Aplicación de Machine Learning en la medicina, la salud pública y la epidemiologia

El machine learning es una herramienta increíble que hoy en día se utiliza mucho en el area de la salud.  ¿Pero conoces cuáles son sus principales utilidades y como se desarrolla en esta area tan importante?

A continuación te mostrare algunos temas interesantes que los autores consideran más relevantes para aprender de machine learning en la actualidad.

Utilidad del Machine Learning en la gestión de salud

Los procesos involucrados en la atención de salud generan una gran cantidad de información que resulta difícil analizar. Esto se debe, entre otras cosas, al volumen, velocidad de producción y diversidad de los datos (por ejemplo: texto, imágenes, tiempos, registros administrativos). Herramientas como el Machine Learning u otras técnicas de Data Science permiten lidiar con estas dificultades facilitando la entrega de información rápida y confiable que ayude a la toma de decisiones en las organizaciones de salud.

Los algoritmos de aprendizaje automático, además de ser útiles para realizar predicciones clínicas y epidemiológicas, también pueden ser aplicados en la gestión de servicios de salud. En esta área, tienen el potencial de aportar al análisis de los procesos clínicos y administrativos que tienen lugar en una organización de salud. Un proceso puede ser definido como una serie de pasos interconectados dentro de un contexto organizacional cuyo objetivo es crear bienes o servicios. Algunos ejemplos de procesos son la atención de un paciente en el servicio de urgencia, la gestión de insumos, la organización del personal sanitario, entre otros.

La evidencia ha mostrado que un aspecto necesario para entregar cuidados de salud de calidad es la integración de los servicios. Esto implica integrar, no solo los diferentes procesos clínicos como podrían ser las atenciones de salud entregadas por diferentes especialistas, sino también procesos de carácter administrativo como la provisión de insumos o la gestión de costos. Estos procesos, usualmente no ocurren de forma lineal en una organización de salud sino que existen en paralelo e interactúan entre sí. Por lo tanto, intervenir un proceso determinado no solo impacta en su propio desempeño sino también en otros que tienen relación con él. La integración propone desafíos en el diseño, implementación y especialmente en la evaluación de los procesos que ocurren al interior de la organización de salud. Para todos estos aspectos es crucial analizar los datos derivados de tales procesos.

INTELIGENCIA ARTIFICIAL
EN EPIDEMIOLOGÍA Y SALUD PÚBLICA

Establecer la asociación entre las enfermedades y los factores que las pueden provocar o influir en su frecuencia, distribución espacial y su evolución, son los principales objetivos de la epidemiología, la cual es fundamental para la toma de decisiones en salud pública, si bien inicialmente se utilizaban métodos observacionales, la estadística permitió realizar análisis más complejos, a su vez, en los últimos años el acceso a diversas fuentes de información y a grandes volúmenes de datos han favorecido la utilización cada vez más frecuente de la inteligencia artificial para resolver problemas en las áreas de epidemiología y salud pública, lo cual se ha reflejado en un incremento en el número de publicaciones. En nuestro estudio encontramos una tendencia creciente en el número de publicaciones, la cual se duplicó en el último año, particularmente a partir del análisis de datos relacionados con la pandemia COVID-19.

Los modelos de IA pueden estimar el riesgo de eventos en salud y por lo tanto se pueden utilizar como herramienta en la toma de decisiones en salud pública; a su vez, los algoritmos de aprendizaje de máquina tienen el potencial de identificar asociaciones complejas y no lineares con implicaciones positivas en el desempeño predictivo de estos modelos, los cuales, pueden resultar de utilidad en epidemiología para descubrir mecanismos desconocidos, difíciles de identificar a partir de métodos deductivos cuando se desconoce a priori su existencia.

Big Data Analysis y Machine Learning en medicina

El planteamiento clásico del clínico con respecto al manejo de los datos para investigación clínica se basa en la premisa de que es necesario obtener información de calidad para conseguir resultados fiables y aplicables a los pacientes. La dificultad para obtener la información hace que se intente optimizar este proceso aplicando diseños prospectivos, aleatorización y una hipótesis de trabajo previa al análisis de los datos.

Como alternativa al uso exclusivo de datos recogidos de manera ortodoxa, la novedad que las técnicas de análisis de Big Data (Big Data Analysis [BDA]) ofrecen es la detección de la estructura y el conocimiento subyacente en cantidades ingentes de información, incluso aunque aparentemente no esté estructurada.

Las herramientas de Big Data Analysis y Machine Learning suponen una gran oportunidad para mejorar la gestión estratégica de las unidades, el manejo de casos clínicos concretos y la investigación clínica. Sin embargo, para poder aprovechar esta nueva metodología necesitamos evolucionar incorporando nuevos recursos humanos (personal especializado con conocimientos clínicos y entrenamiento en inteligencia artificial) y tecnológicos. Además, debemos ser capaces de armonizar los condicionantes de privacidad y seguridad de los datos de nuestros pacientes con la posibilidad de utilizar grandes bases de datos clínicas de manera eficiente.

Los autores estamos convencidos de que un equipo internacional y multidisciplinar, que trabaje colectivamente para extraer conocimiento de grandes conjuntos de datos clínicos según se ha explicado a lo largo de este manuscrito, puede traer una revolución a la práctica moderna de la atención al paciente crítico.

El rol de la inteligencia artificial y su relación con la salud 

De acuerdo a Chacón Rangel et al., la inteligencia artificial «es la disciplina que busca entender y modelar las capacidades de procesamiento de información de la mente humana, y comprender los principios generales para explicar y modelar sistemas inteligentes, sean humanos, animales o artificiales» y «utiliza el computador como medio de simulación». El campo de la inteligencia artificial ha evolucionado mucho desde 1956, cuando un grupo de investigadores acuñó el término. Si bien ahora hay muchas aplicaciones basadas en inteligencia artificial que se han implementado en países desarrollados, el uso en entornos con limitaciones de recursos sigue siendo relativamente incipiente. Siendo los errores de diagnóstico un motivo de seria preocupación en países en vías de desarrollo, las herramientas de inteligencia artificial pueden cumplir un rol importante para optimizar el proceso de diagnóstico de enfermedades infecciosas, incluyendo la tuberculosis y la COVID-19 (16). No existen clasificaciones universalmente aceptadas de subcampos de inteligencia artificial relevantes para la salud. A continuación, se describen de manera suscinta dos de los subcampos de la inteligencia artificial: el aprendizaje computacional y el aprendizaje profundo. El aprendizaje computacional (machine learning) es un método para automatizar el análisis de datos mediante el uso de algoritmos que identifican iterativamente patrones en los datos y aprenden de ellos. El aprendizaje profundo (deep learning) utiliza «diversas cadenas de redes neuronales que además de conformar estructuras complejas secuenciales o en diversas configuraciones, las configuran en roles diferentes». El campo de la inteligencia artificial ha progresado hacia una nueva era de aprendizaje profundo. En particular, las redes neuronales convolucionales (convolutional neural networks) son una clase de aprendizaje profundo que utiliza una red neuronal artificial para analizar imágenes visuales. Las redes neuronales convolucionales se han convertido en la técnica preferida para analizar imágenes médicas. Actualmente, se consideran de vanguardia para clasificar imágenes.

Bibliografía

Curioso, W. H., & Brunette, M. J. (2020). Inteligencia artificial e innovación para optimizar el proceso de diagnóstico de la tuberculosis. Revista peruana de medicina experimental y salud publica, 37(3), 554–558. https://doi.org/10.17843/rpmesp.2020.373.5585

Núñez Reiz, A., Armengol de la Hoz, M. A., & Sánchez García, M. (2019). Big Data Analysis and Machine Learning in intensive care units. Medicina Intensiva (English Edition), 43(7), 416–426. https://doi.org/10.1016/j.medin.2018.10.007

Pedrero, V., Reynaldos-Grandón, K., Ureta-Achurra, J., & Cortez-Pinto, E. (2021). Generalidades del Machine Learning y su aplicación en la gestión sanitaria en Servicios de Urgencia. Revista medica de Chile, 149(2), 248–254. https://doi.org/10.4067/s0034-98872021000200248

Vista de ESTADO DEL ARTE, VENTAJAS Y LIMITACIONES DE LA INTELIGENCIA ARTIFICIAL EN EPIDEMIOLOGÍA Y SALUD PÚBLICA. (s/f). Revistamedicina.net. Recuperado el 14 de agosto de 2022, de https://www.revistamedicina.net/index.php/Medicina/article/view/1647/2135