Instituciones de Salud Inteligentes / Informatizadas
Durante la última década, las instituciones de salud han experimentado una transformación profunda impulsada por el desarrollo tecnológico y el conocimiento. Este cambio fue acelerado drásticamente por la pandemia de COVID-19, que comenzó el 25 de noviembre de 2019, y alteró de manera significativa la relación entre médico y paciente. El diagnóstico remoto y el uso de redes sociales pasaron a ser parte de este nuevo paradigma.
De manera silenciosa, ha surgido una nueva ola tecnológica: la tercera ola de la inteligencia artificial (IA), que hoy se ha integrado en nuestras vidas cotidianas. Esta revolución tecnológica tiene como base un modelo de conocimiento que va más allá de lo que conocíamos previamente como IA.
La evolución de la inteligencia artificial
La primera ola (1950 – 1970), impulsada por el trabajo pionero de Alan Turing, sentó las bases de la IA a través de nuevas reglas y modelos matemáticos. Los conceptos de autómatas finitos, la máquina de Turing y los autómatas de pila marcaron los primeros intentos de crear sistemas automatizados. Sin embargo, estos modelos no lograron cumplir con las expectativas de crear máquinas verdaderamente inteligentes. En su lugar, los sistemas informáticos se enfocaron en lenguajes formales, estructuras algebraicas y lógica matemática, manejando secuencias de estados y transiciones.
La segunda ola (1990 – 2000) trajo consigo un renacimiento en el área del “aprendizaje”. Los avances en sistemas expertos y redes neuronales sentaron las bases para simular actividades inteligentes humanas, tales como la manipulación, el razonamiento, la percepción y el aprendizaje, machine learning. Esta etapa consolidó a la IA como un campo amplio cuyo objetivo es replicar o emular aspectos de la inteligencia humana en las máquinas.
Finalmente, la tercera ola (2010 – presente) se caracteriza por el auge del deep learning, el incremento del poder computacional (mediante GPUs y TPUs) y el uso masivo de big data. Las aplicaciones prácticas de la IA han proliferado, consolidando su lugar en la sociedad actual.
Inteligencia artificial en el ámbito de la salud
En el contexto de las instituciones de salud, cuando se plantea un proyecto innovador y de vanguardia, el desafío radica en determinar si el proyecto sigue un modelo tradicional basado en programación con lenguajes formales, o si adopta el nuevo paradigma basado en IA.
Para un usuario no experto, puede resultar difícil discernir entre ambos. Un ejemplo de esta distinción en los comienzos del siglo XXI fueron los sistemas CAD (diseño asistido por computadora) en el área de mamografía bajo el modelo de lenguajes formales y los sistemas de diagnóstico de mamografía actuales basados en IA, donde se identifican patrones y los resultados probabilísticos resultados del algoritmo utilizado, permite al modelo aprender en base a sumar nuevos estudios en el día a día.
Por lo tanto, uno de los interrogantes claves que las instituciones de salud deberían plantearse al momento de decidir implementar un sistema, es conocer el modelo que aplica el proyecto, es decir, poder comprender si utiliza el modelo de IA o el anterior modelo de autómata, entonces: ¿Tiene la aplicación capacidad de aprendizaje? ¿Es probable que sus diagnósticos mejoren en precisión gracias al uso de IA?
Estas preguntas son cruciales para garantizar que las soluciones tecnológicas no solo mejoren la atención al paciente, sino que también optimicen los procesos administrativos, financieros, y clínicos, desde la atención al cliente hasta el seguimiento de tratamientos y la prevención de patologías.
El valor de los datos en el desarrollo de la IA
Una de las principales fortalezas de las instituciones de salud radica en la vasta cantidad de datos que recopilan y almacenan en diversos medios y formatos, donde nos sitúa al borde de Big Data. Sin embargo, la mayoría de estos datos no son útiles para entrenar algoritmos de IA debido a su falta de organización y estandarización. Métodos como la depuración y homogeneización de datos son esenciales, pero a menudo no resultan suficientes.
Un concepto clave en este contexto es la atomización de datos, que implica reducir los datos a su expresión más simple e indivisible. Esto facilita la obtención de resultados más precisos a partir de los algoritmos de IA. La interoperabilidad, facilitada por estándares como HL7, SNOMED, y LOINC, es crucial para integrar sistemas de datos y garantizar que las instituciones de salud puedan beneficiarse plenamente de los avances en IA.
Desafíos y modelos de implementación de IA Las aplicaciones de IA en el mercado actual se dividen en dos modelos: desarrollos de IA a medida y aplicaciones de IA cerradas. El primer modelo requiere un extenso proceso de relevamiento e implementación, además de la colaboración entre equipos de desarrollo de software y profesionales de la salud. Esto puede ser problemático, ya que muchas veces los equipos de desarrollo no conocen en profundidad los aspectos científicos de las especialidades médicas y la carga de trabajo recae en los profesionales médicos.
El segundo modelo, consiste en aplicaciones cerradas, puede ser rígido y poco adaptable, lo que limita la capacidad de innovación de las instituciones de salud. No obstante, existen oportunidades para superar estos desafíos. Un ejemplo es el uso de NLP (procesamiento de lenguaje natural) para analizar informes médicos generados en texto libre, permite detectar errores, realizar análisis estadísticos. Sin embargo, este tipo de aplicaciones requieren de tiempo de análisis semántico y sintactico para obtener resultados óptimos.
Futuras soluciones innovadoras
Sin lugar a dudas los datos son la esencia y la fuente de toda la información resultante de cualquier modelo de desarrollo informático, pero cuanto más depurado se cuente el dato, más eficiente y rápidamente se pueden obtener mejores resultados.
Por lo tanto, revisar la atomización de datos y los procesos de trabajo es el camino a desarrollar aplicaciones de IA. En ejemplo podemos decir que son los informes médicos de los servicios de diagnóstico por imágenes, que suelen ser por dictáfono por voz o texto libre, existen aplicaciones de IA para obtener información resultante con fines científicos.
Sin embargo, la utilización de los reportes estructurados, ofrecen una excelente posibilidad de obtener datos depurados, homogenizados, entre imágenes Dicom e informes, esto requiere un cambio en el modelo de trabajo del médico informante, pero los datos obtenidos son mayores y además precisos.
Desafíos y modelos de implementación de IA
Las aplicaciones de IA en el mercado actual se dividen en dos modelos: desarrollos de IA a medida y aplicaciones de IA cerradas. El primer modelo requiere un extenso proceso de relevamiento e implementación, además de la colaboración entre equipos de desarrollo de software y profesionales de la salud. Esto puede ser problemático, ya que muchas veces los equipos de desarrollo no conocen en profundidad los aspectos científicos de las especialidades médicas y la carga de trabajo recae en los profesionales médicos.
El segundo modelo, consiste en aplicaciones cerradas, puede ser rígido y poco adaptable, lo que limita la capacidad de innovación de las instituciones de salud. No obstante, existen oportunidades para superar estos desafíos. Un ejemplo es el uso de NLP (procesamiento de lenguaje natural) para analizar informes médicos generados en texto libre, permite detectar errores, realizar análisis estadísticos. Sin embargo, este tipo de aplicaciones requieren de tiempo de análisis semántico y sintactico para obtener resultados óptimos.
Futuras soluciones innovadoras
Sin lugar a dudas los datos son la esencia y la fuente de toda la información resultante de cualquier modelo de desarrollo informático, pero cuanto más depurado se cuente el dato, más eficiente y rápidamente se pueden obtener mejores resultados.
Por lo tanto, revisar la atomización de datos y los procesos de trabajo es el camino a desarrollar aplicaciones de IA. En ejemplo podemos decir que son los informes médicos de los servicios de diagnóstico por imágenes, que suelen ser por dictáfono por voz o texto libre, existen aplicaciones de IA para obtener información resultante con fines científicos.
Sin embargo, la utilización de los reportes estructurados, ofrecen una excelente posibilidad de obtener datos depurados, homogenizados, entre imágenes Dicom e informes, esto requiere un cambio en el modelo de trabajo del médico informante, pero los datos obtenidos son mayores y además precisos.
Conclusiones
El informe aborda los cambios significativos en las instituciones de salud impulsados por la evolución de la inteligencia artificial (IA), destacando la importancia de adoptar sistemas basados en IA para mejorar los diagnósticos y la gestión de datos clínicos.
Transformación tecnológica en las instituciones de salud: El uso de IA ha transformado profundamente el sector salud, especialmente desde la pandemia de COVID-19, con un enfoque en el diagnóstico remoto y la optimización de procesos a través del uso de redes sociales y big data.
Evolución de la IA: La IA ha pasado por tres etapas. La primera ola se centró en modelos matemáticos y autómatas; la segunda se basó en el aprendizaje automático (machine learning); y la tercera, en el aprendizaje profundo (deep learning), que ha revolucionado la capacidad de las máquinas para aprender de grandes volúmenes de datos.
Impacto de la IA en el diagnóstico médico: La IA aplicada al diagnóstico, como en la mamografía, ha demostrado ser más eficiente al identificar patrones y mejorar su precisión mediante el aprendizaje continuo, lo que contrasta con los métodos tradicionales basados en reglas y lenguajes formales.
Desafíos en el manejo de datos: Aunque las instituciones de salud generan grandes volúmenes de datos, la falta de organización y estandarización limita su uso eficiente en el entrenamiento de algoritmos de IA. La atomización de datos y la interoperabilidad son clave para aprovechar completamente los avances en IA.
Modelos de implementación de IA: Se presentan dos enfoques principales para implementar IA: desarrollos a medida y aplicaciones cerradas. Ambos tienen ventajas y desventajas, pero es esencial contar con colaboración interdisciplinaria para garantizar la precisión y efectividad de los sistemas basados en IA.
Recomendaciones:
Estandarización y atomización de datos: Es crucial que las instituciones de salud inviertan en la estandarización y atomización de los datos. Esto implica organizar la información de manera que sea fácilmente procesada por algoritmos de IA. Además, fomentar la interoperabilidad entre los sistemas es esencial para integrar y compartir datos de manera eficiente.
Adopción de IA en diagnóstico: Las instituciones deberían priorizar la adopción de sistemas de IA en áreas críticas como el diagnóstico médico. Esto no solo mejorará la precisión, sino que también permitirá un aprendizaje continuo basado en datos actualizados, beneficiando tanto a pacientes como a profesionales de la salud.
Formación interdisciplinaria: Es importante capacitar a los equipos de salud y desarrollo en las particularidades de la IA y las especialidades médicas. Esto promoverá una mejor colaboración y evitará que la carga de trabajo recaiga excesivamente en los profesionales médicos.
Fomento del uso de informes estructurados: Las instituciones deberían migrar de informes en texto libre o dictado a formatos más estructurados, lo que permitiría una mejor depuración y análisis de datos por parte de algoritmos de IA, facilitando así la obtención de resultados más precisos y útiles para la investigación científica.
Evaluación continua de los modelos de IA: Los sistemas de IA deben ser continuamente evaluados y actualizados para asegurar que los diagnósticos mejoren con el tiempo. Esto implica un seguimiento riguroso y la implementación de mecanismos de retroalimentación que permitan ajustar los algoritmos según sea necesario. Implementar estas recomendaciones permitirá a las instituciones de salud maximizar los beneficios de la IA y optimizar tanto el diagnóstico médico como la gestión administrativa y financiera.