Inteligencia Artificial y Ciencia

La atención médica genera una gran cantidad de emisiones de gases de efecto invernadero (GEI), al contemplar el uso de energía para hospitales, calefacción, ventilación, construcción, viajes de proveedores, personal médico y pacientes, entre otros. Entre Estados Unidos, Canadá, Australia y Reino Unido, emiten ~7.5 × 10 14 gramos (g) de dióxido de carbono equivalente (CO 2 -eq) anualmente, tan solo en emisiones relacionadas con los servicios de atención médica. En el mundo alrededor del 10% de todas las emisiones GEI se deben a procesos de atención de la salud, y todo lo que esta conlleva, como el desarrollo y transporte de productos farmacéuticos o dispositivos médicos, uso de tecnología, desechables, limpieza, y más. Por ello soluciones de Salud Digital como la telemedicina, que permite evitar traslados de pacientes y médicos a centros de salud, o la Inteligencia Artificial para la decisión médica, son opciones para la reducción de emisiones en el sector. El crecimiento exponencial de la telemedicina durante la pandemia hizo más evidentes sus ventajas en la reducción de emisiones de GEI. Investigadores estadounidenses realizaron un análisis que mostró que la IA autónoma tiene el potencial de reducir las emisiones de GEI en atención médica hasta en un 80%. “La tecnología de salud digital, y específicamente la telemedicina o telesalud, tiene el potencial de mejorar la atención al paciente, la salud de la población, reducir el costo per cápita de la atención médica y mejorar la experiencia de brindar atención”, explica su artículo publicado en Nature. Asimismo, los investigadores destacan a la IA autónoma, como otra de las alternativas con un gran potencial para mejorar la calidad en la atención médica, sobre todo cuando son sistemas de IA que realizar tareas imitando capacidades cognitivas del ser humano. “Estos sistemas de IA antropomórfica no están programados explícitamente y, en cambio, aprenden de los datos para realizar tareas altamente cognitivas, como las que suelen realizar los profesionales de la salud capacitados”, explican los autores. De esta forma los sistemas de IA tendrían el potencial de igualar el acceso a la atención médicas para poblaciones que no cuentan con cobertura de salud. Un ejemplo de IA autónoma que exponen los autores es para la gestión y manejo de la salud de un paciente que vive con diabetes. La necesidad de un equipo completo de especialistas, desde la atención primaria, hasta la atención oftalmológica, requiere citas clínicas por separado. Para realizar exámenes oculares es posible utilizar la IA autónoma, que se ha sido reconocida como un método validado. Incluso la Administración de Medicamentos y Alimentos de Estados Unidos (FDA), aprobó la primera IA autónoma en 2018, precisamente para exámenes de vista para pacientes diabéticos. “A medida que el uso de sistemas autónomos de IA se expande en la industria de la salud, la medición de las emisiones de carbono en el mundo real atribuidas a estos sistemas en comparación con la atención habitual ayudará a dilucidar las posibles contribuciones de la IA autónoma en la reducción de las emisiones de la atención médica”, concluyen los autores. Puedes consultar el estudio completo en el siguiente enlace: https://www.nature.com/articles/s41746-022-00605-w BIBLIOGRAFÍA NATURE https://www.nature.com/articles/s41746-022-00605-w

La Secretaría de Salud de Honduras y la Organización Panamericana de la Salud (OPS), han realizado diversas reuniones con el fin de impulsar la investigación genómica y en biología molecular. Durante la última semana abril, la OPS y el Ministerio de Salud realizaron reuniones con autoridades de salud regionales y jefes de las unidades de vigilancia de salud en las regiones de Copán, Cortés y Atlántida. En dichas regiones se encuentran tres laboratorios de biología molecular. El objetivo de estas acciones fue el fortalecimiento de la vigilancia genómica de SARS-CoV-2, el virus causante de COVID-19 y vigilancia de influencia en las regiones de estos tres laboratorios. El proyecto denominado, “Consolidación de la vigilancia genómica de SARS-CoV-2 en Honduras, 2021”, busca la investigación referente a la secuenciación del genoma completo del SARS-CoV-2, esto desde el laboratorio Central de Virología. Este proyecto promete el fortalecimiento de la red de laboratorios de biología molecular, con el propósito final de ejecutar protocolos de tamizajes de variantes de preocupación (VOC). La importancia de este proyecto es que gracias a los avances en genómica se pueden detectar nuevas variantes de COVID-19 y desarrollar estrategias tempranas para evitar su propagación masiva. De hecho, cuando la variante Delta llegó a Honduras se analizaron 100 muestras s través de la vigilancia genómica del Laboratorio Nacional. Así la vigilancia genómica activa sería una realidad en Honduras. De igual forma la vigilancia de influenza busca la colaboración entre establecimientos de salud con centros nacionales de influencia, para la vigilancia de IRAG (infección respiratoria aguda grave) y ETI (enfermedad tipo influenza). BIBLIOGRAFÍA OPS https://www.paho.org/es/noticias/9-5-2022-consolidacion-vigilancia-genomica-sars-cov-2-honduras

El aprendizaje profundo cuenta con una gran variedad de aplicaciones, como la investigación clínica, la mejora de toma de decisiones por parte de especialistas, análisis de datos, entre otros. El aprendizaje profundo o deep learning es una categoría del aprendizaje automático, que a su vez está relacionado con la Inteligencia Artificial. El aprendizaje profundo consiste en una red neuronal que simula el comportamiento del cerebro humano, sin embargo, es capaz de aprender y ser entrenado a través de grandes cantidades de datos. Normalmente la red neuronal está formada por tres o más capas, no obstante, aún con una sola capa el aprendizaje profundo puede realizar predicciones. En este sentido al igual que la IA, el aprendizaje profundo es utilizado para la automatización de tareas sin la intervención humana de manera física. A diferencia del aprendizaje automático, que aprovechan datos estructurados para realizar predicciones, el aprendizaje profundo puede profesar datos no estructurados como texto e imágenes. Las capacidades del deep learning, lo convierten en una herramienta con gran potencial en la investigación y en la atención médica. Al igual que en otros sectores, su aplicación en salud ofrece diversas alternativas para escenarios específicos. Por ejemplo, las redes neuronales profundas que son utilizadas para predecir cuándo los pacientes no acudirán a sus citas médicas. Esto es posible gracias a la información obtenida de expedientes clínicos electrónicos. De esta forma, se pueden determinar estrategias para evitar que los pacientes falten a sus citas previamente acordadas. Por otra parte, están las redes neuronales convolucionales, que son utilizadas para la comprensión de datos visuales, por ejemplo, de imágenes médicas. Este tipo de aprendizaje profundo, es capaz de clasificar imágenes en categoría dependiendo de las características que tengan. De esta forma, es capaz de mejorar la toma de decisiones y apoyar a los profesionales en el análisis de imágenes médicas. Por ejemplo, hay estudios que han utilizado redes neuronales convolucionales, para detectar diversas enfermedades de la retina analizando solamente un estudio de fondo de ojo en los pacientes. Asimismo, existen otros tipos de redes de aprendizaje profundo que apoyan en las tareas de procesamiento del lenguaje natural, estas son las redes neuronales recurrentes. Estas son útiles para tareas de investigación como la selección de participantes para ensayos clínicos. De esta forma, analizando la información disponible en texto, audios de entrevistas, historias clínicas, en grupos de pacientes y pueden identificar características para la selección de cohortes. De igual forma, se encuentran las redes generativas antagónicas, que utilizan información para generar datos sintéticos que puedan facilitar la investigación y el entrenamiento de modelos de aprendizaje profundo. Por ejemplo, es posible la generación de imágenes sintéticas de resonancias magnéticas, para el desarrollo de análisis predictivos. De esta forma los investigadores pueden crear grandes conjuntos de datos, sin necesidad de obtener imágenes médicas reales de miles de pacientes. BIBLIOGRAFÍA HEALTHCARE IT ANALYTICS https://healthitanalytics.com/features/types-of-deep-learning-their-uses-in-healthcare IBM https://www.ibm.com/cloud/learn/deep-learning

La medicina de precisión o medicina personalizada es un enfoque para la prevención y tratamiento de enfermedades que toma en cuenta las variables individuales, genéticas, relacionadas con el entorno y con el estilo de vida de cada paciente. Ha alcanzado la adopción de abordajes personalizados a través de conocimientos más exactos y completos tanto de los pacientes como de las enfermedades. La genómica y la genética tienen un rol clave en este enfoque, ya que es a través de ellas que se puede identificar tratamientos ideales para cada paciente. Sin embargo, la medicina de precisión no se resume solo a genética, ya que la aplicación de las nuevas tecnologías, como modelos de aprendizaje automático, big data, imagenología avanzada, cirugía robótica, entre otras. Asimismo, la medicina de precisión incorpora la estratificación de pacientes, el análisis detallado de datos y la terapia dirigida. En cuanto a las aplicaciones de este enfoque, en el área de oncología su aplicación es más habitual, ya que es una de las especialidades con mayor cantidad de ensayos clínicos y estudios denominados de oncología de precisión. En este sentido, la medicina de precisión en el tratamiento de cáncer dirige sus capacidades a encontrar marcadores genéticos del tipo de cáncer del paciente, así como características de tumores. Algunos ejemplos de medicina de precisión oncológica, son la secuenciación de nueva generación para identificar cambios genéticos en el ADN de tumores; o el análisis de perfiles genéticos a gran escala para determinar patrones que podrían predecir el cáncer. Otra aplicación de la medicina de precisión se encuentra en el área de medicina de urgencias, y sobre todo en la atención prehospitalaria. En el área de urgencia, el tiempo siempre es una limitante, por ello, la aplicación de tecnologías como Inteligencia Artificial, o aprendizaje automático son clave para su desarrollo. Asimismo, tiene otras aplicaciones específicas como la adquisición, gestión y distribución de imágenes médicas. O bien la aplicación de la lenguaje natural y aprendizaje automático en el triaje, que permite priorizar a pacientes en urgencias que requieran ingreso a El Dr. Theodoros Aslanidis, en su artículo Medicina de precisión en medicina de emergencias, explica que: “Los métodos de medicina de precisión pueden cambiar todos los aspectos de la atención médica: enfoque individual para quien lo necesita, salud pública de precisión, educación médica de precisión junto con educación sobre medicina de precisión y sistemas de atención médica”. BIBLIOGRAFÍA INTECHOPEN https://www.intechopen.com/journals/4/articles/57 https://www.intechopen.com/journals/4/articles/32 UMIAHEALTH https://umiamihealth.org/es/sylvester-comprehensive-cancer-center/tratamientos-y-servicios/medicina-de-precision