La Inteligencia Artificial no es algo nuevo en las ciencias biomédicas. El primer artículo en PubMed que habla sobre inteligencia artificial es de 1963, no obstante, en los últimos años, lo publicado ha crecido exponencialmente.
Esto es producto de 3 grandes avances
- Explosión de datos digitales: se han creado más datos en los últimos años que en toda la historia anterior de la raza humana. Cada día se crean 2,5 quintillones de bytes de datos.
- Poder de procesamiento y de almacenamiento: las opciones de computación distribuída, las capacidades de almacenamiento locales y en la nube permiten guardar y procesar gigantes cantidades de datos.
- Avances en los algoritmos: los algoritmos para procesar datos han mejorado sustancialmente, a medida que el poder de procesamiento y el número de datos se iba expandiendo.
La analítica se divide en:
- Descriptiva: describe qué sucedió
- Predictiva: anticipa qué sucederá
- Prescriptiva: recomienda qué hacer para cumplir las metas
La analítica Predictiva y Prescriptiva es lo que se conoce como Machine Learning (aplicación de algoritmos para detectar patrones y aprender a hacer recomendaciones en base a los datos analizados, en vez de crear reglas como era la vieja escuela)
Antes de utilizar estos algoritmos para que procesen grandes cantidades de datos y generen una respuesta, la forma de generar “inteligencia” en los sistemas era basado en reglas.
Ejemplo
- Si tiene 4 ruedas
- Si tiene 1 motor
- Si tiene 1 volante
- Si tiene palanca de cambios
- Si tiene frenos
- Si tiene carrocería
- Si tiene mecanismo de propulsión
==> entonces es un AUTO
Los mecanismos basados en reglas son limitados y complejos de administrar, siempre hay un nuevo caso que no cumple las reglas y hay que crear nuevas para contemplarlo.
La Inteligencia Artificial (IA) es la capacidad que una máquina realice funciones cognitivas que asociamos a los humanos (como resolver problemas, aprender, razonar y percibir), y el machine learning es una de las ramas más destacadas de la IA.
El Machine Learning se divide en 2 grandes tipos
- Aprendizaje con supervisión: se utiliza cuando uno sabe qué datos de entrada (ej. la glicemia elevada en diabéticos) llegan a qué datos de salida (retinopatía, nefropatía…)
- Aprendizaje sin supervisión: se utiliza cuando uno no sabe cómo clasificar los datos y quiere que el algoritmo encuentre patrones por uno.
¿Qué algoritmos se utilizan para analizar los datos?
Los algoritmos son popularmente conocidos y están disponibles en los software de análisis de datos estadísticos. Algunos ejemplos de algoritmos utilizados para cada tipo de Machine Learning.
- Aprendizaje con supervisión
Regresión lineal Regresión lineal - Wikipedia, la enciclopedia libre
Regresión logística Regresión logística - Wikipedia, la enciclopedia libre
Análisis discriminante lineal Análisis discriminante lineal - Wikipedia, la enciclopedia libre
Árboles de decisión Árbol de decisión - Wikipedia, la enciclopedia libre
Clasificador bayesiano ingenuo Clasificador bayesiano ingenuo - Wikipedia, la enciclopedia libre
Máquinas de vectores de soporte Máquinas de vectores de soporte - Wikipedia, la enciclopedia libre
Random forest Random forest - Wikipedia, la enciclopedia libre
AdaBoost AdaBoost - Wikipedia
Gradient boosting Gradient boosting - Wikipedia, la enciclopedia libre - Aprendizaje sin supervisión
K-means K-medias - Wikipedia, la enciclopedia libre
Mixture model Mixture model - Wikipedia
Agrupamiento jerárquico Agrupamiento jerárquico - Wikipedia, la enciclopedia libre
Sistema de recomendación Sistema de recomendación - Wikipedia, la enciclopedia libre
Hay un tipo de Machine Learning que está siendo muy utilizado en medicina y es el Deep Learning (aprendizaje profundo). Permite tomar otras fuentes de datos (imágenes, videos) y procesarlos con menor supervisión de humanos para obtener mejores resultados (requiere mucha más data para entrenarse)
El análisis de los datos genera redes neuronales, y los nuevos datos son analizados por la red para clasificarlos.
¿Qué aplicaciones existen?
Las aplicaciones más conocidas son las que estiman riesgo (% de probabilidad que sea verdad algo). Es importante destacar que cuando una computadora estima risgo basado en datos de entrada que le pasamos y datos de salida que le indicamos que nos interesa, la computadora está haciendo algo más que meramente aproximarse a las habilidades del médico, está encontrando relaciones nuevas que no son evidentes para los seres humanos, pero que están presentes ahí en los datos. Esta es la razón por la que hay tanto fervor en el uso de Inteligencia Artificial en Medicina.
Algunos ejemplos del uso de Inteligencia Artificial en Medicina
- Calculadora del Score de Framingham: nadie relaciona este score a la Inteligencia Artificial, pero es un ejemplo claro de aprendizaje con supervisión. El algoritmo se entrenó con los datos de entrada de la cohorte de Framingham y los resultados de desenlace cardiovascular. Hoy se utiliza en todo el mundo. Así son la mayoría de los algoritmos médicos. HEARTS in the Americas
- Deep Patient: aprendizaje no supervisado usando como datos de entrada los datos de una ficha clínica. Los algoritmos utilizados entregaron pacientes que tienen características comúnes y permiten predecir los diagnósticos que tendrán los pacientes en la medida que se va ingresando diferentes tipos de datos (exámenes de laboratorio…) Deep Patient: An Unsupervised Representation to Predict the Future of Patients from the Electronic Health Records | Scientific Reports
- DART (Diagnóstico Automatizado de Retinografías Telemáticas): Aprendizaje con supervisión, el algoritmo fue entrenado con imágenes de fondo de ojo de pacientes con retinopatía diabética. El algoritmo aprendió a distinguir patrones de la enfermedad, si se le ingresa una nueva imagen de un fondo de ojo, puede marcarla como “con alto riesgo de tener retinopatía diabética” o con “bajo riesgo”. Los pacientes con “alto riesgo” son derivados a oftalmólogo. https://www.teledx.org
¿Van a reemplazar a los humanos las computadoras en medicina?
No. Nos van a seguir facilitando la vida, haciendo más fácil lo que hoy es complejo. Los humanos tenemos características muy necesarias en la medicina que no pueden ser reemplazadas por una máquina como ser la creatividad, la imaginación, la intuición, las emociones o la ética.
El paradigma de Charles Friedman sigue vigente con la Inteligencia Artificial
