-ai/ 
18. James CA, Wachter RM, Woolliscroft JO. Preparando a los médicos para un mundo clínico influenciado por la inteligencia artificial. JAMA. Publicado en línea el 21 de marzo de 2022. doi:10.1001/jama.2022.3580
19.  Matheny M, Sonoo T, Israni M, Ahmed D, Edu N. Inteligencia artificial en el cuidado de la salud: la esperanza, la exageración, la promesa, el peligro [Internet]. Nam.edu. Disponible en: https://nam.edu/wp-content/uploads/2021/07/4.3-AI-in-Health-Care-title-authors-summary.pdf