Filter by input type
Select all
News
Pages
Events
Filter by category
Select all
AI ANALYTICS
Mobile Apps and Internet of Things
Advancement of science
big data
Connected communities
Coronavirus
Courses and training
DIAGNOSIS
Initial Editorial
Editorials
A world in the cloud
Events
Infographics
Artificial Intelligence and Science
IoT Apps
News
Digital platforms
Social networks
Review of scientific publications
Course Summary
Synopsis of essay
Overview of reference frames
Synopsis of recent publications
Use of Digital Platforms
¿Qué tan confiables son los modelos de IA en salud?

Emily Sohn, periodista especializada en salud y tecnología publicó un artículo en Nature, acerca de los problemas de reproducibilidad de la Inteligencia Artificial (IA) en el cuidado de la salud.

Los sistemas de salud en alrededor del mundo han comenzado desde hace varios años la implementación de herramientas de IA para el diagnóstico, o monitoreo de enfermedades. Sin embargo, la confiabilidad de los modelos no está completamente asegurada, lo que dificulta que puedan ser reproducidos en entornos clínicos.

Por ejemplo, la IA y el aprendizaje automático pueden detectar el cáncer de pulmón en etapas tempranas, su aplicación a gran escala podría prevenir cientos de miles de muertes anualmente. En lugar de realizar millones de tomografías computarizadas, los algoritmos pueden realizar un diagnóstico automatizado con datos ya existentes, ahorrando tiempo y dinero.

En el Kaggle Data Science Bowl 2017, se realizó una competencia de algoritmos que pudieran detectar con precisión el cáncer de pulmón. Los modelos ganadores demostraron una precisión superior al 90% sin embargo el principal problema es que su utilidad clínica es muy limitada, debido a que tendrían que funcionar de la misma manera con otros conjuntos de datos de otros pacientes.

No obstante, esta tarea fue realizada por el científico de datos de Harvard, Kin-Hsing Yu, que probó los diez algoritmos con mejor rendimiento en un subconjunto de datos. Los algoritmos no alcanzaron los resultados esperados ya que rondaron entre el 60 y 70% de precisión.

Por otra parte, a pesar de que, en años más recientes, los desarrollo de la IA han permitido la mejora de algoritmos y el aumento de datos digitales, derivado también del avance en el rendimiento informático, los resultados han sido similares.

Durante la pandemia, se buscó aprovechar el potencial del aprendizaje automático para la vigilancia pandémica y la creación de estrategias de salud pública. “Para ser ampliamente aplicable, un modelo de IA debe ser reproducible, lo que significa que el código y los datos deben estar disponibles y sin errores”, explica, Sayash Kapoor, candidato a doctorado en ciencias de la computación en la Universidad de Princeton en Nueva Jersey.

Esta situación, además de la privacidad, preocupaciones éticas y obstáculos regulatorios han frenado la reproducibilidad de la IA.

Sin embargo, han existido avances positivos en la reproducibilidad de la IA en salud, como la creación de los biobancos nacionales de Reino Unido y Japón, así como la base de investigación colaborativa eI CU, para la atención de cuidados intensivos.

Conoce más datos en: https://www.nature.com/articles/d41586-023-00023-2

Outstanding news

News by country

Related Content

Secured By miniOrange