TEMA 2. INTRODUCCIÓN A LA INTELIGENCIA ARTIFICIAL. CONCEPTOS FUNDAMENTALES Y APLICACIONES EN SALUD

1. INTELIGENCIA ARTIFICIAL

Existen múltiples fuentes de generación de datos en salud, tanto intencionales como no intencionales. Las Historias Clínicas Electrónicas (HCE), los registros de seguros de salud, las bases de datos de salud pública y las de investigación, son grandes fuentes de datos que abarcan una amplia población de pacientes. Además, existen otras fuentes más pequeñas de generación de datos, como los datos recopilados por dispositivos y otras tecnologías utilizadas por pacientes individuales o en entornos clínicos. Es importante mencionar también el desarrollo de los llamados Data Lake sanitarios o repositorios de datos que recogen la información a partir de los diferentes sistemas de información existentes y que permiten su procesamiento y análisis masivo.

Representación gráfica del Data Lake. Obtenido de databricks.com. 

Los dispositivos médicos están cada vez más digitalizados y conectados, lo que ha llevado a un aumento gradual en el flujo de datos. Estos datos pueden ser utilizados en tiempo real en las HCE, o se pueden extraer información adicional de los datos en bruto recopilados a partir de la integración de diferentes dispositivos. En particular, las tecnologías de diagnóstico por imagen se han digitalizado por completo y suelen utilizar diversas herramientas de procesamiento de imágenes para obtener imágenes utilizadas en diagnósticos. 

La telemedicina y la monitorización a distancia también han experimentado un rápido crecimiento gracias a la disponibilidad de sensores, tecnología inalámbrica e internet. Y existe una creciente cantidad de dispositivos electrónicos de consumo, dispositivos "wearables" o “vestibles” y dispositivos médicos para la monitorización y el diagnóstico, los cuales generan una enorme cantidad de datos. A medida que los pacientes se vuelven más activos en la monitorización de su salud y asumen la responsabilidad de su enfermedad, se ha producido un aumento en la acumulación de datos. De esta forma, gran parte de los nuevos datos de salud vendrán de dispositivos que generan continuamente información personal. 

Esta enorme cantidad de datos precisa de métodos analíticos muy potentes que permitan procesar e interpretar la información, con la finalidad de que tengan sentido y aporten valor a la salud de las personas. Estos métodos se obtienen a partir de tecnologías de Inteligencia Artificial (IA), que permiten extraer la información valiosa de los datos y llevarlos al terreno del diagnóstico, la predicción o la toma de decisiones clínicas.

La Inteligencia artificial es una disciplina de las ciencias de la computación cuyo fin es la creación de máquinas y algoritmos que imiten la inteligencia humana, para la resolución de diferentes tareas. Este término se extendió sobre todo a partir de la década de 1950, con los trabajos de John McCarthy y, sobre todo, Alan Turing, cuya famosa prueba, el Test de Turing se ha utilizado a lo largo de todo este tiempo como medida de la capacidad de estos sistemas para asemejarse a la inteligencia humana.

La IA se ha utilizado en las últimas décadas en infinidad de campos. Bien conocidos son sus avances en el ámbito del ajedrez o el reconocimiento de voz y más recientemente, en la generación de textos e imágenes de gran calidad de modelos como ChatGPT o Dall-e, por poner algunos ejemplos.

A nivel tecnológico, la arquitectura de las diferentes inteligencias artificiales ha evolucionado mucho a lo largo del tiempo, desde el procesamiento de sencillos algoritmos a la interconexión de complejas redes neuronales artificiales, que intentan emular las conexiones del cerebro humano y que aprenden a través de diferentes modelos de aprendizaje.

En cuanto a su clasificación, algunos científicos la dividen en:

• IA estrecha o débil (en inglés, Artificial Narrow Intelligence o ANI), que corresponden a todos los modelos que disponemos en la actualidad y que realizan tareas específicas.
• IA fuerte o general (en inglés Artificial General Intelligence o AGI), la cual igualaría o superaría la inteligencia humana, realizando cualquier tarea de tipo intelectual.
• Súper IA (en inglés Artificial Super Intelligence o ASI): sería el mayor grado de desarrollo de esta tecnología. Algunos expertos vaticinan que de alcanzarse esta última, podría implicar el surgimiento de una conciencia artificial.

En este momento y para nuestro contexto actual, los modelos de inteligencia artificial que están alcanzando un mayor desarrollo son los que se refieren a la rama del aprendizaje automático. 

2. APRENDIZAJE AUTOMÁTICO 

El aprendizaje automático (en inglés Machine Learning o ML), es una subdisciplina de la IA que incluye diferentes técnicas para la búsqueda de patrones entre los datos, lo cual permite entender aspectos de la salud complejos (por ejemplo, predecir el pronóstico de una enfermedad a partir de la recogida de constantes vitales). Para ello, emplea modelos matemáticos basados en probabilidad y estadística, formulando predicciones sobre los datos no disponibles a partir de los que sí dispone. En lugar de utilizar reglas y algoritmos predefinidos como los que tienen los programas informáticos habituales, el aprendizaje automático se basa en la capacidad de las máquinas para aprender a partir de los datos, identificar patrones, hacer predicciones y tomar decisiones basadas en esa información.

El aprendizaje automático precisa de enormes volúmenes de datos con los que entrenar sus modelos, que además deben de ser de calidad y representativos de los resultados que se quieren obtener. Datos que se obtienen de la llamada “minería de datos”, que son procesos que se encargan de recopilar y limpiar los datos de entrada. Y estos modelos precisan también de una enorme capacidad de procesamiento, ya que como veremos incluyen distintas capas de abstracción de la información. Existen diferentes tipos de aprendizaje automático, entre los cuales destacan el supervisado, no supervisado, semisupervisado, por refuerzo y profundo.

2.1. Aprendizaje automático supervisado 

En este caso los algoritmos se entrenan utilizando un conjunto de datos etiquetados. Esto significa que los datos de entrenamiento incluyen tanto las características de entrada como las etiquetas o resultados deseados. El algoritmo aprende a realizar predicciones o clasificaciones basándose en esta información etiquetada. Algunos ejemplos comunes de algoritmos supervisados son las máquinas de vectores de soporte (SVM), los árboles de decisión y las redes neuronales.

Los algoritmos de aprendizaje automático supervisado pueden entrenarse utilizando conjuntos de datos de pacientes previamente diagnosticados con una enfermedad específica. Estos modelos pueden aprender a identificar patrones y características relevantes en los datos de los pacientes, como síntomas, resultados de pruebas o imágenes médicas, y utilizar esta información para hacer predicciones sobre si un paciente dado tiene o desarrollará esa enfermedad. Por ejemplo, en el caso del diagnóstico de cáncer, los algoritmos de aprendizaje automático pueden analizar imágenes de radiografías, resonancias magnéticas o histopatología para detectar señales tempranas de malignidad. También se pueden utilizar para predecir el resultado de un tratamiento. Al entrenar un modelo con datos de pacientes que han recibido tratamientos similares en el pasado, el algoritmo puede identificar características y factores de riesgo que influyen en los resultados. Esto permite a los profesionales de la salud tomar decisiones más informadas y personalizadas sobre los tratamientos más adecuados para los pacientes. 

Funcionamiento de aprendizaje automático supervisado. Adaptado de Manual Práctico de Inteligencia Artificial en Entornos Sanitarios.

Otro ejemplo de su utilidad es la identificación de patrones normales y detectar anomalías o desviaciones en los datos de salud del paciente. Esto puede ser útil en la detección temprana de enfermedades o en la identificación de señales de alarma. Por ejemplo, en la monitorización de pacientes en cuidados intensivos, los modelos de aprendizaje automático pueden analizar continuamente los signos vitales y las mediciones clínicas para detectar patrones anómalos que indiquen un deterioro del estado de salud. 

2.2. Aprendizaje automático no supervisado 

En contraste con el aprendizaje supervisado, en el aprendizaje automático no supervisado no se proporcionan etiquetas en el conjunto de datos de entrenamiento, permitiendo que los algoritmos extraigan patrones de los datos de forma autónoma. El algoritmo debe descubrir patrones o estructuras ocultas en los datos por sí mismo. Los algoritmos de clustering, como el k-means y el agrupamiento jerárquico, son ejemplos de técnicas no supervisadas que se utilizan para agrupar datos en categorías o segmentos.

Un ejemplo muy reconocible es el uso que hacen las plataformas de streaming de contenidos (cine o música) con los algoritmos no supervisados. El algoritmo de factorización de matrices busca identificar patrones en la forma en que los usuarios califican o miran películas y escuchan música. Utiliza técnicas de aprendizaje automático no supervisado para descomponer la matriz de interacciones usuario-contenido en factores latentes, que representan características o preferencias ocultas. Una vez que se han identificado los perfiles de usuario, las plataformas pueden utilizar estos perfiles para generar recomendaciones personalizadas. Por ejemplo, si un usuario tiene un perfil similar al de otros usuarios que han disfrutado de películas de ciertos géneros o directores, se le pueden recomendar películas similares. Este enfoque de recomendación no supervisada permite aprovechar el poder de los datos sin necesidad de recopilar información explícita sobre las preferencias de cada usuario. Además, a medida que se agregan más datos y se actualiza el modelo, las recomendaciones se vuelven más precisas y adaptadas a cada usuario individual. 

En el ámbito de la salud, este tipo de aprendizaje puede ser útil por ejemplo para la segmentación de poblaciones, clasificando a los pacientes en subgrupos o cohortes con características similares. Al analizar grandes conjuntos de datos de pacientes, como registros médicos electrónicos, se pueden descubrir patrones y relaciones entre las variables que pueden ayudar a identificar grupos de pacientes con características clínicas o genéticas compartidas. Esto puede ser útil para personalizar la atención sanitaria, identificar riesgos o detectar grupos de pacientes con características de respuesta similares a un tratamiento determinado.

También se utiliza para detectar anomalías o desviaciones inusuales en los datos de salud. Estos modelos aprenden a partir de datos normales y, posteriormente, pueden identificar puntos o patrones atípicos en los datos que podrían indicar la presencia de una enfermedad o una condición anormal. Esto es especialmente útil en aplicaciones de monitoreo continuo de datos, como la detección temprana de arritmias cardíacas o alteraciones en el nivel de glucosa de personas con diabetes.

Otra de las utilidades en salud es la de poder agrupar datos similares sin la necesidad de etiquetas previas. Al aplicar algoritmos de clustering, como el k-means o el agrupamiento jerárquico, se pueden identificar grupos de datos que comparten características similares. Esto puede ser útil en el análisis de datos genómicos para identificar subtipos de enfermedades o en la clasificación de imágenes médicas para detectar diferentes tipos de tumores o anomalías.

Por último, el aprendizaje automático no supervisado también se utiliza para extraer características relevantes de los datos de salud. Estos algoritmos identifican patrones ocultos y estructuras en los datos que pueden ser útiles para el análisis y la toma de decisiones. Por ejemplo, en el análisis de imágenes médicas, se pueden utilizar técnicas de aprendizaje no supervisado, como las redes neuronales convolucionales, para extraer características relevantes de las imágenes y facilitar la detección y clasificación de enfermedades. 

2.3. Aprendizaje automático semisupervisado 

Técnica que combina elementos del aprendizaje supervisado y no supervisado. En lugar de tener acceso completo a conjuntos de datos etiquetados o sin etiquetar, el aprendizaje semisupervisado se sitúa en un punto intermedio, donde se dispone de una pequeña cantidad de datos etiquetados y una gran cantidad de datos sin etiquetar. En lugar de depender únicamente de los datos etiquetados para entrenar un modelo, el aprendizaje semi supervisado aprovecha la información contenida en los datos sin etiquetar para mejorar el rendimiento y la generalización del modelo. Esto se logra mediante la incorporación de la estructura y las relaciones ocultas en los datos no etiquetados para guiar el proceso de aprendizaje. En el campo de la salud, el aprendizaje semisupervisado puede ser beneficioso en varias aplicaciones, como por ejemplo el análisis de grandes volúmenes de datos de texto como registros médicos electrónicos o informes clínicos. Al tener acceso a una pequeña cantidad de documentos etiquetados y una gran cantidad de documentos sin etiquetar, se pueden utilizar técnicas semi supervisadas para descubrir patrones y relaciones en el texto no etiquetado, lo que puede mejorar la clasificación de documentos, la extracción de información y otras tareas relacionadas con el procesamiento del lenguaje natural en el contexto de la salud. 

2.4. Aprendizaje automático por refuerzo 

El aprendizaje automático por refuerzo (reinforcement learning) es un área del aprendizaje automático cuyo objetivo es determinar qué acciones debe escoger un programa (software) en un entorno dado, con el fin de maximizar alguna noción de “recompensa” o premio. En el aprendizaje automático por refuerzo, un algoritmo aprende a través de la interacción con un entorno y la recepción de retroalimentación en forma de recompensas o castigos. El agente de aprendizaje realiza acciones y, según las consecuencias de esas acciones, se le asigna una recompensa o castigo. El objetivo del algoritmo es aprender a tomar las acciones que maximicen las recompensas a largo plazo. El aprendizaje por refuerzo se utiliza en campos como la robótica, los juegos y la toma de decisiones secuenciales.

El objetivo del agente es aprender una política óptima que determine qué acción tomar en cada estado para maximizar las recompensas acumuladas a lo largo del tiempo (por ejemplo, un juego en el que haya que enseñar a la máquina a sacar al jugador de un laberinto, en el que se premie a la máquina cada vez que el jugador se acerque a la salida).

El aprendizaje automático por refuerzo se ha aplicado con éxito en juegos de video, como AlphaGo. En este caso, el algoritmo aprende a jugar al juego a través de la interacción con el entorno y el recibimiento de recompensas o penalizaciones. Con el tiempo, el modelo aprende estrategias óptimas y puede superar a los mejores jugadores humanos. Otro ejemplo de uso es el de entrenamiento de robots en tareas complejas. Por ejemplo, un robot puede aprender a caminar, manipular objetos o navegar en entornos desconocidos a través de la interacción con su entorno y el feedback que recibe en forma de recompensas o penalizaciones. 

2.5. Aprendizaje profundo 

Aprendizaje profundo (deep learning) es un tipo específico de aprendizaje automático que se comporta como una red neuronal artificial con múltiples capas de abstracción, en lugar de una relación directa de entrada a salida. Se caracteriza por disponer de numerosas capas que permiten el manejo de datos complejos con estructuras diferentes. Estas redes neuronales están compuestas por múltiples capas intermedias (capas ocultas) que procesan la información de manera sucesiva, permitiendo un aprendizaje jerárquico de características cada vez más abstractas.

El aprendizaje profundo se inspira en el funcionamiento del cerebro humano y utiliza algoritmos de optimización y retropropagación para ajustar los pesos de las conexiones entre las neuronas artificiales. A medida que se propaga la información a través de las capas de la red neuronal, cada capa aprende a extraer características cada vez más complejas y abstractas a partir de los datos de entrada.

En el ámbito de la salud, ha demostrado ser muy efectivo en diversas aplicaciones, destacando su uso en el análisis de imágenes médicas: Las redes neuronales convolucionales, una arquitectura común dentro del aprendizaje profundo, son capaces de aprender automáticamente características visuales y patrones relevantes en las imágenes. Esto permite tareas como la detección y clasificación de enfermedades, la segmentación de estructuras anatómicas y la generación de imágenes médicas sintéticas. El aprendizaje profundo también se aplica en el análisis de texto médico y el procesamiento del lenguaje natural. Las redes neuronales recurrentes y los modelos de atención se utilizan para tareas como la extracción de información de registros médicos electrónicos, la clasificación de textos clínicos y la generación de resúmenes automáticos de documentos médicos. También se utiliza para el diagnóstico y el pronóstico de enfermedades. Al entrenar redes neuronales con grandes conjuntos de datos clínicos y biomédicos, es posible predecir el riesgo de enfermedades, identificar patrones de enfermedades en etapas tempranas y realizar diagnósticos más precisos. Además, el aprendizaje profundo se aplica en la predicción de resultados clínicos, como la respuesta a un tratamiento o la supervivencia de los pacientes.

Estos serían por tanto los principales tipos de aprendizaje automático, aunque también existen técnicas híbridas o combinaciones entre ellos. Además, dentro de cada tipo hay diversos algoritmos y enfoques específicos que se adaptan a diferentes problemas y conjuntos de datos. La elección del tipo de aprendizaje automático dependerá del contexto y los objetivos del problema que se esté abordando. 

3. APLICACIONES DE LA INTELIGENCIA ARTIFICIAL EN SALUD 

En los últimos años la Inteligencia Artificial ha experimentado un crecimiento sin precedentes en múltiples campos, y uno de los sectores que ha sido más impactado es el de la salud. Las aplicaciones de la Inteligencia Artificial en salud están transformando la manera en que se diagnostican enfermedades, se desarrollan tratamientos y se ofrece atención sanitaria. El uso de esta tecnología ha logrado mejorar la precisión y eficiencia de los diagnósticos, reducir los errores médicos y acelerar el descubrimiento de nuevos fármacos.

Aplicaciones en salud. Reproducido de Artificial Intelligence in brain tumor surgery. 

3.1. Desarrollo de fármacos 

El uso de la inteligencia artificial en este ámbito incluye el descubrimiento de fármacos y el diseño de nuevas moléculas. El uso de tecnologías de aprendizaje automático sobre grandes bases de datos de compuestos químicos permite acelerar los tiempos en el descubrimiento de fármacos y mejorar la correlación de los datos con las propiedades moleculares que se necesitan para el desarrollo de fármacos. En este sentido, la industria farmacéutica está desarrollando nuevos métodos computacionales de simulación del proceso del fármaco, que permite cosas como el análisis de la funcionalidad biológica de los receptores de fármacos, la detección de las propiedades de toxicidad esperadas o la determinación del acoplamiento óptimo de un fármaco a una molécula receptora. Para ello, se emplean distintas técnicas de aprendizaje automático de las vistas anteriormente, entre las que destacan las redes neuronales artificiales.

Una de las primeras aplicaciones del uso de IA en biotecnología fue el entrenamiento de modelos en relación con la predicción de las estructuras de las proteínas a partir de sus secuencias genómicas. Es decir, predecir cómo se pliega una proteína a partir de una secuencia de aminoácidos dada. Algo que antes se basaba en métodos experimentales, como la cristalografía de rayos X y la resonancia magnética nuclear. Estos métodos proporcionaban información limitada y requerían un esfuerzo considerable y tiempo a la hora determinar la estructura tridimensional de una proteína.  Con las nuevas técnicas de IA, la red se entrena a partir de secuencias de estructuras conocidas, las cuales son capaces de predecir las nuevas estructuras. La empresa DeepMind, adquirida por Google, creó un equipo de trabajo para abordar el problema del plegamiento de proteínas, consiguiendo en el año 2018 ganar la competición CASP (evaluación crítica de técnicas para la predicción de estructura de proteínas), y consiguió ganar la 13ª Edición del concurso, superando a otras técnicas por un gran margen. Las técnicas de predicción fueron evolucionando y en el año 2022 DeepMind y el Instituto Europeo de Bioinformática del EMBL pusieron a disposición de la comunidad científica (de manera abierta y gratuita), las predicciones de las estructuras tridimensionales de casi todas las proteínas catalogadas por la ciencia.

Representación del hito conseguido por Alphafold. Obtenido de deepmind.com. 

3.2. Diagnóstico por imagen 

Esta es una de las áreas en las que la Inteligencia Artificial ha tenido un impacto más significativo. Los sistemas de IA pueden analizar grandes cantidades de datos clínicos de imágenes médicas y utilizar algoritmos avanzados para identificar patrones y anomalías que podrían pasar desapercibidos para los profesionales humanos. Esto permite una detección más temprana y precisa de enfermedades, lo que a su vez conduce a tratamientos más efectivos y mejores resultados para los pacientes. La empresa Zebra Medical Vision utiliza redes neuronales convolucionales para la interpretación automática de imágenes radiográficas y la detección de 7 hallazgos (consolidación alveolar, masa pulmonar, atelectasia, derrame pleural, prominencia hiliar, edema pulmonar difuso y cardiomegalia), mostrando una mejora significativa del desempeño de los radiólogos tras conocer los resultados del algoritmo. En el ámbito de las mamografías también se están obteniendo resultados prometedores en la detección del cáncer de mama, logrando anticiparse el diagnóstico en hasta 5 años, clasificando mejor a los pacientes de alto riesgo y la predicción de la respuesta terapéutica a tratamientos de quimioterapia.

Se ha utilizado también en neurología para el diagnóstico de hemorragia cerebral, a partir del entrenamiento de modelos con millones de imágenes y consiguiendo reducciones muy importantes del tiempo de diagnóstico por el radiólogo. Otros usos implican la predicción de la recurrencia de accidentes cerebrovasculares isquémicos o la elección de técnicas de reperfusión.

Y en el campo de la dermatología, se han llevado a cabo numerosos estudios para la clasificación del cáncer de piel a través de redes neuronales, muchos de los cuales han demostrado un desempeño superior o al menos equivalente en la clasificación de las lesiones en comparación con los clínicos, lo cual nos hace pensar que estos sistemas estarán incorporados muy pronto dentro del arsenal diagnóstico para el cribado de algunas enfermedades.

En oncología se están utilizando modelos de IA para mejorar el diagnóstico radiológico de determinados tipos de cáncer o, por ejemplo, para la detección de metástasis hepáticas en cáncer colorrectal, que resultan indetectables con métodos clásicos.

En el ámbito de la cardiología, estas técnicas se utilizan para la predicción y el diagnóstico de eventos cardíacos, a partir del análisis de imágenes, ondas de pulso, electrocardiogramas e información sonora. El análisis del EKG con algoritmos de aprendizaje automático permite el diagnóstico de ciertas enfermedades, usándose por ejemplo para distinguir arritmias ventriculares desfibrilables y no desfibrilables. Quizás uno de las aproximaciones más importantes en este campo sea el de la detección precoz de la fibrilación auricular, una arritmia muy común que se asocia con un aumento de riesgos tromboembólicos. Los modelos empleados han reportado una precisión muy elevada en el diagnóstico de esta arritmia, incluso a partir de sensores que analizan una sola derivación del EKG (como las que empiezan a incorporar los relojes y pulseras de actividad), lo que valida el uso de estas tecnologías para el cribado y detección precoz de este tipo de arritmias frente a las técnicas de control habitual. 

3.3. Predicción de enfermedades 

Uso de datos clínicos para predicción de enfermedades. El enfoque de uso de la IA en la predicción de distintas enfermedades implica un algoritmo de entrenamiento con un conjunto de datos de control para el que se conoce el estado de la enfermedad (enfermedad o no enfermedad), y luego aplicar este algoritmo entrenado a un conjunto de datos variables con el fin de predecir el estado de la enfermedad en pacientes para los que aún no está determinado. A medida que se introducen cohortes más grandes de datos, el algoritmo de estará mejor entrenado como predictor para el estado de la enfermedad. La predicción más precisa de la enfermedad con aprendizaje automático facilita la detección, diagnóstico, clasificación, estratificación del riesgo y, en última instancia, el manejo de los pacientes. Algunos estudios han demostrado que estos algoritmos se pueden aplicar con alta precisión en la predicción de patologías como la enfermedad coronaria o la hipertensión arterial.

La sepsis es otro de los caballos de batalla del uso de los algoritmos en salud, ya que es un síndrome tiempo-dependiente, en el sentido de que cuanto antes se diagnostique y se ponga tratamiento, mejor pronóstico tendrá el paciente. Algunos estudios se han centrado en el reconocimiento de la sepsis a través de un número limitado de signos vitales muy comunes, consiguiendo modelos de predicción capades de detectar signos de este síndrome horas antes de lo que lo hacen habitualmente los clínicos, lo que está llevando a su implantación en algunos hospitales, mejorando las tasas de mortalidad y fallo multiorgánico. 

3.4. Monitorización remota 

Es un campo emergente en la atención sanitaria que utiliza diversas tecnologías para recoger datos de salud en el hogar del paciente o durante su actividad diaria, con el fin de almacenar y gestionar esos datos, de forma que los profesionales puedan evaluarlos y tomar decisiones sobre el tratamiento, mejorando el control de diversas enfermedades y evitando reagudizaciones o ingresos innecesarios. Estos sistemas registran diversos datos fisiológicos a partir de sensores y otras fuentes de entrada, tales como la presión arterial, frecuencia cardíaca, saturación de oxígeno, EKG, etc. Un caso muy representativo del uso de estas tecnologías es la medición continua de glucosa (MCG) de personas con diabetes, que permite un mejor control de los niveles de glucosa, lo que redunda en una mayor calidad de vida de los pacientes y un menor número de complicaciones. Cuando se usan junto con una bomba de insulina se convierten en circuitos cerrados que funcionan de forma semiautónoma, ayudando en la toma de decisiones a partir de la identificación de patrones y tendencias detectados por tecnologías basadas en inteligencia artificial. 

Monitorización remota. Obtenida de Inteligencia Artificial en el ámbito de la salud. 

La monitorización remota de pacientes con insuficiencia cardíaca en el domicilio del paciente a través de estos sistemas tiene un impacto positivo en la calidad de vida de estas personas y efectos de reducción de las tasas de readmisión hospitalaria y mortalidad por insuficiencia cardíaca. Además, el uso de asistentes virtuales que integran estas herramientas permite aumentar la accesibilidad de los pacientes y la gestión de alertas que hagan intervenir a un profesional sanitario en caso necesario. 

3.5. Procesamiento del lenguaje natural 

El procesamiento del lenguaje natural (PLN) se utiliza en distintos ámbitos como la clasificación de textos o la minería de sentimientos, lo cual otorga implicaciones prácticas en el ámbito de la salud mental. En este sentido se están utilizando para extraer síntomas, diagnóstico de depresión mediante el análisis de habla, determinar la gravedad de algunas enfermedades y comparar la eficacia de distintas terapias.

Otro ejemplo muy interesante es el usado en el reconocimiento de voz como herramienta de apoyo en el reconocimiento de parada cardiorrespiratoria a través de las llamadas a los centros coordinadores de urgencias. Un estudio que examinó más de 100.000 llamadas al teléfono de emergencias usó un algoritmo de aprendizaje automático para la identificación de una situación de parada cardiorrespiratoria y superó en precisión a los profesionales de los centros coordinadores, identificando la parada mucho tiempo antes.

Y un caso curioso de uso es el de identificación de causas de llanto en bebés, mediante el análisis de audios para identificar las causas (dolor, inquietud o hambre) y que, según sus autores, logran tasas de reconocimiento de hasta un 90% en caso de dolor. 

3.6. Cirugía asistida por IA 

La cirugía es una aplicación compleja para el uso de tecnologías de inteligencia artificial. La IA tiene el potencial de mejorar la atención perioperatoria, ayudar en la toma de decisiones quirúrgicas y mejorar las capacidades físicas de los cirujanos. Así, por ejemplo, puede utilizarse en la evaluación y estratificación del riesgo preoperatorio o la evaluación previa de las lesiones a extirpar. A nivel intraoperatorio, la IA, incluyendo la visión por computadora o la cirugía asistida o autónoma, ofrece soluciones de ayuda que permiten disminuir las complicaciones(8). Después de la operación, promete una detección más rápida de complicaciones y se integra en el proceso de recertificación para capacitar y evaluar de manera más adecuada a los cirujanos. Aunque estamos en las primeras etapas de la aplicación de IA en la cirugía, ya se han logrado avances sorprendentes y promete aún más en el futuro. 

4. PRINCIPALES RETOS Y DESAFÍOS DE LA IA EN SALUD 

La aplicación de la IA en el ámbito de la salud promete mejorar el diagnóstico, el tratamiento y la atención sanitaria de manera significativa. Sin embargo, junto con los beneficios y avances, surgen importantes problemas y desafíos éticos que deben abordarse de manera rigurosa y reflexiva. Veamos cuáles son los principales aspectos a tener en cuenta a la hora de desplegar este tipo de tecnologías. 

4.1. Tipo de datos e interoperabilidad

 Por norma general, la calidad de los datos introducidos en los modelos afecta de manera determinante en los resultados obtenidos. Por ello es importante realizar una buena minería de datos y que éstos sean objetivos, cuantificables y libres de ruido o sesgos. Siempre que sea posible se usarán este tipo de datos (datos duros). Por otro lado, los datos blandos son aquellos que incluyen componentes subjetivos y su uso se traduce en modelos menos precisos o con una menor capacidad de predicción. Además, el tamaño de la muestra importa y mucho. Resulta fundamental tener en cuenta la limitación del tamaño de muestra al crear y entrenar estos modelos, ya que puede dar lugar a resultados inflados que no se mantienen cuando se prueban con una muestra de control. Además, al implementar el modelo en entornos clínicos distintos, su precisión puede disminuir significativamente. Esto se debe a que el tamaño reducido de la muestra puede llevar al modelo a generar resultados que se deben únicamente al azar. Por lo tanto, es fundamental considerar esta limitación con el fin de obtener resultados fiables y confiables.

Por otro lado, la interoperabilidad es la capacidad de los sistemas de información y de los procedimientos a los que éstos dan soporte, de compartir datos y posibilitar el intercambio de información y conocimiento entre ellos. Los distintos proveedores de atención sanitaria requieren de un cierto nivel de interoperabilidad y esta es muy dispar entre los distintos entornos de salud. El despliegue de la inteligencia artificial va a requerir de una gran interconectividad entre los sistemas y conjuntos de datos.

La armonización de la información también es muy importante. Para crear y entrenar modelos avanzados de aprendizaje automático, a menudo se armonizan los datos obtenidos desde diferentes fuentes y formatos, para crear un único gran conjunto de datos de información valiosa. La armonización de los datos es particularmente importante en el ámbito de la salud, ya que pequeñas cantidades de datos sobre temas específicos a menudo se gestionan mediante la adquisición de datos de diferentes registros y de una variedad de centros, todos los cuales también suelen utilizar diferentes sistemas de historia clínica electrónica. Por lo tanto, para construir un modelo que tenga como objetivo comparar pacientes específicos con un grupo de plantilla/control, los algoritmos deben armonizar primero grandes cantidades de los datos de un paciente de diferentes conjuntos de datos para realizar una comparación completa. 

4.2. Protección y seguridad de los datos 

Según el Reglamento General de Protección de Datos (RGPD) impulsado en Europa, se establecen las normas de protección de las personas físicas en lo relativo al tratamiento de sus datos personales e incluye el derecho a la privacidad de los ciudadanos y la obligación de anonimizar los datos a la hora de hacer investigación sanitaria, esto es, que resulte imposible identificar a una persona a partir de los datos que emita para investigación. Aunque los datos de salud se anonimicen o se deidentifiquen, existe el riesgo de que los individuos puedan ser reidentificados. La inteligencia artificial es capaz de realizar análisis sofisticados y correlaciones, lo que podría permitir la identificación de personas en función de combinaciones únicas de datos o patrones específicos. Un estudio que utilizaba máquinas vectoriales (SVM) de soporte y métodos forestales aleatorios del aprendizaje automático para evaluar la viabilidad de volver a identificar los datos de actividad física medidos con un acelerómetro, demostró que se podía identificar con éxito los datos demográficos y agregados de 20 minutos de actividad física, concluyendo que las prácticas actuales para la desidentificación de los datos de actividad física medidos con acelerómetros podrían ser insuficientes para garantizar la privacidad. Por lo tanto, resulta necesario implementar técnicas de privacidad robustas para minimizar este riesgo.

Otro aspecto fundamental es el de cómo abordar los ciberataques que se dirigen cada vez en mayor medida contra las bases de datos electrónicas que contienen datos de salud. A pesar de los esfuerzos por compartir buenas prácticas a nivel mundial, existen importantes vulnerabilidades en todos los sistemas de salud del mundo. 

4.3. Equidad y sesgos 

La calidad y representatividad de los datos utilizados en la inteligencia artificial en salud pueden influir en los resultados y predicciones del modelo. Si los datos están sesgados o no son representativos de la diversidad de la población, los algoritmos pueden generar resultados injustos o discriminación sistemática.

Las cuestiones relativas al sesgo discriminatorio pueden manifestarse como un modelo que demuestra un alto rendimiento en una sola muestra de datos de pacientes, pero luego fracasando en diferentes subconjuntos de individuos. Se sabe por ejemplo que las mujeres y los grupos minoritarios están históricamente subrepresentados en cardiología, y la mayor parte de la medicina actual basada en evidencias podría no aplicarse necesariamente a estas poblaciones. Se ha encontrado por ejemplo que, aunque la misma proporción de mujeres y hombres presentes con dolor torácico, los hombres tienen más probabilidades de ser enviados a un cardiólogo para tratamiento que las mujeres. Y un estudio realizado en Estados Unidos demostró que un algoritmo utilizado para asignar recursos sanitarios a los pacientes con enfermedades crónicas asignaba menos recursos a los pacientes negros que a los blancos con el mismo nivel de necesidad. El algoritmo se basaba en el gasto sanitario de los pacientes, que era menor para los pacientes negros debido a las barreras de acceso al sistema sanitario.

Estas desigualdades se conservan en los datos de salud, que se están utilizando para entrenar algoritmos de IA, por lo que resulta fundamental abordar estos sesgos y garantizar que la inteligencia artificial en salud sea equitativa y justa para todos los grupos de población.  

4.4. Población de entrenamiento y validez externa 

Lo ideal es que los algoritmos de inteligencia artificial sean entrenados con la misma población sobre la que se van a emplear. Sin embargo, debido a la necesidad de entrenar a estos modelos con enormes cantidades de datos, puede suceder que los datos sobre los que se ha entrenado el modelo no sean representativos de la población sobre la que se quiere validar, de forma que la precisión se reduzca notablemente. Por ejemplo, podemos entrenar a un modelo de detección de neumonía con radiografías de miles de pacientes pediátricos de una edad y obtener malos resultados si los aplicamos a un grupo de niños de menor edad, ya que el modelo no entiende de edades ni de tamaños, simplemente compara millones de datos entre imágenes similares. 

4.5. Responsabilidad 

Es un aspecto crucial cuando se trata del uso de inteligencia artificial (IA) en salud. Dado que los sistemas de inteligencia artificial pueden tomar decisiones que afectan directamente la vida y la salud de las personas, es fundamental que las organizaciones y los desarrolladores de IA asuman la responsabilidad de garantizar la seguridad, la eficacia y la equidad en su implementación. En primer lugar, la responsabilidad implica que los desarrolladores y proveedores de estas tecnologías deben ser conscientes de las limitaciones y riesgos asociados con sus sistemas. Deben esforzarse por desarrollar algoritmos y modelos confiables, basados en datos sólidos y validados, y realizar evaluaciones rigurosas de su rendimiento y precisión antes de su implementación en entornos clínicos. Esto implica una cuidadosa consideración de los sesgos inherentes en los datos utilizados para entrenar los modelos y tomar medidas para mitigarlos. Además, la responsabilidad también supone establecer mecanismos adecuados para la supervisión y la monitorización continua del desempeño de los sistemas de IA en salud. Esto incluye la detección y la corrección rápida de posibles errores o problemas que puedan surgir, así como la responsabilidad por cualquier daño o consecuencia negativa causada por un mal funcionamiento del sistema de IA. 

4.6. Transparencia 

Es otro elemento esencial en el uso de la IA en salud. Los usuarios deben comprender cómo se toman las decisiones por parte de los algoritmos de IA y qué factores influyen en ellas. Esto implica proporcionar explicaciones claras y comprensibles sobre los resultados y las recomendaciones generadas por el sistema de IA. La transparencia también se relaciona con la divulgación de los datos utilizados para entrenar el modelo y las metodologías empleadas en su desarrollo. Implica además la comunicación abierta y honesta sobre los posibles riesgos y limitaciones de los sistemas de inteligencia artificial en salud. Los usuarios, los profesionales de salud y los pacientes deben ser conscientes de las capacidades y las limitaciones de la tecnología para tomar decisiones informadas y participar de manera activa en el proceso de toma de decisiones. 

4.7. Explicabilidad del algoritmo 

También conocido como el problema de la caja negra. A medida que los modelos de inteligencia artificial se han vuelto más complejos, ha aumentado a su vez la incertidumbre sobre la forma en que operan. El problema fundamental es que el modelo se puede comportar como una caja negra en la que se introducen unos datos y de la que se extraen resultados, pero sin saber realmente por qué el modelo tomo una decisión específica. Esto es muy habitual en los sistemas de aprendizaje profundo que utilizan cientos de capas.

Si pudiéramos explicar las diversas decisiones que están siendo ejecutadas por un modelo y las características específicas que se están analizando para producir un resultado, los profesionales podrían interpretar mejor estos resultados basados en la lógica y el conocimiento previo, lo que ayudaría a mejorar continuamente el rendimiento del modelo cuando el sistema presentara un error. De hecho, dado que estos modelos son altamente capaces de detectar patrones novedosos en grandes cantidades de datos que son invisibles para el ojo humano, los modelos interpretables y explicables también pueden desbloquear nuevas ideas en el mundo científico que estimulen aún más los desarrollos de IA en el futuro, creando un ciclo positivo de fortalecimiento de la innovación. Además, si un modelo proporciona una información que conduce a un mal resultado para el paciente, ¿es culpa de la máquina o es error del profesional o la organización sanitaria? La promoción de la interpretabilidad de un modelo se esboza como principio principal dentro de las directrices de la Organización Mundial de la Salud (OMS) sobre ética y gobernanza de la inteligencia artificial para la salud. 

4.8. Responsabilidad y regulación 

Resulta fundamental adaptar los marcos legales y regulatorios para abordar los desafíos específicos que plantea la inteligencia artificial en salud, como la responsabilidad por errores, la toma de decisiones automatizada y la responsabilidad del profesional sanitario en la utilización de la tecnología. Con el uso de la IA en la toma de decisiones de salud, surge la cuestión de quién es responsable en caso de errores o mal funcionamiento. Es necesario establecer claridad sobre la responsabilidad legal cuando un resultado adverso está relacionado con una decisión tomada por un sistema de IA. Esto implica definir las responsabilidades de los desarrolladores, los sistemas de salud y otros actores involucrados en el proceso.

Se necesita un marco legal y regulatorio que aborde cómo se toman y justifican las decisiones tomadas por los algoritmos de inteligencia artificial, especialmente cuando se trata de decisiones de vida o muerte. Las regulaciones pueden abordar temas como la validación de los algoritmos de IA, la certificación de los sistemas de IA y los requisitos de seguridad y rendimiento. Es importante que los organismos reguladores establezcan estándares y pautas claras para garantizar que la IA en salud cumpla con los requisitos de calidad y seguridad establecidos. 

4.9.  Integración en las organizaciones 

La integración efectiva de la inteligencia artificial en los sistemas de salud implica superar una serie de barreras organizativas y culturales, así como la formación de los profesionales de la salud en su uso. La aceptación y la confianza en la tecnología también son factores clave para su adopción. Existen diferentes barreras:

• Barreras organizativas: esto puede incluir la falta de infraestructura tecnológica adecuada, la resistencia al cambio por parte del personal sanitario, los desafíos económicos y la falta de políticas y directrices claras para el uso de la IA. Superar estas barreras requiere una planificación cuidadosa, una estrategia de implementación sólida y la participación activa de los gestores sanitarios.
• Barreras culturales: La aceptación de la IA en el ámbito de la salud también puede estar influenciada por barreras culturales y percepciones erróneas sobre la tecnología. Existe la preocupación de que la IA pueda reemplazar a los profesionales de la salud o erosionar la relación profesional-paciente. Es esencial abordar estas preocupaciones a través de la educación, la comunicación clara y la participación activa de los profesionales de la salud en el diseño e implementación de estos sistemas.
• Formación y apoyo: La adopción de la IA en salud requiere formación adecuada y apoyo para los profesionales de la salud. Es fundamental desarrollar programas de formación en tecnologías de inteligencia artificial que aborden tanto los aspectos técnicos como los éticos. Además, se debe ofrecer un soporte continuo para asegurar que los profesionales de la salud se sientan cómodos y confiados al utilizar la IA en su práctica clínica diaria.

Por otro lado, la aceptación de la IA en el ámbito de la salud también depende de la generación de evidencia sólida y la evaluación rigurosa de su efectividad y beneficios. Los estudios clínicos y la recopilación de datos de resultados son fundamentales para demostrar su valor en la mejora de los resultados de salud. Esta evidencia respaldada científicamente puede ayudar a ganar confianza en la tecnología y promover su adopción generalizada.

Finalmente, para una integración adecuada de la IA en la atención sanitaria se necesita la participación activa de los pacientes. Es fundamental involucrar a los pacientes en el diseño y desarrollo de las soluciones de estas herramientas para asegurar que se aborden sus necesidades y preferencias. Además, se debe garantizar una comunicación clara y transparente con los pacientes sobre el uso de la IA en su atención y cómo puede beneficiarlos. 

5. RECURSOS COMPLEMENTARIOS RECOMENDADOS

• El futuro ha llegado ¿Podrá cambiar la AI la forma en la que hacemos medicina?https://player.vimeo.com/video/831168893?h=ad3549e6b2

Nuria Oliver: Retos éticos de la inteligencia artificial https://www.youtube.com/watch?v=-Mkp_JjHyUc

BIBLIOGRAFÍA 

• Electronic Product Code. En: Wikipedia [Internet]. 2021 [citado 22 de abril de 2021]. Disponible en: https://en.wikipedia.org/w/index.php?title=Electronic_Product_Code&oldid=1011709810
• MIT AUTO-ID LABORATORY | MIT AUTO-ID LABORATORY [Internet]. [citado 1 de octubre de 2022]. Disponible en: https://autoid.mit.edu/
• itut. New ITU standards define the Internet of Things and provide the blueprints for its development [Internet]. ITU Newslog. 2012 [citado 22 de abril de 2021]. Disponible en: http://newslog.itu.int/archives/245
• Wortmann F, Flüchter K. Internet of Things. Bus Inf Syst Eng. 1 de junio de 2015;57(3):221-4.
• Brucher L, Moujahid S. Deloitte. The Internet of things. A revolutionary digital tool for the healthcare industry. Inside Magazine [Internet]. [citado 1 de octubre de 2022]; Disponible en: https://www2.deloitte.com/tr/en/pages/life-sciences-and-healthcare/articles/digital-health-iot.html
• Gokhale P, Bhat O, Bhat S. Introduction to IOT. enero de 2018;5:41-4.
• Al-Qassemi S, Almulhim H. IoT architecture challenges and issues: Lack of standardization | IEEE Conference Publication | IEEE Xplore [Internet]. [citado 14 de junio de 2023]. Disponible en: https://ieeexplore.ieee.org/document/7821686
• Calihman A. Architectures in the IoT Civilization [Internet]. NetBurner. 2019 [citado 14 de junio de 2023]. Disponible en: https://www.netburner.com/learn/architectural-frameworks-in-the-iot-civilization/
• IoT S. Los diez protocolos más importantes utilizados para IoT [Internet]. Signals IoT. 2020 [citado 1 de octubre de 2022]. Disponible en: https://signalsiot.com/los-diez-protocolos-mas-importantes-utilizados-para-iot/
• ADSLZone [Internet]. [citado 1 de octubre de 2022]. WiFi, Bluetooth, Zigbee y Z-Wave: Qué son, diferencias y usos. Disponible en: https://www.adslzone.net/reportajes/tecnologia/estandares-conexion-inalambrica/
• Bluetooth. En: Wikipedia, la enciclopedia libre [Internet]. 2023 [citado 13 de junio de 2023]. Disponible en: https://es.wikipedia.org/w/index.php?title=Bluetooth&oldid=151804944
• Zigbee. En: Wikipedia, la enciclopedia libre [Internet]. 2023 [citado 13 de junio de 2023]. Disponible en: https://es.wikipedia.org/w/index.php?title=Zigbee&oldid=150833236
• Wifi. En: Wikipedia, la enciclopedia libre [Internet]. 2023 [citado 13 de junio de 2023]. Disponible en: https://es.wikipedia.org/w/index.php?title=Wifi&oldid=151730906
• LoRaWAN. En: Wikipedia, la enciclopedia libre [Internet]. 2021 [citado 13 de junio de 2023]. Disponible en: https://es.wikipedia.org/w/index.php?title=LoRaWAN&oldid=138947957
• UOC. Tecnología++. 2018 [citado 13 de junio de 2023]. Ventajas e inconvenientes de la tecnología NB-IoT. Disponible en: https://blogs.uoc.edu/informatica/que-es-nb-iot/
• Li S, Xu LD, Zhao S. 5G Internet of Things: A survey. J Ind Inf Integr. 1 de junio de 2018;10:1-9.
• Al-Rawashdeh M, Keikhosrokiani P. IoT Adoption and Application for Smart Healthcare: A Systematic Review - PubMed [Internet]. [citado 14 de junio de 2023]. Disponible en: https://pubmed.ncbi.nlm.nih.gov/35891056/
• Repass C. «The Applications of the Internet of things in the Medical Field» by Cody Repass [Internet]. 2022 [citado 14 de junio de 2023]. Disponible en: https://csuepress.columbusstate.edu/theses_dissertations/471/
• Perwej Y, Akhtar N, Kulshrestha N, Mishra P. A Methodical Analysis of Medical Internet of Things (MIoT) Security and Privacy in Current and Future Trends. J Emerg Technol Innov Res. 2022;9(1):d346-71.
• Bradley J, Reberger C, Dixit A, Gupta, V. Internet of Everything: A $4.6 Trillion Public-Sector Opportunity. Cisco [Internet]. 2013 [citado 1 de octubre de 2022]; Disponible en: https://www.cisco.com/c/dam/en_us/about/business-insights/docs/ioe-public-sector-vas-white-paper.pdf
• El internet de las cosas: el centro de la cuarta revolución industrial [Internet]. [citado 1 de octubre de 2022]. Disponible en: https://blogposgrado.ucontinental.edu.pe/el-internet-de-las-cosas-el-centro-de-la-cuarta-revolucion-industrial
• Distribución de Vacunas contra el COVID-19 con GIS [Internet]. [citado 1 de octubre de 2022]. Disponible en: https://www.esri.cl/es-cl/landings/vacunaci-n-covid-19/vacunacion-covid-19/vacunas-covid-19-una-necesidad-mundial-urgente-y-un-desafio-de-la-cadena-de-suministros
• Kumar S, Tiwari P, Zymbler M. Internet of Things is a revolutionary approach for future technology enhancement: a review. J Big Data. 9 de diciembre de 2019;6(1):111.
• Gatouillat A, Badr Y, Massot B, Sejdic E. Internet of Medical Things: A Review of Recent Contributions Dealing with Cyber-Physical Systems in Medicine. IEEE Internet Things J. octubre de 2018;5(5):3810-22.
• Abdul Minaam DS, Abd-ELfattah M. Smart drugs:Improving healthcare using Smart Pill Box for Medicine Reminder and Monitoring System. Future Comput Inform J. 1 de diciembre de 2018;3(2):443-56.
• Mosnaim GS, Stempel DA, Gonzalez C, Adams B, BenIsrael-Olive N, Gondalia R, et al. The Impact of Patient Self-Monitoring Via Electronic Medication Monitor and Mobile App Plus Remote Clinician Feedback on Adherence to Inhaled Corticosteroids: A Randomized Controlled Trial. J Allergy Clin Immunol Pract. 1 de abril de 2021;9(4):1586-94.
• Barrett P, Komatireddy R. Comparison of 24-hour Holter Monitoring with 14-day Novel Adhesive Patch Electrocardiographic Monitoring - ScienceDirect [Internet]. [citado 14 de junio de 2023]. Disponible en: https://www.sciencedirect.com/science/article/pii/S000293431300870X
• Bayoumy K, Gaber M. Smart wearable devices in cardiovascular care: where we are and how to move forward. Nat Rev Cardiol. 2021;(18):581-99.
• Perez MV, Mahaffey KW, Hedlin H, Rumsfeld JS, Garcia A, Ferris T, et al. Large-Scale Assessment of a Smartwatch to Identify Atrial Fibrillation. N Engl J Med. 14 de noviembre de 2019;381(20):1909-17.
• Steinhubl SR, Waalen J, Edwards AM, Ariniello LM, Mehta RR, Ebner GS, et al. Effect of a Home-Based Wearable Continuous ECG Monitoring Patch on Detection of Undiagnosed Atrial Fibrillation: The mSToPS Randomized Clinical Trial. JAMA. 10 de julio de 2018;320(2):146-55.
• Ballinger B, Singh A. DeepHeart: Semi-Supervised Sequence Learning for Cardiovascular Risk Prediction | Proceedings of the AAAI Conference on Artificial Intelligence [Internet]. [citado 14 de junio de 2023]. Disponible en: https://ojs.aaai.org/index.php/AAAI/article/view/11891
• Luks AM, Swenson ER. Pulse Oximetry for Monitoring Patients with COVID-19 at Home. Potential Pitfalls and Practical Guidance. Ann Am Thorac Soc. 10 de junio de 2020;17(9):1040-6.
• Little MaA. Smartphones for Remote Symptom Monitoring of Parkinson’s Disease [Internet]. [citado 14 de junio de 2023]. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8385528/
• Pérolle G, Etxeberria Arritxabal I. Detector automático de caídas y monitorización de actividad para personas mayores. Rev Esp Geriatría Gerontol. 15 de septiembre de 2007;41:33-41.
• Vila J. A pioneering technology conceived to let elderly people live and grow old at home [Internet]. [citado 14 de junio de 2023]. Disponible en: https://www.uoc.edu/portal/en/news/actualitat/2021/205-seniordomo-telecare.html
• Brattacharya S, Wainwright D, Whalley J. Value and sustainability in technology-enabled care services: a case study from north-east England [Internet]. [citado 14 de junio de 2023]. Disponible en: https://www.tandfonline.com/doi/full/10.1080/09540962.2021.1992123
• Byungjoo N, Changhong Y. XGBoost based machine learning approach to predict the risk of fall in older adults using gait outcomes [Internet]. [citado 14 de junio de 2023]. Disponible en: https://www.nature.com/articles/s41598-021-91797-w
• Kong HJ, An S. Usage of the Internet of Things in Medical Institutions and its Implications - PMC [Internet]. [citado 14 de junio de 2023]. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC9672495/
• UCI sin paredes – NIGHTINGALE & CO [Internet]. [citado 14 de junio de 2023]. Disponible en: http://nightingaleandco.es/uci-sin-paredes/
• How Stanford Hospital became «an Internet of things hospital of the first order» [Internet]. Scope. 2020 [citado 1 de octubre de 2022]. Disponible en: https://scopeblog.stanford.edu/2020/01/13/how-stanford-hospital-became-an-internet-of-things-hospital-of-the-first-order/
• Cortex, torre de control del Hospital Sant Joan de Déu [Internet]. [citado 14 de junio de 2023]. Disponible en: https://www.sjdhospitalbarcelona.org/es/pacientes/guia/instalaciones/cortex
• Kong HJ, An S, Lee S, Cho S, Hong J, Kim S, et al. Usage of the Internet of Things in Medical Institutions and its Implications. Healthc Inform Res. octubre de 2022;28(4):287-96.
• Sundar K, Majowicz S, Dubin J. NextGen Public Health Surveillance and the Internet of Things (IoT) [Internet]. [citado 15 de junio de 2023]. Disponible en: https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8678116/#B35
• Lo que Fitbit descubrió a partir de 6.000 millones de noches de datos de sueño [Internet]. [citado 15 de junio de 2023]. Disponible en: https://uk.finance.yahoo.com/news/exclusive-fitbits-6-billion-nights-sleep-data-reveals-us-110058417.html?guce_referrer=aHR0cHM6Ly93d3cud2Vmb3J1bS&guccounter=2&guce_referrer=aHR0cHM6Ly93d3cubmNiaS5ubG0ubmloLmdvdi8&guce_referrer_sig=AQAAAL7h2kX5ADINKKXJku2DepLz9ZmEoWqkcq2jiTwjSEoRV5ZBotx5dZRS6cmr22iCLgkrGo5PJ47onZJPZsYfmCHd3b_B3V4xxxO9NpseCzUiD-3VX2Cxn13Dvqw3TJiH0h7jgC9WE2GcnKtkZjCYCdfsJucb_fmRnDQDzL6S6fkz
• Svennberg E, Tjong F, Goette A, Akoum N, Di Biase L, Bordachar P, et al. How to use digital devices to detect and manage arrhythmias: an EHRA practical guide. EP Eur. 1 de junio de 2022;24(6):979-1005.
• Sadoughi F, Behmanesh A, Sayfouri N. Internet of things in medicine: A systematic mapping study. J Biomed Inform. 1 de marzo de 2020;103:103383.
• Maille B, Wilkin M, Million M, Rességuier N, Franceschi F, Koutbi-Franceschi L, et al. Smartwatch Electrocardiogram and Artificial Intelligence for Assessing Cardiac-Rhythm Safety of Drug Therapy in the COVID-19 Pandemic. The QT-logs study. Int J Cardiol. 15 de mayo de 2021;331:333-9.
• Fouassier D, Roy X, Blanchard A, Hulot JS. Assessment of signal quality measured with a smart 12-lead ECG acquisition T-shirt. Ann Noninvasive Electrocardiol. 2020;25(1):e12682.
• Xuan Y, Barry C, De Souza J, Wen JH, Antipa N, Moore AA, et al. Ultra-low-cost mechanical smartphone attachment for no-calibration blood pressure measurement. Sci Rep. 29 de mayo de 2023;13(1):8105.
• Shen L, Zhigang L. Feasibility of using deep learning to detect coronary artery disease based on facial photo | European Heart Journal | Oxford Academic [Internet]. [citado 30 de junio de 2023]. Disponible en: https://academic.oup.com/eurheartj/article/41/46/4400/5895010
• Wang A, Nguyen D, Sridhar AR, Gollakota S. Using smart speakers to contactlessly monitor heart rhythms. Commun Biol. 9 de marzo de 2021;4(1):1-12.
• Chan J, Rea T, Gollakota S, Sunshine JE. Contactless cardiac arrest detection using smart devices. Npj Digit Med. 19 de junio de 2019;2(1):1-8.
• FreeStyle Libre 3 - FreeStyle Libre 2 | Abbott [Internet]. [citado 30 de junio de 2023]. Disponible en: https://www.freestyle.abbott/es-es/productos/freestylelibre3.html
• Eversense® E3 CGM Safety Information | Ascensia Diabetes Care [Internet]. [citado 30 de junio de 2023]. Disponible en: https://www.ascensiadiabetes.com/eversense/safety-info/
• Gutierrez LJ, Rabbani K, Ajayi OJ, Gebresilassie SK, Rafferty J, Castro LA, et al. Internet of Things for Mental Health: Open Issues in Data Acquisition, Self-Organization, Service Level Agreement, and Identity Management. Int J Environ Res Public Health. enero de 2021;18(3):1327.
• Saeb S, Zhang M, Karr CJ, Schueller SM, Corden ME, Kording KP, et al. Mobile Phone Sensor Correlates of Depressive Symptom Severity in Daily-Life Behavior: An Exploratory Study. J Med Internet Res. 15 de julio de 2015;17(7):e4273.
• Walther S, Stegmayer K, Horn H, Razavi N, Müller TJ, Strik W. Physical Activity in Schizophrenia is Higher in the First Episode than in Subsequent Ones. Front Psychiatry [Internet]. 2015 [citado 1 de julio de 2023];5. Disponible en: https://www.frontiersin.org/articles/10.3389/fpsyt.2014.00191
• Kemp AH, Quintana DS, Gray MA, Felmingham KL, Brown K, Gatt JM. Impact of Depression and Antidepressant Treatment on Heart Rate Variability: A Review and Meta-Analysis. Biol Psychiatry. 1 de junio de 2010;67(11):1067-74.
• Reece AG, Danforth CM. Instagram photos reveal predictive markers of depression. EPJ Data Sci. diciembre de 2017;6(1):1-12.
• García S. La teleasistencia predictiva y proactiva, una realidad accesible y no intrusiva [Internet]. BALANCE SOCIOSANITARIO. 2022 [citado 1 de julio de 2023]. Disponible en: https://balancesociosanitario.com/dependencia/la-teleasistencia-predictiva-y-proactiva-una-realidad-accesible-y-no-intrusiva/
• Tanwar R, Nandal N, Zamani M, Manaf AA. Pathway of Trends and Technologies in Fall Detection: A Systematic Review. Healthc Basel Switz. 17 de enero de 2022;10(1):172.
• Sahu D, Pradhan B, Khasnobish A, Verma S, Kim D, Pal K. The Internet of Things in Geriatric Healthcare. J Healthc Eng. 17 de julio de 2021;2021:6611366.
• Meng K, Zhao S, Zhou Y, Wu Y, Zhang S, He Q, et al. A Wireless Textile-Based Sensor System for Self-Powered Personalized Health Care. Matter. 1 de abril de 2020;2(4):896-907.
• Nigusse AB, Mengistie DA, Malengier B, Tseghai GB, Langenhove LV. Wearable Smart Textiles for Long-Term Electrocardiography Monitoring—A Review. Sensors. 17 de junio de 2021;21(12):4174.
• Dulal M, Afroj S, Ahn J, Cho Y, Carr C, Kim ID, et al. Toward Sustainable Wearable Electronic Textiles. ACS Nano. 27 de diciembre de 2022;16(12):19755-88.
• Gassée JL. Medium. 2016 [citado 1 de octubre de 2022]. Internet of Things: The “Basket of Remotes” Problem. Disponible en: https://mondaynote.com/internet-of-things-the-basket-of-remotes-problem-f80922a91a0f
• Gatouillat A, Badr Y, Massot B, Sejdic E. Internet of Medical Things: A Review of Recent Contributions Dealing with Cyber-Physical Systems in Medicine. IEEE Internet Things J. octubre de 2018;5(5):3810-22.