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.
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.
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 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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.
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.