Aprendizaje automático y los desafíos para su uso clínico

Publicado el

hospital

La inteligencia artificial, particularmente, en su variante de aprendizaje automático, está siendo probada en el sector de la medicina para analizar patrones de datos y generar proyecciones en base a los mismos, sin la necesidad de recibir órdenes directas.

Dada la complejidad de este contexto, un equipo de investigadores de la Harvard y el MIT presentaron algunas observaciones para el uso clínico de esta tecnología.

Machine Learning para uso clínico

La relación entre ciencia y tecnología es estrecha y de larga data. Durante el último tiempo, el acercamiento entre estas dos áreas ha sido aún mayor, por la influencia de, entre otros factores, la pandemia de COVID-19.

La emergencia sanitaria demandó la aceleración de toda investigación que ayudara a avanzar con su superación. Para estudiar el comportamiento del virus, sus efectos y evolución, fueron levantados datos estadísticos en un gran volumen, sometidos de manera inédita a sistemas de IA para su análisis. Si bien, el primer impacto del virus tomó por sorpresa al mundo, las siguientes olas fueron recibidas con algo más de información gracias a estos sistemas.

A pesar de la novedosa repercusión de esta metodología de análisis, la tecnología tras ella aún se encuentra en una etapa incipiente. La investigación «Deploying clinical machine learning? Consider the following…», desarrrollada por ocho investigadores de Harvard y el MIT, señala en su presentación que «si bien la investigación es importante para avanzar en el estado del arte, su ejecución es igualmente importante para llevar estas tecnologías a una posición que finalmente impacte en la atención al paciente y esté a la altura de las amplias expectativas que rodean a la IA en la atención médica».

El estudio fue realizado en base a una encuesta aplicada a varios participantes vinculados al desarrollo de esta específica variante de la IA, que en su medio ya es llamada como Aprendizaje Automático Clínico o CML (Clinical Machine Learning).

Los principales desafíos identificados en la investigación guardan relación con varias etapas. Al momento de desarrollar un diagnóstico clínico, se plantea como un aporte para la labor médica la corroboración de diagnósticos, reforzando sus puntos débiles. Al momento de validar un diagnóstico, se sugiere el uso de IA para evitar la presencia de sesgos en los mismos, comparando aquellas muestras con las de otros hospitales. A nivel de desarrollo estadístico, un sistema de CML puede generar una amplia base de datos, destacando no sólo datos críticos, sino que también cifras positivas, como el número de vidas salvadas durante algún período. A nivel de despliegue, el principal desafío del CML es su validación clínica, pues pocas de las investigaciones realizadas han logrado concretarse en cumplimiento con los estándares requeridos para que una tecnología se integre en alguna etapa del proceso de atención médica.

Con estas observaciones, el equipo de investigación aportó su visión como una guía para el desarrollo de futuras investigaciones, con el fin de proyectar de manera más concreta su futura implementación.