Especialista de Carnegie Mellon University detalla cómo el machine learning y la computación cuántica pueden transformar la atención médica, incluyendo el diagnóstico de neumonía.
Sridhar Tayur, profesor en la Carnegie Mellon University (CMU), explicó recientemente cómo el machine learning y la computación cuántica pueden transformar la salud, específicamente el diagnóstico de enfermedades como la neumonía. Esta enfermedad es una infección en los pulmones que genera dificultades para respirar y normalmente se diagnostica a través de radiografías de pecho. Estas muestras de rayos X son interpretadas y leídas por radiólogos expertos, por lo que en lugares con escasez de especialistas puede significar mayor tiempo para obtener un diagnóstico preciso y oportuno.
Tayur explica que los modelos de machine learning, una subcategoría de la inteligencia artificial (IA), son clave para mejorar la predicción y el diagnóstico sobre esta y otras enfermedades. “El machine learning se utiliza para la predicción, y en la atención sanitaria queremos predecir si alguien tiene una enfermedad o no”, explicó. “Si das suficientes ejemplos de imágenes que tienen neumonía y no neumonía, porque hay dos casos, esto se llama clasificación binaria”, agregó.
Tayur y un equipo de investigadores exploraron el uso de una técnica denominada máquina de vectores de soporte para la clasificación mediante computación, de inspiración cuántica, y luego la compararon con otros métodos.
¿Cómo aprovechar la computación cuántica en la atención médica?
Tayur es el fundador del Grupo de Tecnologías Cuánticas en CMU, con el objetivo de comprender y aplicar mejor los métodos de computación cuántica en la atención médica y otros sectores. Actualmente, las computadoras funcionan manipulando bits que existen como un 0 o un 1, mientras que las computadoras cuánticas codifican información como bit cuánticos o qubits. Es decir, las computadoras cuánticas tienen el potencial de ser millones de veces más poderosas que las supercomputadoras de la actualidad.
Aunque el hardware para computar con qubits continúa desarrollándose, los simuladores son capaces de abordar problemas realistas con algoritmos diseñados especialmente para esas tareas. Por ello se refiere a este enfoque como computación de inspiración cuántica. “Suponiendo que se vayan a desarrollar dispositivos qubit de mayor tamaño y con menores errores, podemos simularlos en una computadora normal ahora mismo”, mencionó Tayur.
Desafíos de la atención médica en la adopción de la IA
Hace varios años, Tayur en conjunto con Tinglong Dai de Johns Hopkins identificaron los cuatro desafíos principales: aceptación de los médicos, aceptación del paciente, inversión de los proveedores y apoyo de los pagadores. Los especialistas detallaron que para superar estos desafíos es necesario que la IA aplicada a cualquier sistema de atención médica debe considerar primero cómo será integrada por los médicos en sus prácticas y posteriormente revisar cómo los pacientes perciben el rol de la IA en la prestación de servicios.
Por otro lado, aunque más de 500 dispositivos médicos basados en IA ya han sido aprobados por la Administración de Alimentos y Medicamentos de Estados Unidos (FDA, en inglés) la adopción de esta clase de herramientas apenas está comenzando.
Para su adopción las empresas de los dispositivos deben alentar a los médicos a adoptarlos, para ello se requiere un enfoque centrado en los pacientes y con mayor sensibilidad sobre el viaje del paciente, por encima de los beneficios económicos o comerciales.
