La IA y el machine learning facilitan son capaces de encontrar patrones en información médica para mejorar diagnósticos o tratamientos.
El aprendizaje automático o machine learning es una rama de la inteligencia artificial (IA) y las ciencias computacionales, que se enfoca en el aprovechamiento de datos y algoritmos para permitir que los modelos de IA imiten los procesos humanos de aprendizaje y así mejoren gradualmente su precisión.
Generalmente, estos modelos son utilizados para realizar predicciones o clasificaciones basadas en datos de entrada, que pueden estar etiquetados o no etiquetados. Un algoritmo puede producir una estimación acerca de patrones en los datos ingresados. Cabe mencionar, que no solo funciona con datos como texto, sino también con imágenes y video.
Además, los modelos pueden ajustarse y optimizarse para producir mejores resultados. Al ajustar un modelo se reduce la discrepancia y el algoritmo repetirá este proceso de aprendizaje evaluando y optimizando, de manera que logre alcanzar mejor precisión.
En este sentido, la IA y sus diversas ramas tienen múltiples aplicaciones en la medicina y en la atención médica. Por ejemplo, son capaces de alcanzar diagnósticos más precisos, o desarrollar mejores tratamientos personalizados para cada paciente.
Según la Asociación Estadounidense de Medicina (AMA, en inglés) los modelos de machine learning en medicina tienen tres metodologías principales:
- Aprendizaje supervisado: Consiste en que las computadoras aprendan a partir de ejemplo de predicciones correctas de resultados de interés. El objetivo de esto es generar predicciones precisas para nuevos ejemplos. El aprendizaje supervisado requiere etiquetas y entradas, las primeras describen lo que se está prediciendo, como la presencia o ausencia de un diagnóstico, mientras que las segundas se componen de datos de historiales médicos electrónicos, datos ómicos, imágenes médicas y texto médico.
- Aprendizaje no supervisado: Se trata de un tipo de machine learning en el que el algoritmo aprende a partir de datos no etiquetados sin un resultado predefinido o una variable objetivo. Con este tipo de aprendizaje, el objetivo es descubrir patrones, estructuras o relaciones comunes en los datos, como grupos de pacientes, subtipos de enfermedades o valores atípicos. Por ejemplo, un modelo de aprendizaje no supervisado puede utilizarse para agrupar a pacientes con cierta enfermedad y ayudar a descubrir trayectorias típicas de utilización y progresión de la enfermedad.
- Aprendizaje por refuerzo: Utiliza datos sobre secuencias de intervenciones y sus consecuencias o recompensas para identificar las mejores secuencias de intervenciones para maximizar una recompensa. Por ejemplo, según explica la AMA, al tratar la sepsis, los médicos pueden observar el estado de salud del paciente, incluidas las constantes vitales, los resultados de laboratorio y las comorbilidades. Posteriormente deciden qué cantidad de líquido y vasopresores administrar al paciente. Luego del tratamiento, observan si el paciente se ha recuperado totalmente o si ha muerto; la recompensa sería uno para lo primero o cero para lo segundo. Con estos datos, el modelo determina la mejor secuencia de acciones a seguir en función del estado del paciente.
