Recientemente tuvimos una discusión con nuestro equipo sobre este mismo tema. En ese momento, no pude encontrar una respuesta integral en ningún lado, así que pensé que escribiría lo que discutimos para futuros lectores.
Hay muchas áreas en el cuidado de la salud donde el aprendizaje automático ya juega un papel y la importancia de la IA en el cuidado de la salud probablemente aumentará en el futuro. La tecnología madurará y se superarán los obstáculos legales y culturales.
En términos generales, y para dar una estructura a esta respuesta, podemos identificar tres áreas en las que se está utilizando ML en la atención médica en este momento:
- ¿Qué tema debo elegir, minería de datos o diseño del compilador?
- ¿Puedo aprender Hadoop sin conocimiento previo del análisis de datos?
- ¿Cuál de los siguientes dos cursos ayudaría a un principiante absoluto de ML a comenzar rápidamente con las competencias de Kaggle y por qué? Aprendiendo de los datos - Curso en línea Coursera ML Course
- ¿Es mejor tener demasiados falsos positivos o demasiados falsos negativos?
- ¿Qué tan comunes son los trabajos de 40 horas / semana de científicos de datos en Google, Microsoft, Facebook y Amazon?
- Tareas de percepción: tareas que requieren habilidades de percepción, como visión u oído, etc.
- Asistencia diagnóstica
- Procedimientos de tratamiento
Tareas de percepción
En los últimos años, las redes neuronales profundas han aumentado el rendimiento de las computadoras en las tareas de percepción a niveles previamente inimaginables. Esto ha llevado a una explosión de casos de uso en múltiples áreas, incluida la atención médica.
En radiología, por ejemplo, donde la tarea del médico es diagnosticar a un paciente utilizando imágenes médicas, se les ha enseñado a las computadoras a identificar patologías de tales imágenes a un nivel comparable o incluso superior al de los médicos humanos [1].
Izquierda: Imágenes de dos biopsias de ganglios linfáticos. Medio: resultados anteriores de nuestra detección de tumores de aprendizaje profundo. Derecha: nuestros resultados actuales. Observe el ruido visiblemente reducido (posibles falsos positivos) entre las dos versiones. Fuente de la imagen: blog de Google Research
Recientemente se han logrado resultados similares con el cáncer de piel [2], donde la tarea del médico es inspeccionar visualmente al paciente para hacer un diagnóstico, detección de arritmia [3] y auscultación cardíaca [4].
Ahora, es poco probable que esto haga que los humanos sean redundantes en el campo, tanto por el desorden que podría ser causado por un diagnóstico erróneo con resultados letales por parte de una máquina como también porque las fortalezas de las computadoras y los médicos se complementan entre sí.
Es muy probable que el rendimiento de los algoritmos de aprendizaje automático, en las áreas donde las tareas de percepción son centrales, mejore aún más y aumente la productividad de los médicos y el nivel de atención médica.
Asistencia diagnóstica
Cuando un médico llega a un diagnóstico, es el resultado de años de aprendizaje, su experiencia personal con pacientes similares y estar al día con los últimos desarrollos en el campo. Esta es una gran cantidad de información para recuperar y analizar en todo momento, que los médicos hacen con un éxito admirable.
Pero la realidad es que la capacidad mental de un individuo es limitada y un médico solo puede tratar a tantos pacientes en su vida.
El aprendizaje automático se ha utilizado para aumentar la capacidad del médico al observar los datos totales disponibles sobre el paciente y hacer recomendaciones basadas en esta información: este enfoque solo está limitado por el número total de pacientes tratados en el mundo.
La asistencia de diagnóstico se utiliza para ayudar a los médicos en tiempo real mediante la recuperación de datos o las recomendaciones de diagnóstico. Varias compañías también ofrecen un servicio de predicción para identificar a la mayoría de los pacientes en riesgo [5].
El potencial aquí es aún mayor cuando se tienen en cuenta los desarrollos futuros de IoT en la atención médica que permiten un monitoreo aún más detallado, pero amenazan con ahogar a los médicos en un aluvión de información. El aprendizaje automático podría usarse aquí para examinar los datos y presentar al médico la información que necesitan para tomar una decisión.
Sin embargo, las recomendaciones de diagnóstico son poco comunes debido a varios obstáculos legales y culturales. Pero como los buenos resultados académicos siguen llegando [6, 7], está progresando.
Proceso de tratamiento
Como una parte importante de la atención médica también es el proceso que atraviesa un paciente y cómo se lo trata. Las mejoras en este proceso pueden producir ganancias tanto en la calidad como en el costo de la atención. He tenido la oportunidad de trabajar en estos proyectos con el Fondo de Seguro de Salud de Estonia.
Para este fin, se ha utilizado una rama de la ciencia de datos llamada minería de procesos con bastante éxito [8].
También se han realizado investigaciones para tratar de predecir la enfermedad en toda la población, pero que yo sepa, ningún modelo de este tipo está siendo utilizado activamente [9, 10].
Las aplicaciones de IA probablemente ganarán más terreno en el futuro cercano, ya que a principios de 2017 más de 100 compañías estaban brindando tales servicios en el sector [11]
Si está interesado en aprender más sobre este tema, no dude en ponerse en contacto con nuestro equipo de expertos en inteligencia artificial en MindTitan.
[1] https://research.googleblog.com/…
[2] https://www.nature.com/nature/jo…
[3] https://arxiv.org/pdf/1707.01836…
[4] https://arxiv.org/abs/1707.04642
[5] https://www.lumiata.com/
[6] http://journals.plos.org/plosone…
[7] https://www.ncbi.nlm.nih.gov/pub…
[8] http://www.sciencedirect.com/sci…
[9] https://comserv.cs.ut.ee/home/fi…
[10] https://www.ncbi.nlm.nih.gov/pmc…
[11] https://www.cbinsights.com/resea…