Diversas investigaciones indican que la inteligencia artificial (IA) puede igualar o superar a los humanos en tareas médicas clave, como el diagnóstico de enfermedades. Aunque los algoritmos, por ejemplo, a veces llegan a superar a los radiólogos en la detección de tumores malignos y a investigadores en la planificación de ensayos clínicos, se prevé que pasarán años antes de que la IA reemplace a los humanos en muchas áreas de la atención médica.

En la actualidad, la influencia de la IA en el campo de la atención médica está en constante expansión.  Aunque ya existen avances notables, se plantean desafíos y consideraciones éticas que moldearán su integración en la práctica médica. En el presente artículo haremos un recorrido sobre los tipos más utilizados y sus desafíos. <h3>Aprendizaje automático: redes neuronales y aprendizaje profundo (deep learning) </h3>El aprendizaje automático es una técnica estadística para "aprender" mediante modelos con datos. En la atención médica, su aplicación más común es la medicina de precisión: predecir qué protocolos de tratamiento es probable que tengan éxito en función de características del paciente y el contexto del tratamiento. Una aplicación común del aprendizaje profundo en la atención médica es el reconocimiento de lesiones potencialmente cancerosas con imágenes de radiología.1 En la figura 1 se evidencian las posibles aplicaciones clínicas de la IA en oncología.<figure class="image"><img src="https://res.cloudinary.com/docred/image/upload/t_optimization/v1694174019/Grafica_Aplicaciones_clinicas_de_la_IA_en_el_diagnostico_temprano_del_cancer_a73986b9c8.webp" /></figure><h3>Procesamiento del lenguaje natural (PLN) </h3>Abarca reconocimiento de voz, análisis de texto, traducción y otros objetivos relacionados con el lenguaje. Los sistemas de PLN son capaces de analizar registros clínicos de pacientes, generar informes de pruebas diagnósticas, transcribir interacciones con pacientes y mantener conversaciones de IA.1  Un ejemplo de lo anterior es ChatGPT. Una revisión sistemática destacó diversos beneficios de su uso en educación y práctica en salud, como mejorar la redacción científica y la versatilidad en la investigación, ser útil en la investigación médica (análisis eficiente de datos, generación de código, revisiones de literatura, ahorro de tiempo en el diseño experimental y en el desarrollo de fármacos), así como ventajas en la práctica médica (optimización del flujo de trabajo, reducción de costos, documentación, medicina personalizada y aumento de la alfabetización en salud).3  Sin embargo, también se señalaron debilidades relacionadas con preocupaciones éticas, derechos de autor, transparencia y problemas legales, riesgo de sesgo, plagio, falta de originalidad, contenido inexacto con riesgo de generar confusiones, conocimiento limitado, citas incorrectas, problemas de ciberseguridad y riesgo de propagación de información errónea (infodemia).3 <h3>Adherencia al tratamiento en pacientes </h3>La implementación de alertas de mensajes y contenido específico es una herramienta eficaz para que pacientes crónicos cumplan con su tratamiento. Además, en el ámbito de la atención médica, se busca una estrategia para influir en el comportamiento de los pacientes con base en evidencia. Esto se logra mediante comparación de datos de la persona con vías de tratamiento exitosas en cohortes similares, utilizando información de registros electrónicos, dispositivos portátiles, interfaces de conversación y otros medios.1 <h3>Aplicaciones administrativas </h3>La IA tiene variedad de aplicaciones en labores administrativas de salud, incluido el procesamiento de reclamaciones, la documentación clínica, la gestión del ciclo de ingresos y el manejo de registros médicos. Actualmente se utilizan chatbots para transacciones simples como renovar recetas o hacer citas. Sin embargo, en una encuesta a 500 usuarios de los cinco principales chatbots utilizados en la atención médica en EE. UU., los pacientes expresaron preocupación por revelar información confidencial, discutir condiciones de salud complejas y mala usabilidad.1  Hasta el momento ningún trabajo en el campo de la salud ha sido reemplazado por la IA. Esto se debe en parte a la dificultad de integrar esta herramienta a los flujos de trabajo clínicos y a los sistemas de registros médicos electrónicos. Sin embargo, algunos roles corren más riesgo de ser reemplazados, en especial aquellos que utilizan información digital, como la radiología y la patología, por encima de los que demandan un contacto directo con el paciente. 1 En un metanálisis se comparó el rendimiento del deep learning (DL) con el de profesionales en salud, en la detección de enfermedades por imágenes, y se encontró que el rendimiento diagnóstico de los modelos de DL es equivalente al de los profesionales de la salud. Sin embargo, los estudios encontrados tenían múltiples problemas metodológicos por lo que se pone en duda la confiabilidad de los resultados.4 Por otro lado, la implementación cotidiana de la IA en imágenes médicas enfrenta desafíos, ya que la diferencia de algoritmos entre instituciones complica la integración en los procesos clínicos. La diversidad de objetivos, como la probabilidad de lesiones o cáncer, dificulta su adopción en la práctica clínica actual.1  Además, los algoritmos de aprendizaje profundo para el reconocimiento de imágenes requieren millones de imágenes de pacientes que hayan recibido un diagnóstico definitivo de cáncer, fracturas u otra patología. Sin embargo, no existe un repositorio agregado de imágenes de radiología por cada paciente.1 Es inevitable que los sistemas de IA cometan errores en el diagnóstico y tratamiento, y puede ser difícil establecer su responsabilidad. También es probable que existan incidentes en los que las personas prefieran recibir información de un médico empático y no de un sistema de IA.1 La IA desempeña un papel crucial en la evolución de la atención médica, sobre todo en la medicina de precisión impulsada por el aprendizaje automático. Con los avances en el análisis de imágenes, es probable que la mayoría de las radiografías y patologías sean evaluadas por máquinas. Aunque el mayor desafío radica en garantizar la integración de la IA en la práctica clínica diaria, se espera que, con el tiempo, se superen los obstáculos regulatorios de adopción y financiamiento. Si bien la IA no reemplazará a los clínicos humanos a gran escala, sí puede complementar los esfuerzos en la atención al paciente.1Comentario editorial Si logramos superar estos desafíos, la IA tiene el potencial de fortalecer en gran medida la toma de decisiones médicas, sin dejar de lado el conocimiento aplicado de los médicos, ya que puede actuar como un valioso aliado para los profesionales de la salud y, en última instancia, mejorar la calidad y precisión de la atención al paciente. ¿La integraría usted en su práctica clínica?<figure class="poll" data-id="781">{ Poll ID: 781}</figure>

Oncología

Radiología e Imágenes Diagnósticas

Medicina General

Docred

Revolución de la inteligencia artificial en la atención médica: desvelar el futuro de la salud

Nuevas herramientas en inteligencia artificial se comienzan a aplicar en la atención médica. ¿Reemplazarán al personal de salud? Descúbralo acá.