Visitas: 17
Conferencia del Dr. Juan Camilo Arias Bodmer. Médico, profesor e investigador de la Universidad El Bosque.
Actualmente, estamos viviendo un cambio en el paradigma de pensamiento que facilita la integración de la Inteligencia Artificial (IA) en la medicina. Tradicionalmente, la medicina se ha centrado en resolver problemas específicos como enfermedades infecciosas o fracturas, que tienen respuestas claras y acciones definidas. Sin embargo, con el tiempo, han surgido nuevas problemáticas, especialmente en el ámbito de las enfermedades crónicas no transmisibles como la hipertensión, diabetes y cáncer, que presentan una complejidad mayor debido a su origen multifactorial.
Estas enfermedades crónicas dependen de múltiples factores biológicos, sociales y ambientales que interactúan de manera inesperada y requieren un enfoque más integral. Las guías o recomendaciones de tratamiento actuales a menudo no abordan adecuadamente la complejidad de estos problemas. Este cambio en el panorama médico ha llevado a un mayor interés en cómo la IA puede ayudar a comprender y abordar estas situaciones complejas.
La IA puede ser una herramienta útil para entender mejor el contexto de estas enfermedades crónicas y desarrollar soluciones más eficaces si entendemos la IA como un intento de simular la mente humana que ha evolucionado hacia métodos más avanzados como el aprendizaje automático o “machine learning”, que permite a los sistemas aprender y proporcionar información que como humanos no podríamos encontrar fácilmente o rápidamente.
Este conocimiento se puede clasificar de acuerdo con su capacidad de aprendizaje: supervisado, no supervisado y por refuerzo. La IA supervisada requiere que se etiqueten los datos para su entrenamiento, mientras que la no supervisada permite que el sistema aprenda de los datos sin categorización previa. El aprendizaje por refuerzo implica que el sistema recibe recompensas por realizar tareas correctamente, ayudando a optimizar su rendimiento.
Además, la IA puede clasificarse según su funcionalidad: aquella que sigue protocolos específicos, aquella con sistemas de aprendizaje automático que no se adhieren estrictamente a protocolos, y aquella generativa que crea nueva información. La IA generativa puede ser útil pero también plantea riesgos debido a su naturaleza especulativa, mientras que la IA no generativa se basa en datos existentes, lo que puede hacerla más segura y predecible.
Los profesionales de la salud enfrentan varios desafíos al implementar la IA. Primero, la falta de capacitación específica en el uso de estas herramientas, segundo, la dificultad para tomar decisiones contextualizadas debido a la dependencia de información general que los obliga a solucionar en pacientes de distintos entornos, tercero, el etiquetamiento de datos que es un proceso crucial pero complejo que requiere tiempo y recursos significativos, cuarto, la opacidad en la comprensión de los procesos, la complejidad de los algoritmos dificulta la comprensión de las decisiones tomadas. Es crucial desarrollar y utilizar IA de manera transparente y regulada, con un enfoque en la precisión, fiabilidad y gestión de sesgos para garantizar su aplicabilidad en la medicina.
Herramientas de IA ya se utilizan en medicina en cirugía, en generación de imágenes, en robótica con certeza y seguridad pero otros sistemas de IA, como modelos de lenguaje de gran tamaño – LLM, presentan incertidumbres adicionales respecto a la privacidad de los datos y la calidad de las respuestas que generan. Estos sistemas, al ser menos transparentes y más propensos a sesgos, requieren una evaluación rigurosa y una regulación clara para asegurar su uso ético y efectivo en la práctica médica.
El camino de las enfermedades para muchos pacientes no es predecible ni lineal, las decisiones basadas en indicadores generales y percepciones sobre el riesgo de los pacientes de cada médico provocan que por ejemplo, 20 médicos puedan dar opiniones completamente diferentes sobre un mismo caso. Por ello, un enfoque hacia el futuro implica adaptar las herramientas de IA a la práctica clínica de manera que se puedan utilizar para proporcionar decisiones personalizadas y basadas en datos específicos del paciente, en lugar de depender únicamente de guías generales. La IA puede ayudar a identificar riesgos de enfermedades de manera más temprana y ajustar tratamientos de forma más precisa.
La capacidad de la IA para integrar múltiples indicadores y ofrecer predicciones basadas en datos amplios y variados, en poblaciones grandes de pacientes, puede superar las limitaciones de los métodos tradicionales, proporcionando una base más sólida para la toma de decisiones clínicas.
El Dr. Arias ha trabajado en un estudio que permite ejemplificar cómo la técnica de machine learning permite recopilar información de 20.000 pacientes con diabetes, utilizando las prevalencias de las enfermedades en cada sitio donde aplican los análisis, con el fin de evaluar y predecir el riesgo de desarrollo de la enfermedad. Este tipo de información permite mejorar la administración de los tratamientos al personalizar las intervenciones para cada paciente según su perfil biológico generando un diagnóstico rápido y preciso y a la vez usando un modelo predictivo, anticipar riesgos y tomar medidas preventivas. A la vez, los profesionales de la salud podrán tomar decisiones con más información que permitan mejorar los resultados clínicos.
Para que la IA sea realmente útil en la medicina, es esencial que su uso sea transparente y responsable y que se implementen controles rigurosos para proteger la información personal y minimizar los sesgos. La educación y la investigación continua en el uso de estas tecnologías son fundamentales para garantizar que se integren de manera efectiva y ética en la práctica médica.
:::::::::::::::::::::::::
Intervención en: ICEB – INTELIGENCIA ARTIFICIAL, SALUD Y BIOÉTICA. UNA REALIDAD INMINENTE
Nota. Victoria Rodríguez G. Comunicaciones Academia Nacional de Medicina
