class="lazyload

NOTICIAS / AI TECNOLOGÍA

Las fantasías son habituales cuando se trata de AI. Sin embargo, es necesario encontrar el entorno adecuado para su aplicación con el fin de integrar plenamente AI en el ámbito sanitario.

Primero se necesita un entorno global.

Históricamente, el sistema experto MYCIN, desarrollado en 1974, se considera la primera aplicación de Inteligencia Artificial en el ámbito sanitario. Su objetivo era ayudar a los médicos en el diagnóstico y tratamiento de diversas enfermedades de la sangre. Al intentar reproducir los mecanismos cognitivos de los expertos en un área determinada mediante un razonamiento basado en hechos y reglas (alrededor de 700 reglas), este software ha permitido obtener resultados más concluyentes que los intentos humanos. En 1979, para medir su eficacia, el sistema participó en una competición contra 8 médicos: Se presentaron 10 casos y MYCIN ocupó siempre el primer puesto.

Las promesas de la aplicación de AIal sector sanitario son múltiples: gracias a una mayor precisión diagnóstica, en particular, se reducirían los costes operativos de las instituciones médicas y se conseguirían planes de tratamiento cada vez más personalizados para los pacientes.

Las fantasías son habituales cuando se trata de AI. Sin embargo, es necesario encontrar el entorno adecuado para su aplicación con el fin de integrar plenamente AI en el ámbito sanitario.

La interoperabilidad allana el camino a la medicina de precisión

La interoperabilidad, referida a la capacidad de compartir fácilmente data entre las distintas partes interesadas, es una limitación inherente al ámbito sanitario, que dificulta la integración de AI. Las bases de datos médicas centrales o los formatos de almacenamiento estándar son muy escasos: la mayoría de las veces, los documentos se escriben a mano y luego se envían por fax, lo que hace que cualquier tipo de extracción de data no sea interpretable para las máquinas.

Con el fin de establecer un entorno propicio para AI en la atención sanitaria, es primordial democratizar el acceso a la información médica data. Esto es de suma importancia para alimentar y mejorar los modelos de aprendizaje automático.

Múltiples factores pueden influir en ella, como:

  • El volumen de data médicos aumenta como consecuencia de la multiplicación de los wearables o de las bases de datos de secuenciación genómica.
  • Data disponibilidad facilitada por el uso generalizado de las historias clínicas electrónicas. Ahora permiten acceder fácilmente a un historial de data que se remonta a más de 10 años.

La start-up francesa Lifen, por ejemplo, se centra ahora principalmente en la interoperabilidad en el sector sanitario. Ha desarrollado una plataforma de intercambio seguro para médicos e instituciones médicas, basada en algoritmos de Inteligencia Artificial . Además de proporcionarles el directorio de profesionales sanitarios más completo de Francia, su solución es compatible con el 100% de los programas informáticos para consultas médicas: el formato data utilizado ya no dificulta el intercambio de información médica data, y la información de los pacientes ya no está dispersa en múltiples programas informáticos.

La llegada de la telemedicina es un ejemplo perfecto de la democratización del acceso a la medicina data .

Hoy en día, el teléfono móvil proporciona una nueva fuente de data y representa una potente herramienta de diagnóstico. El uso cada vez más extendido de los teléfonos móviles, unido a la reducción de las tasas de error de los algoritmos de reconocimiento visual, ha llevado a los fundadores de SkinVision a diseñar una aplicación que utiliza la cámara del teléfono para controlar las lesiones cutáneas y evaluar los riesgos de cáncer de piel. Como resultado, este enfoque de "telemedicina" permite a los médicos adquirir un conocimiento más refinado de los comportamientos y estilos de vida de los pacientes, y elaborar planes de tratamiento médico más preventivos que curativos.

Gracias a la combinación de Big Data, análisis predictivo y Inteligencia Artificial, el diagnóstico y los tratamientos son personalizados, lo que conduce a un enfoque totalmente centrado en el cliente, que hoy en día se denomina medicina de precisión.

La flexibilidad normativa y el apoyo gubernamental son necesarios para implantar rápidamente las aplicaciones de AI en el ámbito sanitario.

El ritmo frenético de las actualizaciones de los sistemas de aprendizaje automático y aprendizaje profundo marca la pauta y se necesita una regulación más laxa para que las implementaciones de AI en la sanidad sigan el ritmo.

En Estados Unidos, por ejemplo, la FDA (Food and Drug Administration) ha acelerado el proceso de aprobación del software de diagnóstico AI y el uso de la visión por ordenador en imágenes médicas desde 2018. En abril de 2018, la organización ha autorizado los algoritmos de AI para diagnosticar enfermedades oculares como la retinopatía diabética sin la segunda opinión de un médico.

Del mismo modo, las principales empresas tecnológicas de China cuentan con el firme apoyo del gobierno, especialmente en la centralización de data y la automatización de los procesos médicos. El Ministerio de Ciencia y Tecnología de China anunció en 2017 que contaría con Tencent para lanzar una plataforma AI de código abierto para imágenes y diagnósticos médicos. Mientras tanto, el uso de la plataforma de red de Tencent, WeChat, para reservar citas en línea y pagar tarifas se está extendiendo cada vez más dentro de los centros médicos. La estrategia parece dar sus frutos, ya que en el primer semestre de 2018, China superó al Reino Unido para convertirse en el segundo país más activo en la aplicación de AI dentro del sector sanitario.

El desarrollo de sinergias entre empresas tecnológicas e instituciones médicas es un requisito previo para la integración de AI en el sector sanitario

Los gigantes tecnológicos están facilitando el acceso a data y proporcionando herramientas tecnológicas continuamente optimizadas para los centros médicos.

Apple, por ejemplo, contribuye creando un ecosistema propicio a los ensayos clínicos. Los procesos en torno a los ensayos clínicos pueden resultar especialmente largos y costosos. Al proporcionar a los investigadores un flujo continuo data desde dispositivos portátiles como el reloj de Apple, los investigadores pueden beneficiarse de información en tiempo real sobre la salud de los pacientes que participan en sus estudios. El gigante tecnológico estadounidense también ha lanzado en 2015 dos frameworks de código abierto, ResearchKit et CareKit, que facilitan el emparejamiento óptimo entre paciente y ensayo clínico, además de ayudar a monitorizar su evolución durante el estudio iniciado. Esta iniciativa es solo un ejemplo entre las decenas de otras emprendidas por Apple desde 2015, como resultado del deseo de Compañiade posicionarse como líder en el sector.

Así, la interoperabilidad, el apoyo gubernamental y una regulación flexible, así como la introducción de sinergias entre las empresas tecnológicas y las instituciones médicas, representan las variables ambientales interrelacionadas que pueden proporcionar el terreno fértil necesario para la plena explotación del potencial de AIdentro de la industria sanitaria.

Descubra cómo AI mejorará el sector sanitario en la Noche Europea de AI .