junio 2023

Investigadores analizaron la capacidad de ChatGPT para generar resúmenes de artículos científicos basándose en el título y nombre de la revista Los modelos de lenguaje basados en inteligencia artificial (IA), como ChatGPT son capaces de producir textos complejos y precisos sobre casi cualquier tema, sin embargo, también pueden generar información imprecisa o falsa en cuestión de segundos. Un grupo de investigadores publicó un artículo recientemente en el que recopilan 50 resúmenes de investigación o abstract de artículos publicados en cinco revistas médicas de alto impacto. Además, le pidieron a ChatGPT generar resúmenes de investigación basados solamente en los títulos de los artículos y en la revista donde fueron publicados. “Los modelos de lenguaje extenso (LLM) a menudo son modelos de transformadores complejos basados ​​en redes neuronales que pueden generar texto definido por tono y contenido”, explican los autores. Los LLM están entrenados en enormes cantidades de datos por lo que son capaces de producir textos bien estructurados que se leen de forma natural. Como mencionan los autores, “ChatGPT se basa en Generative Pre-trained Transformer-3 (GPT-3), que es uno de los modelos más grandes de este tipo, entrenado con 175,000 millones de parámetros”. Este tipo de modelos genera resultados coherentes que pueden ser difíciles de distinguir de textos escritos por humanos. Durante el ejercicio de generación de resúmenes, a pesar de que todos tenían un formato superficial de resumen científico, solamente ocho, es decir el 16% utilizaron correctamente los encabezados de cada revista en su mensaje. Es decir, los estilos de párrafo de cada revista, y otros aspectos del formato de texto como el número de palabras. Los resúmenes originales fueron sometidos a una detección de plagio y verificación de similitudes, y obtuvieron puntaciones más altas que los resúmenes generados.  Asimismo, a los revisores humanos cegados se les proporcionaron resúmenes generados y originales y lograron identificar 68% de los resúmenes generados como generados y el 86% de los resúmenes originales como originales. “Nuestros revisores comentaron que los resúmenes que pensaban que ChatGPT había generado eran superficiales y vagos, y en ocasiones se centraban en los detalles de los resúmenes originales, como la inclusión de los números de registro de ensayos clínicos y la ortografía alternativa de las palabras”, detallaron los autores. Los revisores incluso clasificaron erróneamente una parte de los resúmenes reales como generados. Además, cabe mencionar que los resúmenes generados contenían números fabricados, sin embargo, estos tenían un tango similar al de los resúmenes reales. Los autores aceptan las limitaciones del estudio debido al pequeño tamaño de muestra y pocos revisores, además reconocen que ChatGPT es muy sensible a las indicaciones que recibe, por lo que solo tomaron el primer resultado proporcionado, sin realizar otras generaciones que podrían haber mejorado su credibilidad. Finalmente, los autores anticipan que esta tecnología podría usarse tanto de manera ética como no ética. Y aunque el texto generado puede ayudar a aliviar la carga de escritura para los investigadores, es necesario que este sea editado por un científico y se someta a una revisión cuidadosa. O bien los LLM pueden ser utilizado para generar resúmenes en idiomas distintas al de los investigadores originales. Conoce más consultando el artículo completo: https://www.nature.com/articles/s41746-023-00819-6 BIBLIOGRAFÍA NATURE https://www.nature.com/articles/s41746-023-00819-6

Especialistas de Reino Unido realizaron un análisis sobre el uso de modelos de lenguaje basados en inteligencia artificial como ChatGPT. Los modelos de lenguaje extenso (LLM, en inglés) continúan su expansión y desarrollo al igual que los modelos de lenguaje natural de inteligencia artificial (IA) conversacional o también llamados chatbots. El lanzamiento de ChatGPT a finales del año pasado y su emergente popularidad durante 2023, ha llamado la atención de la comunidad científica y diversos artículos y análisis se han publicado recientemente. En este sentido, investigadores de diversas instituciones británicas como Kings College London, NHS Foundation Trust, Guys & St Thomas Hospital, entre otras, publicaron el artículo: “Los chatbots de IA aún no están listos para uso clínico”. En el texto, los autores detallan conceptos alrededor de la IA y los modelos de lenguaje, el entrenamiento de estos modelos, los sesgos que tienen y sobre todo el futuro de la IA generativa. Los nuevos modelos de lenguaje especialmente los conversacionales o generativos tienen la capacidad de realizar tareas para las que no fueron entrenados, por ejemplo, pueden contestar preguntas médicas con un desempeño cercano al nivel humano. De esta forma, debido al rápido avance de la IA basada en LLM puede acelerar su aplicación en el cuidado de la salud y la atención médica. “Si bien los LLM se muestran prometedores en la generación de resultados de texto elocuentes, la seguridad y la precisión del paciente tienen una prioridad más alta que la interactividad similar a la humana (a la prueba de Turing) en el dominio de la atención médica”, explican los autores. Asimismo, detallan que se deben considerar si las herramientas como ChatGPT son utilizadas por usuarios médicos, como apoyo para la toma de decisiones clínicas, o por usuarios pacientes, como un chatbot médico interactivo. Los LLM como ChatGPT tienen una amplia representación de conocimiento a través de la exploración de internet abierta, no obstante, pueden reflejar sesgos o falta de detalles precisos.  Sin embargo, actualmente hay pocos LLM que han sido entrenados y validados en datos clínicos del mundo real, debido a la sensibilidad y seguridad de los datos de los pacientes. “El uso práctico de estos modelos radica en su capacidad para ayudar a los profesionales de la salud en la toma de decisiones a partir de grandes registros de pacientes no estructurados; desafortunadamente, pocos modelos han sido probados y validados en tales tareas y en datos hospitalarios del mundo real”, mencionan los autores. De esta forma, los autores proponen un enfoque alternativo como capacitar un LLM para mapear registros de pacientes en una ontología estandarizada como lo es SNOMED-CT y posteriormente producir probabilísticos a partir de un registro especifico. Existe una aplicación web donde demuestran lo anterior: https://foresight.sites.er.kcl.ac.uk/. Esta herramienta está dirigida a usuarios de atención médica y para su entrenamiento utilizaron historias clínicas con datos sintéticos. Por otra parte, los autores explican que los LLM exhiben los mismos sesgos y asociaciones del texto de capacitación basado en internet, por ejemplo, sesgos contra países, géneros y ocupaciones. Además, los LLM pueden generar información errónea a través de las indicaciones o prompts que ingresa el usuario, en caso de ser insuficiente. Es decir, un usuario puede generar resultados engañosos, ya que ChatGPT intentará generar información que se ajuste a la suposición realizada por el usuario en lugar de preguntar, aclarar o corregir. “A pesar del avance prometedor de los LLM y su sofisticación en el procesamiento y la generación del lenguaje natural, nuestras breves pruebas han resaltado la falta de preparación de los chatbots basados ​​en transformadores para su uso como herramienta clínica orientada al paciente en su forma actual. Los LLM tienen riesgos relacionados con las asociaciones y los sesgos de sus datos de entrenamiento, así como la propensión a generar resultados infieles o fácticamente incorrectos”, concluyen los autores. Consulta el artículo completo en el siguiente enlace: https://www.frontiersin.org/articles/10.3389/fdgth.2023.1161098/full BIBLIOGRAFÍA FRONTIERS IN https://www.frontiersin.org/articles/10.3389/fdgth.2023.1161098/full

Fuentes de big data como plataformas de internet y técnicas como el aprendizaje automático son utilizadas para diversas áreas de investigación científica. Las ciencias sociales y la gran cantidad de datos disponibles en internet, son una herramienta fundamental para los investigadores de salud pública. Aprovechando el uso de herramientas como métodos de big data son importantes para realizar investigaciones que utilizan grandes cantidades de datos. Por ejemplo, datos de redes sociales o de búsquedas en internet, pueden utilizarse para encontrar tendencias sobre datos relevantes para la salud pública. Un estudio reciente realizó una revisión de alcance de literatura revisada por pares, utilizando big data para explorar el uso de anticonceptivos para prevenir embarazos. Este estudio analizó 31 artículos el primero publicado en 1971 y 19 publicados después de 2016. Algunos de los criterios de selección para analizar los artículos fue el uso de fuentes de big data o métodos analíticos tradicionales. En primer lugar, los autores definen el big data en dos dimensiones, métodos y fuentes. Por ello incluyeron estudios que utilizan big data como redes neuronales, procesamiento del lenguaje natural (PLN), aprendizaje automático supervisado, aprendizaje automático no supervisado, entre otras; y además se incluyeron estudios que se basan en fuentes de big data de redes sociales como Twitter, Facebook, YouTube, o de búsquedas de internet como Google Trends. El objetivo de esta revisión de alcance fue “determinar la amplitud, profundidad y calidad de la literatura en la intersección de los métodos y/o fuentes de big data y el uso de anticonceptivos para prevenir el embarazo”, según detallan los autores. Para ello emplearon una rúbrica estandarizada desarrollada por ellos mismos para evaluar la calidad (Metrics of Reliability and Quality o MARQ) e identificar las lagunas que plantean oportunidades para futuras investigaciones sobre estos métodos. Luego de una revisión exhaustiva, en la cual se descartaron miles de estudio, los autores encontraron que el uso de big data se ha vuelto más común en la literatura científica para explorar el uso de anticonceptivos. El auge del internet ha permitido explorar el uso de anticonceptivos y la información disponible en línea través de redes sociales ha logrado la creación de nuevos conocimientos sobre la predicción del uso de métodos para prevenir el embarazo. “En general, los artículos fueron de calidad moderada a alta, con las principales debilidades identificadas en sus discusiones de las limitaciones específicamente discutiendo los escollos del uso de grandes fuentes de datos que no son representativas de la población (por ejemplo, Twitter, búsquedas en Google, registros médicos)”, explican los autores. Además, en la literatura emergente que utiliza big data, los autores detallan que existe la oportunidad para que los autores reconozcan las limitaciones de utilizar este tipo de métodos. “Sólo el 29% (N = 9) de los artículos predijeron el uso de anticonceptivos, lo que indica oportunidades para la aplicación futura de fuentes y métodos de big data para entender por qué más de un tercio de las mujeres con una necesidad insatisfecha de anticoncepción en un país de ingresos bajos y medios han interrumpido un método anticonceptivo moderno previamente”, explica el estudio. Los autores concluyen que es necesario discutir los beneficios y las limitaciones del uso de fuentes de big data, y utilizar la comparación de resultados entre fuentes de datos y métodos más tradicionales para mostrar el beneficio de uno sobre el otro. El uso de big data es útil para la investigación en salud pública, especialmente con la cantidad de datos disponibles actualmente, es posible realizar estudios sobre casi cualquier problemática de salud pública y así generar estrategias importantes que logren un beneficio real. Consulta el estudio completo en el siguiente enlace: https://academic.oup.com/oodh/article/doi/10.1093/oodh/oqad002/7049408?searchresult=1 BIBLIOGRAFÍA OUP https://academic.oup.com/oodh/article/doi/10.1093/oodh/oqad002/7049408?searchresult=1

El aprendizaje automático ofrece nuevas perspectivas en la subtipificación y predicción de resultados de la insuficiencia cardíaca. La insuficiencia cardíaca es una afección frecuente y compleja que afecta a muchas personas, con consecuencias significativas en términos de hospitalizaciones, recursos necesarios, calidad de vida y esperanza de vida. La diversidad de causas y clasificaciones de este síndrome ha dificultado su comprensión y tratamiento efectivo. Sin embargo, el aprendizaje automático, una rama de la inteligencia artificial, ha demostrado su potencial para descubrir asociaciones complejas y subtipos de insuficiencia cardíaca más allá de los reconocidos actualmente, mejorando así la predicción de riesgos y allanando el camino hacia la medicina personalizada. Un estudio reciente publicado en The Lancet Digital Health utilizó métodos de aprendizaje automático para subtipificar y predecir los resultados de la insuficiencia cardíaca mediante el análisis de grandes conjuntos de datos de registros electrónicos de salud. El estudio incluyó a más de 300 mil pacientes y utilizó tanto métodos supervisados como no supervisados para analizar los datos. Los métodos no supervisados identificaron cinco grupos de pacientes con insuficiencia cardíaca, mientras que los métodos supervisados desarrollaron un modelo de predicción con una calculadora de riesgo en línea disponible para pacientes y médicos. Estudios anteriores también han utilizado el aprendizaje automático para subtipificar la insuficiencia cardíaca, identificando grupos de pacientes con características y riesgos específicos. No obstante, otro estudio también publicado en The Lancet Digital Health, pero en 2019 estudio destacó por su tamaño de muestra y validación externa, lo que fortaleció sus hallazgos. Además, se exploraron los mecanismos biológicos subyacentes mediante el análisis de puntuaciones de riesgo poligénico y polimorfismos de un solo nucleótido. La subtipificación y predicción de resultados en pacientes con insuficiencia cardíaca mediante el aprendizaje automático entrenado en grandes conjuntos de datos tiene un gran potencial. Estos avances podrían impulsar el desarrollo de nuevas estrategias de tratamiento y mejorar la atención médica personalizada para los pacientes. La investigación futura también debe explorar el potencial de técnicas de reconocimiento de patrones impulsadas por inteligencia artificial en modalidades de imagen como la ecocardiografía y la resonancia magnética cardíaca, lo que permitiría una subtipificación más precisa, predicción de resultados y respuesta al tratamiento en pacientes con insuficiencia cardíaca. BIBLIOGRAFÍA THE LANCET https://www.thelancet.com/journals/landig/article/PIIS2589-7500(23)00085-7/fulltext