noviembre 2022

La revolución tecnológica ha permitido que herramientas informáticas y de Inteligencia Artificial (IA) como el aprendizaje automático, sean utilizadas en el sector salud para apoyar las decisiones clínicas y diagnósticos. El aprendizaje automático se ha convertido en una herramienta muy utilizada en el sector salud para apoyar la toma de decisiones clínicas e incluso mejorar diagnósticos. Esta herramienta se nutre de valores de pruebas de laboratorio, protocolos de imágenes o puntuaciones de exámenes físicos, por ejemplo. Gracias a esto algunos diagnósticos pueden realizarse solo con un valor de laboratorio como en condiciones como la diabetes en adultos mayores. Por otra parte, otro tipo de diagnósticos se basan en signos, síntomas, valores de laboratorio e imágenes de apoyo, no obstante, estos diagnósticos requieren una mezcla de características positivas y negativas. Los diagnósticos clínicos pueden no considerar la entrada de datos dispares o relaciones no lineales que son limitadas por las capacidades humanas de toma de decisiones. El soporte algorítmico para la toma de decisiones puede utilizarse para facilitar dichas tareas en búsqueda de resultados más exitosos. En este sentido, la medicina de precisión es de suma importancia, pues su objetivo es crear un modelo médico que personalice la atención médica que se adapten al fenotipo de un individuo o paciente. Es decir, aspectos como el seguimiento longitudinal de trayectorias de salud, genética y epigenética, modelos matemáticos, entre otros. “Es a través del modelado computacional y la fusión de información que los resultados de interés, como los objetivos de tratamiento y medicamentos, en última instancia, facilitan una mejor toma de decisiones a nivel del paciente en esos centros de atención”, explican autores de una revisión de alcance sobre la salud de precisión publicado en npj Digital Medicine. Los autores del estudio explican que la información se mueve en un patrón cíclico desde los centros de salud hasta los bienes comunes de información, donde se puede transformar y realizar el modelado algorítmico. Es decir, datos demográficos de laboratorio, imágenes médicas, notas clínicas entre otra información puede transformarse en información nueva, modelados y algoritmos, cuyo resultado se puede traducir en ensayos clínicos, decisiones de tratamiento, diagnóstico, descubrimiento de medicamentos, fenotipado, entre otras aplicaciones. Además de la medicina de precisión y el aprendizaje automático, los autores recuperan otro concepto: la fusión de datos, la cual está respaldada por la teoría de la información. La fusión de datos se refiere al mecanismo mediante el cual se fusionan fuentes de datos dispares para crear un estado de información basado en la complementariedad de las fuentes. Por otra parte, como explican los autores: “La expectativa en el aprendizaje automático es que los esfuerzos de fusión de datos darán como resultado una mejora en el poder predictivo y, por lo tanto, proporcionarán resultados más confiables en configuraciones de validez potencialmente bajas”. Existen tres tipos principales de fusión de datos a través de aprendizaje automático: temprano (nivel de datos), intermedio (conjunto) y tardío (nivel de decisión): La primera se refiere a múltiples fuentes que se convierten al mismo espacio de información. La fusión de datos intermedia combina características que combinan a las características distintivas de cada tipo de datos para producir una nueva representación de datos. Finalmente, la fusión tardía requiere el entrenamiento de cada modelo y cada uno corresponde a una fuente de datos entrante. Estos toman como fuentes las representaciones simbólicas y las combinan para obtener una decisión más precisa. Conoce más en el siguiente artículo: https://www.nature.com/articles/s41746-022-00712-8 BIBLIOGRAFÍA NATURE https://www.nature.com/articles/s41746-022-00712-8

Herramientas como las cámaras de fibra óptica y/o robotizadas han permitido el avance de las cirugías mínimamente invasivas. La visión artificial o computer vision (CV), así como la aplicación de algoritmos para analizar e interpretar datos visuales se han convertido en soluciones críticas para respaldar la toma de decisiones de los cirujanos, y aumentar la seguridad y acceso a cirugías. No obstante, pesar de que el uso de CV está probado, no existen suficientes herramientas de este tipo que hayan sido adoptadas para aplicaciones diagnósticas o terapéuticas en cirugía. Anualmente se realizan más de 330 millones de procedimientos realizados en todo el mundo, sin embargo, a pesar de los números, las cirugías no son accesibles para todos. De hecho, según The Lancet Commission on Global Surgery, son necesarias hasta 143 millones de cirugías adicionales cada año para salvar vidas y prevenir discapacidades. Asimismo, es necesario desarrollar soluciones para mejorar la seguridad y la eficiencia quirúrgica. En este sentido, la CV es, una disciplina de las ciencias de la computación importante para lograr estas soluciones.  La visión artificial utiliza técnicas de inteligencia artificial (IA) como el aprendizaje profundo para procesar y analizar datos visuales, podría facilitar el análisis de video endoscópico. De esta manera el análisis de videos de procedimiento quirúrgicos y otras actividades de quirófano podría mejorar la atención quirúrgica. Igualmente, esta herramienta podría permitir la monitorización en tiempo real e intervenir para la prevención de eventos adversos. Además, existen diversas aplicaciones quirúrgicas de CV y los videos endoscópicos, relacionados directamente con la mejora del trabajo quirúrgico automatizado.  Por ejemplo: análisis de complejidad operativa, apoyo a la decisión intraoperatoria, mejora de la dinámica de equipo. Asimismo, los habilitadores claves para la visión artificial en cirugía incluyen: la variabilidad en la recogida de datos quirúrgicos: la promoción de la adquisición de datos a través de incentivos conductuales; mejora en la calidad de datos; entre otros. Otro de los aspectos importantes es el potencial de la IA. Gracias al entrenamiento de modelos de IA es posible replicar el desempeño de especialistas humanos, pero en grandes cantidades. No obstante, las principales limitaciones de este método son que las opciones son escasas y son costosas de producir. Conoce más sobre este tema en el siguiente estudio de npj Digital Medicine: https://www.nature.com/articles/s41746-022-00707-5 BIBLIOGRAFÍA NATURE https://www.nature.com/articles/s41746-022-00707-5