De Wikipedia, la enciclopedia libre
Saltar a navegación Saltar a búsqueda
Radiografía de una mano, con cálculo automático de la edad ósea mediante un software informático

La inteligencia artificial en la atención médica es un término general que se usa para describir el uso de algoritmos y software de aprendizaje automático, o inteligencia artificial (IA), para imitar la cognición humana en el análisis, presentación y comprensión de datos médicos y de atención médica complejos. Específicamente, la IA es la capacidad de los algoritmos informáticos para aproximar conclusiones basándose únicamente en los datos de entrada.

Lo que distingue a la tecnología de IA de las tecnologías tradicionales en el cuidado de la salud es la capacidad de recopilar datos, procesarlos y brindar un resultado bien definido al usuario final. La IA hace esto a través de algoritmos de aprendizaje automático y aprendizaje profundo . Estos algoritmos pueden reconocer patrones de comportamiento y crear su propia lógica. Para obtener información y predicciones útiles, los modelos de aprendizaje automático deben entrenarse con una gran cantidad de datos de entrada. Los algoritmos de IA se comportan de manera diferente a los humanos de dos maneras: (1) los algoritmos son literales: una vez que se establece un objetivo, el algoritmo aprende exclusivamente de los datos de entrada y solo puede comprender para qué ha sido programado, (2) y algo de aprendizaje profundo los algoritmos son cajas negras; Los algoritmos pueden predecir con extrema precisión, pero ofrecen poca o ninguna explicación comprensible de la lógica detrás de sus decisiones, aparte de los datos y el tipo de algoritmo utilizado. [1]

El objetivo principal de las aplicaciones de IA relacionadas con la salud es analizar las relaciones entre las técnicas de prevención o tratamiento y los resultados de los pacientes. [2] Los programas de IA se aplican a prácticas tales como procesos de diagnóstico , desarrollo de protocolos de tratamiento, desarrollo de fármacos , medicina personalizada y seguimiento y atención de pacientes . Los algoritmos de IA también se pueden utilizar para analizar grandes cantidades de datos a través de registros médicos electrónicos para la prevención y el diagnóstico de enfermedades. Las instituciones médicas tales como la Clínica Mayo , el Memorial Sloan Kettering Cancer Center , [3] [4] y los británicos Servicio Nacional de Salud, [5] han desarrollado algoritmos de IA para sus departamentos. Las grandes empresas de tecnología como IBM [6] y Google , [5] también han desarrollado algoritmos de inteligencia artificial para el cuidado de la salud. Además, los hospitales buscan software de inteligencia artificial para respaldar iniciativas operativas que aumenten el ahorro de costos, mejoren la satisfacción del paciente y satisfagan sus necesidades de personal y fuerza laboral. [7] Actualmente, el gobierno de los Estados Unidos está invirtiendo miles de millones de dólares para avanzar en el desarrollo de la IA en la atención médica. [1] Las empresas están desarrollando tecnologías que ayudan a los gerentes de saludmejorar las operaciones comerciales mediante el aumento de la utilización, la disminución de la internación de pacientes, la reducción de la duración de la estadía y la optimización de los niveles de personal. [8]

Dado que el uso generalizado de la IA en la atención médica es relativamente nuevo, existen varias preocupaciones éticas sin precedentes relacionadas con su práctica, como la privacidad de los datos, la automatización de trabajos y los sesgos de representación.

Historia [ editar ]

La investigación de las décadas de 1960 y 1970 produjo el primer programa de resolución de problemas, o sistema experto , conocido como Dendral . [9] Si bien fue diseñado para aplicaciones en química orgánica, proporcionó la base para un sistema posterior MYCIN , [10] considerado uno de los primeros usos más importantes de la inteligencia artificial en medicina. [10] [11] Sin embargo, MYCIN y otros sistemas como INTERNIST-1 y CASNET no lograron un uso rutinario por parte de los profesionales. [12]

Las décadas de 1980 y 1990 trajeron consigo la proliferación de la microcomputadora y nuevos niveles de conectividad de red. Durante este tiempo, los investigadores y desarrolladores reconocieron que los sistemas de inteligencia artificial en la atención médica deben diseñarse para adaptarse a la ausencia de datos perfectos y aprovechar la experiencia de los médicos. [13] Los enfoques que involucran la teoría de conjuntos difusos , [14] las redes bayesianas , [15] y las redes neuronales artificiales , [16] [17] se han aplicado a los sistemas informáticos inteligentes en el cuidado de la salud.

Los avances médicos y tecnológicos ocurridos durante este período de medio siglo que han permitido el crecimiento de las aplicaciones de la IA relacionadas con la atención médica incluyen:

  • Mejoras en la potencia informática que dan lugar a una recopilación y procesamiento de datos más rápidos [18]
  • Crecimiento de bases de datos de secuenciación genómica [19]
  • Implementación generalizada de sistemas de historia clínica electrónica [20]
  • Mejoras en el procesamiento del lenguaje natural y la visión por computadora , lo que permite a las máquinas replicar los procesos de percepción humana [21] [22]
  • Mejoró la precisión de la cirugía asistida por robot [23]
  • Mejoras en las técnicas de aprendizaje profundo y los registros de datos en enfermedades raras

Investigación actual [ editar ]

Varias especialidades de la medicina han mostrado un aumento en la investigación sobre la IA. A medida que el nuevo coronavirus asola el mundo, se estima que Estados Unidos invertirá más de $ 2 mil millones en investigación de salud relacionada con la inteligencia artificial durante los próximos 5 años, más de 4 veces la cantidad gastada en 2019 ($ 463 millones). [24]

Dermatología [ editar ]

La dermatología es una especialidad abundante en imágenes [25] y el desarrollo del aprendizaje profundo ha estado fuertemente ligado al procesamiento de imágenes . Por tanto, existe un encaje natural entre la dermatología y el aprendizaje profundo. Hay 3 tipos principales de imágenes en dermatología: imágenes contextuales, imágenes macro y micro imágenes. [26] Para cada modalidad, el aprendizaje profundo mostró un gran progreso. [27] Han y col. Alabama. mostró detección de cáncer de piel queratinocítico a partir de fotografías faciales. [28] Esteva y col. Demostró una clasificación de cáncer de piel a nivel dermatólogo a partir de imágenes de lesiones. [29] Noyan et. Alabama. demostró una red neuronal convolucionalque logró un 94% de precisión en la identificación de células cutáneas a partir de imágenes microscópicas de frotis de Tzanck . [30]

Radiología [ editar ]

La IA se está estudiando dentro del campo de la radiología para detectar y diagnosticar enfermedades en los pacientes a través de la tomografía computarizada (TC) y la resonancia magnética (RM). [31] El enfoque en la inteligencia artificial en radiología ha aumentado rápidamente en los últimos años según la Sociedad de Radiología de América del Norte, donde han experimentado un crecimiento de 0 a 3, 17 y, en general, un 10% del total de publicaciones de 2015 a 2018, respectivamente. [31] Un estudio en Stanfordcreó un algoritmo que podría detectar neumonía en pacientes con una mejor métrica F1 promedio (una métrica estadística basada en la precisión y la memoria), que los radiólogos involucrados en el ensayo. A través de las imágenes en oncología, la IA ha podido servir bien para detectar anomalías y monitorear los cambios a lo largo del tiempo; dos factores clave en la salud oncológica. [32] Muchas empresas y sistemas neutrales de proveedores como icometrix, QUIBIM, Robovision e IMAGRT de UMC Utrecht están disponibles para proporcionar una plataforma de aprendizaje automático entrenable para detectar una amplia gama de enfermedades. La Sociedad Radiológica de Norteamérica ha implementado presentaciones sobre IA en imágenes durante su conferencia anual. [31]Muchos profesionales se muestran optimistas sobre el futuro del procesamiento de IA en radiología, ya que reducirá el tiempo de interacción necesario y permitirá a los médicos ver a más pacientes. [32] Aunque no siempre es tan bueno como un ojo entrenado para descifrar crecimientos maliciosos o benignos, la historia de las imágenes médicas muestra una tendencia hacia un rápido avance tanto en la capacidad como en la confiabilidad de los nuevos sistemas. [32] El surgimiento de la tecnología de IA en radiología es percibido como una amenaza por algunos especialistas, ya que puede mejorar mediante ciertas métricas estadísticas en casos aislados, donde los especialistas no pueden.

Proyección [ editar ]

Los avances recientes han sugerido el uso de la IA para describir y evaluar el resultado de la cirugía maxilofacial o la evaluación de la terapia del paladar hendido con respecto al atractivo facial o la apariencia de la edad. [33] [34]

En 2018, un artículo publicado en la revista Annals of Oncology mencionó que el cáncer de piel podría detectarse con mayor precisión mediante un sistema de inteligencia artificial (que utilizaba una red neuronal convolucional de aprendizaje profundo) que los dermatólogos . En promedio, los dermatólogos humanos detectaron con precisión el 86,6% de los cánceres de piel a partir de las imágenes, en comparación con el 95% de la máquina de CNN. [35]

En enero de 2020, los investigadores demostraron un sistema de inteligencia artificial, basado en un algoritmo Google DeepMind , que es capaz de superar a los expertos humanos en la detección del cáncer de mama . [36] [37]

En julio de 2020 se informó que un algoritmo de inteligencia artificial de la Universidad de Pittsburgh logra la mayor precisión hasta la fecha en la identificación del cáncer de próstata , con una sensibilidad del 98% y una especificidad del 97%. [38] [39]

Psiquiatría [ editar ]

En psiquiatría, las aplicaciones de inteligencia artificial todavía se encuentran en una fase de prueba de concepto. [40] Las áreas donde la evidencia se está ampliando rápidamente incluyen chatbots, agentes conversacionales que imitan el comportamiento humano y que han sido estudiados para la ansiedad y la depresión. [41]

Los desafíos incluyen el hecho de que muchas aplicaciones en el campo son desarrolladas y propuestas por corporaciones privadas, como la detección de ideación suicida implementada por Facebook en 2017. [42] Estas aplicaciones fuera del sistema de salud plantean varias cuestiones profesionales, éticas y regulatorias. [43]

Atención primaria [ editar ]

La atención primaria se ha convertido en un área de desarrollo clave para las tecnologías de IA. [44] [45] La IA en la atención primaria se ha utilizado para respaldar la toma de decisiones, el modelado predictivo y el análisis empresarial. [46] A pesar de los rápidos avances en las tecnologías de la IA, la opinión de los médicos generales sobre el papel de la IA en la atención primaria es muy limitada, centrada principalmente en las tareas administrativas y de documentación de rutina. [45] [47]

Diagnóstico de enfermedades [ editar ]

Un artículo de Jiang, et al. (2017) demostraron que existen varios tipos de técnicas de IA que se han utilizado para una variedad de enfermedades diferentes, como máquinas de vectores de soporte, redes neuronales y árboles de decisión. Cada una de estas técnicas se describe como teniendo un "objetivo de formación", por lo que "las clasificaciones concuerdan con los resultados tanto como sea posible ...".

Para demostrar algunos detalles para el diagnóstico / clasificación de enfermedades, hay dos técnicas diferentes utilizadas en la clasificación de estas enfermedades que incluyen el uso de “Redes neuronales artificiales (ANN) y Redes Bayesianas (BN)”. Se encontró que la ANN era mejor y podía clasificar con mayor precisión la diabetes y la ECV.

Mediante el uso de clasificadores de aprendizaje médico (MLC), la inteligencia artificial ha podido ayudar sustancialmente a los médicos en el diagnóstico de pacientes mediante la manipulación de registros médicos electrónicos (EHR) masivos . [48] Las condiciones médicas se han vuelto más complejas y, con un vasto historial de creación de registros médicos electrónicos, la probabilidad de duplicación de casos es alta. [48] Aunque hoy en día es menos probable que alguien con una enfermedad rara sea la única persona que haya padecido una enfermedad determinada, la imposibilidad de acceder a casos de orígenes sintomáticos similares es un obstáculo importante para los médicos. [48]La implementación de la IA no solo para ayudar a encontrar casos y tratamientos similares, sino también para tener en cuenta los síntomas principales y ayudar a los médicos a hacer las preguntas más adecuadas, ayuda al paciente a recibir el diagnóstico y el tratamiento más precisos posibles. [48]

Telemedicina [ editar ]

Un anciano que usa un oxímetro de pulso para medir sus niveles de oxígeno en sangre

El aumento de la telemedicina , el tratamiento de pacientes de forma remota, ha mostrado el aumento de posibles aplicaciones de IA. [49] La IA puede ayudar a cuidar a los pacientes de forma remota al monitorear su información a través de sensores. [50] Un dispositivo portátil puede permitir el monitoreo constante de un paciente y la capacidad de notar cambios que pueden ser menos distinguibles para los humanos. La información se puede comparar con otros datos que ya se han recopilado utilizando algoritmos de inteligencia artificial que alertan a los médicos si hay algún problema que deba tener en cuenta. [50]

Otra aplicación de la inteligencia artificial es la terapia de bots de chat. Algunos investigadores afirman que la dependencia de los chat-bot para la atención de la salud mental no ofrece la reciprocidad y responsabilidad de la atención que debería existir en la relación entre el consumidor de la atención de la salud mental y el proveedor de atención (ya sea un chat-bot o un psicólogo) . [51]

Dado que la edad promedio ha aumentado debido a una mayor esperanza de vida, la inteligencia artificial podría ser útil para ayudar a cuidar a las poblaciones mayores. [52] Las herramientas como los sensores ambientales y personales pueden identificar las actividades regulares de una persona y alertar a un cuidador si un comportamiento o un elemento vital medido es anormal. [52] Aunque la tecnología es útil, también hay discusiones sobre las limitaciones del monitoreo para respetar la privacidad de una persona, ya que existen tecnologías que están diseñadas para trazar el diseño del hogar y detectar interacciones humanas. [52]

Registros de salud electrónicos [ editar ]

Los registros de salud electrónicos (HCE) son cruciales para la digitalización y la difusión de información de la industria de la salud. Ahora que alrededor del 80% de las prácticas médicas utilizan EHR, el siguiente paso es utilizar inteligencia artificial para interpretar los registros y proporcionar nueva información a los médicos. [53] Una aplicación utiliza el procesamiento del lenguaje natural (NLP) para hacer informes más sucintos que limitan la variación entre términos médicos al hacer coincidir términos médicos similares. [53] Por ejemplo, el término ataque cardíaco e infarto de miocardio significan lo mismo, pero los médicos pueden usar uno sobre el otro según sus preferencias personales. [53] Los algoritmos de PNL consolidan estas diferencias para poder analizar conjuntos de datos más grandes. [53]Otro uso de la PNL identifica frases que son redundantes debido a la repetición en las notas de un médico y mantiene la información relevante para que sea más fácil de leer. [53]

Más allá de realizar ediciones de contenido en un HCE, existen algoritmos de inteligencia artificial que evalúan el registro de un paciente individual y predicen el riesgo de una enfermedad en función de su información previa y antecedentes familiares. [54] Un algoritmo general es un sistema basado en reglas que toma decisiones de manera similar a cómo los humanos usan los diagramas de flujo. [55] Este sistema toma grandes cantidades de datos y crea un conjunto de reglas que conectan observaciones específicas con diagnósticos concluidos. [55] Por lo tanto, el algoritmo puede tomar los datos de un nuevo paciente e intentar predecir la probabilidad de que tenga una determinada afección o enfermedad. [55]Dado que los algoritmos pueden evaluar la información de un paciente basándose en datos colectivos, pueden encontrar cualquier problema pendiente para llamar la atención de un médico y ahorrar tiempo. [54] Un estudio realizado por el instituto de investigación Centerstone encontró que el modelado predictivo de los datos de HCE ha logrado una precisión del 70 al 72% en la predicción de la respuesta al tratamiento individualizada. [56] Estos métodos son útiles debido al hecho de que la cantidad de registros médicos en línea se duplica cada cinco años. [54] Los médicos no tienen el ancho de banda para procesar todos estos datos manualmente, y la IA puede aprovechar estos datos para ayudar a los médicos a tratar a sus pacientes. [54]

Interacciones farmacológicas [ editar ]

Las mejoras en el procesamiento del lenguaje natural llevaron al desarrollo de algoritmos para identificar interacciones fármaco-fármaco en la literatura médica. [57] [58] [59] [60] Las interacciones medicamentosas representan una amenaza para quienes toman múltiples medicamentos simultáneamente, y el peligro aumenta con la cantidad de medicamentos que se toman. [61] Para abordar la dificultad de rastrear todas las interacciones fármaco-fármaco conocidas o sospechadas, se han creado algoritmos de aprendizaje automático para extraer información sobre fármacos que interactúan y sus posibles efectos de la literatura médica. Los esfuerzos se consolidaron en 2013 en el DDIExtraction Challenge, en el que un equipo de investigadores de la Universidad Carlos IIIreunió un corpus de literatura sobre interacciones fármaco-fármaco para formar una prueba estandarizada para tales algoritmos. [62] Se evaluó la capacidad de los competidores para determinar con precisión, a partir del texto, qué fármacos interactuaban y cuáles eran las características de sus interacciones. [63] Los investigadores continúan utilizando este corpus para estandarizar la medición de la efectividad de sus algoritmos. [57] [58] [60]

Otros algoritmos identifican las interacciones fármaco-fármaco a partir de patrones en el contenido generado por el usuario, especialmente los registros médicos electrónicos y / o informes de eventos adversos. [58] [59] Organizaciones como el Sistema de Notificación de Eventos Adversos de la FDA (FAERS) y VigiBase de la Organización Mundial de la Salud permiten a los médicos enviar informes de posibles reacciones negativas a los medicamentos. Se han desarrollado algoritmos de aprendizaje profundo para analizar estos informes y detectar patrones que implican interacciones fármaco-fármaco. [64]

Creación de nuevas drogas [ editar ]

DSP-1181, una molécula del fármaco para el tratamiento del TOC (trastorno obsesivo compulsivo), fue inventado por inteligencia artificial a través de los esfuerzos conjuntos de Exscientia (start-up británica) y Sumitomo Dainippon Pharma (empresa farmacéutica japonesa). El desarrollo del fármaco tomó un solo año, mientras que las empresas farmacéuticas suelen dedicar unos cinco años a proyectos similares. DSP-1181 fue aceptado para un ensayo en humanos. [sesenta y cinco]

En septiembre de 2019, Insilico Medicine informa sobre la creación, a través de inteligencia artificial, de seis nuevos inhibidores del gen DDR1 , una quinasa diana implicada en la fibrosis y otras enfermedades. El sistema, conocido como Aprendizaje por Refuerzo Tensorial Generativo (GENTRL), diseñó los nuevos compuestos en 21 días, con un candidato principal probado y que mostró resultados positivos en ratones. [66] [67] [68]

El mismo mes, la empresa canadiense Deep Genomics anuncia que su plataforma de descubrimiento de fármacos basada en inteligencia artificial ha identificado un objetivo y un candidato a fármaco para la enfermedad de Wilson . El candidato, DG12P1, está diseñado para corregir el efecto de salto de exón de Met645Arg, una mutación genética que afecta a la proteína de unión al cobre ATP7B. [69]

Industria [ editar ]

La tendencia a la fusión de las grandes empresas sanitarias permite una mayor accesibilidad a los datos sanitarios. Una mayor cantidad de datos de salud sienta las bases para la implementación de algoritmos de IA.

Una gran parte del enfoque de la industria de la implementación de la IA en el sector de la salud se encuentra en los sistemas de apoyo a las decisiones clínicas . A medida que se recopilan más datos, los algoritmos de aprendizaje automático se adaptan y permiten respuestas y soluciones más sólidas. [31] Numerosas empresas están explorando las posibilidades de la incorporación de big data en la industria de la salud. Muchas empresas investigan las oportunidades del mercado a través de los ámbitos de las "tecnologías de evaluación, almacenamiento, gestión y análisis de datos", que son partes cruciales de la industria de la salud. [70]

Los siguientes son ejemplos de grandes empresas que han contribuido a los algoritmos de IA para su uso en la atención médica:

  • Watson Oncology de IBM está en desarrollo en Memorial Sloan Kettering Cancer Center y Cleveland Clinic . IBM también está trabajando con CVS Health en aplicaciones de IA en el tratamiento de enfermedades crónicas y con Johnson & Johnson en el análisis de artículos científicos para encontrar nuevas conexiones para el desarrollo de fármacos. En mayo de 2017, IBM y el Instituto Politécnico Rensselaer comenzaron un proyecto conjunto titulado Health Empowerment by Analytics, Learning and Semantics (HEALS), para explorar el uso de la tecnología de inteligencia artificial para mejorar la atención médica.
  • El proyecto Hanover de Microsoft , en asociación con el Knight Cancer Institute de la Oregon Health & Science University , analiza la investigación médica para predecir las opciones de tratamiento farmacológico contra el cáncer más eficaces para los pacientes. Otros proyectos incluyen el análisis de imágenes médicas de la progresión del tumor y el desarrollo de células programables.
  • Google 's DeepMind plataforma está siendo utilizado por el Reino Unido Servicio Nacional de Salud para detectar ciertos riesgos para la salud a través de los datos recogidos a través de una aplicación móvil. Un segundo proyecto con el NHS implica el análisis de imágenes médicas recopiladas de pacientes del NHS para desarrollar algoritmos de visión por computadora para detectar tejidos cancerosos.
  • Tencent está trabajando en varios sistemas y servicios médicos. Estos incluyen AI Medical Innovation System (AIMIS), un servicio de diagnóstico por imágenes médicas impulsado por AI; WeChat Intelligent Healthcare; y Tencent Doctorwork
  • La división de capital de riesgo de Intel, Intel Capital, invirtió recientemente en la startup Lumiata, que utiliza inteligencia artificial para identificar pacientes en riesgo y desarrollar opciones de atención.
  • Kheiron Medical desarrolló un software de aprendizaje profundo para detectar cánceres de mama en mamografías .
  • Fractal Analytics ha incubado Qure.ai, que se centra en el uso del aprendizaje profundo y la inteligencia artificial para mejorar la radiología y acelerar el análisis de rayos X de diagnóstico.
  • Elon Musk estrena el robot quirúrgico que implanta el chip cerebral Neuralink
    Neuralink ha creado una neuroprótesis de próxima generación que interactúa intrincadamente con miles de vías neuronales en el cerebro. [31] Su proceso permite que un robot quirúrgico de precisión inserte un chip, aproximadamente del tamaño de una moneda, en lugar de un trozo de cráneo para evitar lesiones accidentales. [31]

Las aplicaciones de consultoría digital como Babylon Health's GP at Hand , Ada Health , AliHealth Doctor You , KareXpert y Your.MD usan IA para brindar consultas médicas basadas en el historial médico personal y el conocimiento médico común. Los usuarios informan sus síntomas en la aplicación, que utiliza el reconocimiento de voz para compararlos con una base de datos de enfermedades. Babylon luego ofrece una acción recomendada, teniendo en cuenta el historial médico del usuario. Los emprendedores del sector sanitario han estado utilizando de forma eficaz siete arquetipos de modelos de negocio para adoptar una solución de IA [ palabra de moda] al mercado. Estos arquetipos dependen del valor generado para el usuario objetivo (por ejemplo, enfoque en el paciente versus enfoque en el proveedor de atención médica y el pagador) y los mecanismos de captura de valor (por ejemplo, proporcionar información o conectar a los interesados).

IFlytek lanzó un robot de servicio “Xiao Man”, que integró tecnología de inteligencia artificial para identificar al cliente registrado y brindar recomendaciones personalizadas en áreas médicas. También trabaja en el campo de la imagen médica. Empresas como UBTECH ("Cruzr") y Softbank Robotics ("Pepper") también están fabricando robots similares .

La startup india Haptik desarrolló recientemente un chatbot de WhatsApp que responde preguntas asociadas con el mortal coronavirus en India .

Con el mercado de la IA en constante expansión, las grandes empresas de tecnología como Apple, Google, Amazon y Baidu tienen sus propias divisiones de investigación de IA, así como millones de dólares asignados para la adquisición de empresas más pequeñas basadas en IA. [70] Muchos fabricantes de automóviles también están comenzando a utilizar el aprendizaje automático de la salud en sus automóviles. [70] Empresas como BMW , GE , Tesla , Toyota y Volvo tienen nuevas campañas de investigación para encontrar formas de conocer las estadísticas vitales de un conductor para asegurarse de que esté despierto, prestando atención a la carretera y no bajo la influencia de sustancias o en angustia emocional. [70]

Implicaciones [ editar ]

Se prevé que el uso de IA disminuya los costos médicos, ya que habrá más precisión en el diagnóstico y mejores predicciones en el plan de tratamiento, así como una mayor prevención de enfermedades.

Otros usos futuros de la IA incluyen las interfaces cerebro-computadora (BCI), que se prevé que ayuden a quienes tienen problemas para moverse, hablar o con una lesión en la médula espinal. Las BCI utilizarán IA para ayudar a estos pacientes a moverse y comunicarse mediante la decodificación de las activaciones neuronales. [71]

La inteligencia artificial ha llevado a mejoras significativas en áreas de la atención médica, como imágenes médicas, toma de decisiones clínicas automatizadas, diagnóstico, pronóstico y más. Aunque la IA posee la capacidad de revolucionar varios campos de la medicina, todavía tiene limitaciones y no puede reemplazar a un médico de cabecera. [72]

La atención médica es una ciencia complicada que está sujeta a limitaciones legales, éticas, regulatorias, económicas y sociales. Para implementar completamente la IA en la atención médica, debe haber "cambios paralelos en el entorno global, con numerosas partes interesadas, incluidos los ciudadanos y la sociedad". [73]

Expansión de la atención a las naciones en desarrollo [ editar ]

La inteligencia artificial continúa expandiendo su capacidad para diagnosticar a más personas con precisión en países donde hay menos médicos accesibles al público. Muchas empresas de nueva tecnología, como SpaceX y Raspberry Pi Foundation, han permitido que más países en desarrollo tengan acceso a computadoras e Internet que nunca. [74] Con las crecientes capacidades de la IA en Internet, los algoritmos avanzados de aprendizaje automático pueden permitir que los pacientes sean diagnosticados con precisión cuando antes no tenían forma de saber si tenían una enfermedad potencialmente mortal o no. [74]

El uso de IA en países en desarrollo que no tienen los recursos disminuirá la necesidad de subcontratación y puede mejorar la atención al paciente. La IA puede permitir no solo el diagnóstico de pacientes en áreas donde la atención médica es escasa, sino que también permite una buena experiencia del paciente al proporcionar archivos de recursos para encontrar el mejor tratamiento para un paciente. [75] La capacidad de la IA para ajustar el curso a medida que avanza también permite que el paciente modifique su tratamiento en función de lo que funcione para él; un nivel de atención individualizada que es casi inexistente en los países en desarrollo. [75]

Reglamento [ editar ]

Si bien la investigación sobre el uso de la IA en la atención médica tiene como objetivo validar su eficacia para mejorar los resultados de los pacientes antes de su adopción más amplia, su uso puede, no obstante, introducir varios tipos nuevos de riesgo para los pacientes y los proveedores de atención médica, como el sesgo algorítmico , las implicaciones de No resucitar y otros problemas de moralidad de las máquinas . Estos desafíos del uso clínico de la IA han traído consigo una posible necesidad de regulaciones.

Un hombre hablando en el taller de cumplimiento de GDPR en la Cumbre de Emprendimiento de 2019.

Actualmente, existen regulaciones relativas a la recopilación de datos de pacientes. Esto incluye políticas como la Ley de Portabilidad y Responsabilidad del Seguro Médico ( HIPPA ) y el Reglamento General Europeo de Protección de Datos ( GDPR ). [76] El RGPD se refiere a pacientes dentro de la UE y detalla los requisitos de consentimiento para el uso de datos de pacientes cuando las entidades recopilan datos de atención médica de pacientes. De manera similar, HIPPA protege los datos de atención médica de los registros de pacientes en los Estados Unidos. [76] En mayo de 2016, la Casa Blanca anunció su plan para albergar una serie de talleres y la formación del Consejo Nacional de Ciencia y Tecnología.(NSTC) Subcomité de Aprendizaje Automático e Inteligencia Artificial. En octubre de 2016, el grupo publicó el Plan Estratégico Nacional de Investigación y Desarrollo de Inteligencia Artificial, en el que se describen las prioridades propuestas para la investigación y el desarrollo de IA financiados con fondos federales (dentro del gobierno y el mundo académico). El informe señala que un plan estratégico de I + D para el subcampo de la tecnología de la información sanitaria se encuentra en etapas de desarrollo.

La única agencia que ha expresado su preocupación es la FDA. Se cita a Bakul Patel, Director del Centro Asociado de Salud Digital de la FDA, diciendo en mayo de 2017:

“Estamos tratando de conseguir personas que tengan experiencia práctica en desarrollo con el ciclo de vida completo de un producto. Ya tenemos algunos científicos que conocen la inteligencia artificial y el aprendizaje automático, pero queremos personas complementarias que puedan mirar hacia adelante y ver cómo evolucionará esta tecnología ”.

El Grupo Temático conjunto UIT-OMS sobre Inteligencia Artificial para la Salud (FG-AI4H) ha construido una plataforma para la prueba y evaluación comparativa de aplicaciones de IA en el ámbito de la salud. En noviembre de 2018, se están comparando ocho casos de uso, incluida la evaluación del riesgo de cáncer de mama a partir de imágenes histopatológicas, la orientación de la selección del antídoto a partir de imágenes de serpientes y el diagnóstico de lesiones cutáneas.

Preocupaciones éticas [ editar ]

Recolección de datos [ editar ]

Para entrenar de manera efectiva el aprendizaje automático y usar la inteligencia artificial en el cuidado de la salud, se deben recopilar cantidades masivas de datos. Sin embargo, adquirir estos datos tiene un costo de privacidad del paciente en la mayoría de los casos y no es bien recibido públicamente. Por ejemplo, una encuesta realizada en el Reino Unido estimó que el 63% de la población se siente incómoda al compartir sus datos personales para mejorar la tecnología de inteligencia artificial. [76] La escasez de datos de pacientes reales y accesibles es un obstáculo que disuade el progreso del desarrollo y despliegue de más inteligencia artificial en la atención médica.

Automatización [ editar ]

Según un estudio reciente, la IA puede reemplazar hasta el 35% de los puestos de trabajo en el Reino Unido en los próximos 10 a 20 años. [77] Sin embargo, de estos trabajos, se concluyó que AI no ha eliminado ningún trabajo de salud hasta ahora. Aunque si la IA automatizara los trabajos relacionados con la atención médica, los trabajos más susceptibles a la automatización serían los que se ocupan de la información digital, la radiología y la patología, a diferencia de los que se ocupan de la interacción entre el médico y el paciente. [77]

La automatización también puede proporcionar beneficios junto con los médicos. Se espera que los médicos que aprovechan la IA en la atención médica brinden una atención médica de mayor calidad que los médicos y los establecimientos médicos que no lo hacen. [78] La IA probablemente no reemplazará por completo a los trabajadores de la salud, sino que les dará más tiempo para atender a sus pacientes. La IA puede evitar el agotamiento y la sobrecarga cognitiva de los trabajadores de la salud

En última instancia, la IA ayudará a contribuir a la progresión de los objetivos sociales, que incluyen una mejor comunicación, una mejor calidad de la atención médica y la autonomía. [79]

Sesgo [ editar ]

Dado que la IA toma decisiones únicamente sobre la base de los datos que recibe como entrada, es importante que estos datos representen datos demográficos precisos del paciente. En un entorno hospitalario, los pacientes no tienen pleno conocimiento de cómo se crean o calibran los algoritmos predictivos. Por lo tanto, estos establecimientos médicos pueden codificar injustamente sus algoritmos para discriminar a las minorías y priorizar las ganancias en lugar de brindar una atención óptima. [80]

También puede haber un sesgo no intencionado en estos algoritmos que puede exacerbar las desigualdades sociales y sanitarias. [80]  Dado que las decisiones de AI son un reflejo directo de sus datos de entrada, los datos que recibe deben tener una representación precisa de la demografía del paciente. Los varones blancos están excesivamente representados en los conjuntos de datos médicos. [81] Por lo tanto, tener datos mínimos de pacientes sobre las minorías puede llevar a que la IA haga predicciones más precisas para las poblaciones mayoritarias, lo que conduce a peores resultados médicos no deseados para las poblaciones minoritarias. [82] La recopilación de datos de las comunidades minoritarias también puede conducir a la discriminación médica. Por ejemplo, el VIH es un virus prevalente entre las comunidades minoritarias y el estado del VIH se puede utilizar para discriminar a los pacientes. [81]  Sin embargo, estos sesgos pueden eliminarse mediante una implementación cuidadosa y una recopilación metódica de datos representativos.

Ver también [ editar ]

  • Inteligencia artificial
  • Glosario de inteligencia artificial
  • Escáner de cuerpo completo (es decir , Dermascanner , ...)
  • BlueDot
  • Sistema de apoyo a la decisión clínica
  • Diagnóstico asistido por computadora
  • Triaje simple asistido por computadora
  • Google DeepMind
  • IBM Watson Health
  • Computación de imágenes médicas
  • Michal Rosen-Zvi
  • Software de reconocimiento de voz en el cuidado de la salud
  • La Sociedad MICCAI

Referencias [ editar ]

  1. ↑ a b Luca M, Kleinberg J, Mullainathan S (enero-febrero de 2016). "Los algoritmos también necesitan administradores" . Harvard Business Review . Consultado el 8 de octubre de 2018 .
  2. ^ Coiera E (1997). Guía de informática médica, Internet y telemedicina . Chapman & Hall, Ltd.
  3. ^ Power B (19 de marzo de 2015). "La inteligencia artificial está casi lista para los negocios" . Hospital General de Massachusetts .
  4. ^ Bahl M, Barzilay R, Yedidia AB, Locascio NJ, Yu L, Lehman CD (marzo de 2018). "Lesiones mamarias de alto riesgo: un modelo de aprendizaje automático para predecir la mejora patológica y reducir la escisión quirúrgica innecesaria" . Radiología . 286 (3): 810–818. doi : 10.1148 / radiol.2017170549 . PMID 29039725 . 
  5. ↑ a b Bloch-Budzier S (22 de noviembre de 2016). "NHS utilizando la tecnología de Google para tratar a los pacientes" .
  6. ^ Lorenzetti L (5 de abril de 2016). "Así es como IBM Watson Health está transformando la industria del cuidado de la salud" . Fortuna .
  7. ↑ Kent J (8 de agosto de 2018). "Los proveedores adoptan el análisis predictivo para obtener beneficios económicos y clínicos" . HealthITAnalytics . Consultado el 16 de enero de 2019 .
  8. ^ Lee K (4 de enero de 2016). "El análisis predictivo en el cuidado de la salud ayuda a mejorar la utilización del quirófano" . SearchHealthIT . Consultado el 16 de enero de 2019 .
  9. ^ Lindsay RK, Buchanan BG, Feigenbaum EA, Lederberg J (1993). "DENDRAL: un estudio de caso del primer sistema experto para la formación de hipótesis científicas" . Inteligencia artificial . 61 (2): 209–261. doi : 10.1016 / 0004-3702 (93) 90068-m . hdl : 2027,42 / 30758 .
  10. ↑ a b Clancey WJ, Shortliffe EH (1984). Lecturas en inteligencia artificial médica: la primera década . Addison-Wesley Longman Publishing Co., Inc.
  11. ^ Bruce G, Buchanan BG, Shortliffe ED (1984). Sistemas expertos basados ​​en reglas: los experimentos MYCIN del Proyecto de Programación Heurística de Stanford .
  12. ^ Duda RO, Shortliffe EH (abril de 1983). "Investigación de sistemas expertos". Ciencia . 220 (4594): 261–8. Código bibliográfico : 1983Sci ... 220..261D . doi : 10.1126 / science.6340198 . PMID 6340198 . 
  13. ^ Miller RA (1994). "Sistemas de apoyo a la decisión de diagnóstico médico - pasado, presente y futuro: una bibliografía enhebrada y un breve comentario" . Revista de la Asociación Estadounidense de Informática Médica . 1 (1): 8-27. doi : 10.1136 / jamia.1994.95236141 . PMC 116181 . PMID 7719792 .  
  14. ^ Adlassnig KP (julio de 1980). "Un modelo lógico difuso de diagnóstico médico asistido por computadora" (PDF) . Métodos de información en medicina . 19 (3): 141–8. doi : 10.1055 / s-0038-1636674 . PMID 6997678 .  
  15. ^ Reggia JA, Peng Y (septiembre de 1987). "Modelado de razonamiento diagnóstico: un resumen de la teoría de cobertura parsimoniosa" . Métodos y programas informáticos en biomedicina . 25 (2): 125–34. doi : 10.1016 / 0169-2607 (87) 90048-4 . PMC 2244953 . PMID 3315427 .  
  16. ^ Baxt WG (diciembre de 1991). "Utilización de una red neuronal artificial para el diagnóstico de infarto de miocardio". Annals of Internal Medicine . 115 (11): 843–8. doi : 10.7326 / 0003-4819-115-11-843 . PMID 1952470 . 
  17. ^ Maclin PS, Dempsey J, Brooks J, Rand J (febrero de 1991). "Utilización de redes neuronales para diagnosticar el cáncer". Revista de sistemas médicos . 15 (1): 11–9. doi : 10.1007 / bf00993877 . PMID 1748845 . S2CID 10189561 .  
  18. ^ Koomey J, Berard S, Sanchez M, Wong H (marzo de 2010). "Implicaciones de las tendencias históricas en la eficiencia eléctrica de la informática". IEEE Annals of the History of Computing . 33 (3): 46–54. CiteSeerX 10.1.1.323.9505 . doi : 10.1109 / MAHC.2010.28 . S2CID 8305701 .  
  19. ^ Barnes B, Dupré J (2009). Genomas y qué hacer con ellos . Prensa de la Universidad de Chicago.[ página necesaria ]
  20. ^ Jha AK, DesRoches CM, Campbell EG, Donelan K, Rao SR, Ferris TG, et al. (Abril de 2009). "Uso de historias clínicas electrónicas en hospitales de Estados Unidos". La Revista de Medicina de Nueva Inglaterra . 360 (16): 1628–38. doi : 10.1056 / NEJMsa0900592 . PMID 19321858 . S2CID 19914056 .  
  21. ^ Banko M, Brill E (julio de 2001). "Escalado a corpus muy grandes para la desambiguación del lenguaje natural]" (PDF) . Actas de la 39ª Reunión Anual de la Asociación de Lingüística Computacional . Asociación de Lingüística Computacional: 26–33. Archivado desde el original (PDF) el 7 de abril de 2019 . Consultado el 7 de abril de 2019 .
  22. ^ Dougherty G (2009). Procesamiento de imágenes digitales para aplicaciones médicas . Prensa de la Universidad de Cambridge.
  23. ^ "Inteligencia artificial y aprendizaje automático para la salud" . Sigmoidal . 21 de diciembre de 2017.
  24. ^ "Impacto de la pandemia de COVID-19: el gasto mundial en I + D para la inteligencia artificial en la salud y los productos farmacéuticos aumentará US $ 1,5 mil millones para 2025". Carta médica sobre los CDC y la FDA. 3 de mayo de 2020 - a través de Gale Academic OneFile.
  25. ^ Hibler, Brian P .; Qi, Qiaochu; Rossi, Anthony M. (marzo de 2016). "Estado actual de la imagenología en dermatología" . Seminarios de Medicina y Cirugía Cutánea . 35 (1): 2–8. doi : 10.12788 / j.sder.2016.001 . ISSN 1085-5629 . PMID 26963110 .  
  26. ^ "Adquisición de imágenes en dermatología | DermNet NZ" . dermnetnz.org . Consultado el 23 de febrero de 2021 .
  27. ^ Chan, Stephanie; Reddy, Vidhatha; Myers, Bridget; Thibodeaux, Quinn; Brownstone, Nicholas; Liao, Wilson (6 de abril de 2020). "Machine Learning en Dermatología: Aplicaciones actuales, Oportunidades y Limitaciones" . Dermatología y Terapia . 10 (3): 365–386. doi : 10.1007 / s13555-020-00372-0 . ISSN 2193-8210 . PMC 7211783 . PMID 32253623 .   
  28. ^ Han, Seung Seog; Luna, Ik Jun; Lim, Woohyung; Suh, In Suck; Lee, Sam Yong; Na, Jung-Im; Kim, Seong Hwan; Chang, Sung Eun (1 de enero de 2020). "Detección de cáncer de piel queratinocítico en la cara mediante red neuronal convolucional basada en regiones" . Dermatología JAMA . 156 (1): 29. doi : 10.1001 / jamadermatol.2019.3807 . ISSN 2168-6068 . PMC 6902187 . PMID 31799995 .   
  29. ↑ Esteva, Andre; Kuprel, Brett; Novoa, Roberto A .; Ko, Justin; Swetter, Susan M .; Blau, Helen M .; Thrun, Sebastian (febrero de 2017). "Clasificación de cáncer de piel a nivel dermatólogo con redes neuronales profundas" . Naturaleza . 542 (7639): 115-118. doi : 10.1038 / nature21056 . ISSN 1476-4687 . 
  30. ^ Noyan, Mehmet Alican; Durdu, Murat; Eskiocak, Ali Haydar (27 de octubre de 2020). "TzanckNet: una red neuronal convolucional para identificar células en la citología de enfermedades erosivo-vesiculobullosas" . Informes científicos . 10 (1): 18314. doi : 10.1038 / s41598-020-75546-z . ISSN 2045-2322 . 
  31. ^ a b c d e f Pisarchik AN, Maksimenko VA, Hramov AE (octubre de 2019). "De la tecnología novedosa a las aplicaciones novedosas: comentario sobre" Una plataforma de interfaz integrada cerebro-máquina con miles de canales "por Elon Musk y Neuralink" . Revista de investigación médica en Internet . 21 (10): e16356. doi : 10.2196 / 16356 . PMC 6914250 . PMID 31674923 . S2CID 207818415 .   
  32. ↑ a b c Hosny A, Parmar C, Quackenbush J, Schwartz LH, Aerts HJ (agosto de 2018). "Inteligencia artificial en radiología" . Reseñas de la naturaleza. Cáncer . 18 (8): 500–510. doi : 10.1038 / s41568-018-0016-5 . PMC 6268174 . PMID 29777175 .  
  33. ^ Patcas R, Bernini DA, Volokitin A, Agustsson E, Rothe R, Timofte R (enero de 2019). "Aplicación de la inteligencia artificial para evaluar el impacto del tratamiento ortognático en el atractivo facial y la edad estimada" . Revista Internacional de Cirugía Oral y Maxilofacial . 48 (1): 77–83. doi : 10.1016 / j.ijom.2018.07.010 . PMID 30087062 . 
  34. ^ Patcas R, Timofte R, Volokitin A, Agustsson E, Eliades T, Eichenberger M, Bornstein MM (agosto de 2019). "Atractivo facial de los pacientes con hendidura: una comparación directa entre la puntuación basada en inteligencia artificial y los grupos de evaluadores convencionales". Revista Europea de Ortodoncia . 41 (4): 428–433. doi : 10.1093 / ejo / cjz007 . PMID 30788496 . S2CID 73507799 .  
  35. ^ "La computadora aprende a detectar el cáncer de piel con mayor precisión que los médicos" . The Guardian . 29 de mayo de 2018.
  36. ^ Kobie N (1 de enero de 2020). "La nueva IA de DeepMind puede detectar el cáncer de mama tan bien como su médico" . Reino Unido cableado . Cableado . Consultado el 1 de enero de 2020 .
  37. ^ McKinney SM, Sieniek M, Godbole V, Godwin J, Antropova N, Ashrafian H, et al. (Enero de 2020). "Evaluación internacional de un sistema de IA para la detección del cáncer de mama" . Naturaleza . 577 (7788): 89–94. Código Bib : 2020Natur.577 ... 89M . doi : 10.1038 / s41586-019-1799-6 . PMID 31894144 . S2CID 209523468 .  
  38. ^ "La inteligencia artificial identifica el cáncer de próstata con una precisión casi perfecta" . EurekAlert! . 27 de julio de 2020 . Consultado el 29 de julio de 2020 .
  39. ^ Pantanowitz L, Quiroga-Garza GM, Bien L, Heled R, Laifenfeld D, Linhart C, et al. (1 de agosto de 2020). "Un algoritmo de inteligencia artificial para el diagnóstico de cáncer de próstata en imágenes de diapositivas completas de biopsias con aguja central: una validación clínica ciega y un estudio de implementación" . The Lancet Digital Health . 2 (8): e407 – e416. doi : 10.1016 / S2589-7500 (20) 30159-X . ISSN 2589-7500 . PMID 33328045 . Consultado el 17 de agosto de 2020 .  
  40. ^ Graham S, Depp C, Lee EE, Nebeker C, Tu X, Kim HC, Jeste DV (noviembre de 2019). "Inteligencia artificial para la salud mental y las enfermedades mentales: una visión general" . Informes actuales de psiquiatría . 21 (11): 116. doi : 10.1007 / s11920-019-1094-0 . PMC 7274446 . PMID 31701320 .  
  41. ^ Fulmer R, Joerin A, Gentile B, Lakerink L, Rauws M (diciembre de 2018). "Uso de inteligencia artificial psicológica (Tess) para aliviar los síntomas de depresión y ansiedad: ensayo controlado aleatorio" . Salud Mental JMIR . 5 (4): e64. doi : 10.2196 / mental.9782 . PMC 6315222 . PMID 30545815 .  
  42. ^ Calderero G, Leary R, ​​Crutchley P, Fine A (enero de 2018). "Procesamiento del lenguaje natural de las redes sociales como detección del riesgo de suicidio" . Perspectivas de la informática biomédica . 10 : 1178222618792860. doi : 10.1177 / 1178222618792860 . PMC 6111391 . PMID 30158822 .  
  43. ^ Brunn M, Diefenbacher A, Courtet P, Genieys W (agosto de 2020). "El futuro está llamando: cómo la inteligencia artificial cambiará fundamentalmente la psiquiatría" . Psiquiatría académica . 44 (4): 461–466. doi : 10.1007 / s40596-020-01243-8 . PMID 32424706 . S2CID 218682746 .  
  44. ^ Mistry P (septiembre de 2019). "Inteligencia artificial en atención primaria" . The British Journal of General Practice . 69 (686): 422–423. doi : 10.3399 / bjgp19X705137 . PMC 6715470 . PMID 31467001 .  
  45. ^ a b Blease C, Kaptchuk TJ, Bernstein MH, Mandl KD, Halamka JD, DesRoches CM (marzo de 2019). "Inteligencia artificial y el futuro de la atención primaria: estudio cualitativo exploratorio de opiniones de médicos generales del Reino Unido" . Revista de investigación médica en Internet . 21 (3): e12802. doi : 10.2196 / 12802 . PMC 6446158 . PMID 30892270 . S2CID 59175658 .   
  46. ^ Liyanage H, Liaw ST, Jonnagaddala J, Schreiber R, Kuziemsky C, Terry AL, de Lusignan S (agosto de 2019). "Inteligencia artificial en la atención primaria de salud: percepciones, problemas y desafíos" . Anuario de Informática Médica . 28 (1): 41–46. doi : 10.1055 / s-0039-1677901 . PMC 6697547 . PMID 31022751 .  
  47. ^ Kocaballi AB, Ijaz K, Laranjo L, Quiroz JC, Rezazadegan D, Tong HL, et al. (Noviembre de 2020). "Visualización de un asistente de documentación de inteligencia artificial para futuras consultas de atención primaria: un estudio de co-diseño con médicos generales" . Revista de la Asociación Estadounidense de Informática Médica . 27 (11): 1695-1704. doi : 10.1093 / jamia / ocaa131 . PMC 7671614 . PMID 32845984 .  
  48. ^ a b c d Liang H, Tsui BY, Ni H, Valentim CC, Baxter SL, Liu G, et al. (Marzo de 2019). "Evaluación y diagnósticos precisos de enfermedades pediátricas mediante inteligencia artificial" . Medicina de la naturaleza . 25 (3): 433–438. doi : 10.1038 / s41591-018-0335-9 . PMID 30742121 . S2CID 59945159 .  
  49. ^ Hamet P, Tremblay J (abril de 2017). "Inteligencia artificial en medicina" . Metabolismo . Perspectivas sobre el futuro de la medicina: tecnologías, conceptos e integración. 69S : S36 – S40. doi : 10.1016 / j.metabol.2017.01.011 . PMID 28126242 . 
  50. ↑ a b Pivovarov R, Elhadad N (septiembre de 2015). "Métodos automatizados para el resumen de historias clínicas electrónicas" . Revista de la Asociación Estadounidense de Informática Médica . 22 (5): 938–47. doi : 10.1093 / jamia / ocv032 . PMC 4986665 . PMID 25882031 . S2CID 1452 .   
  51. ↑ Yang M (19 de agosto de 2020). "Conversaciones dolorosas: chatbots terapéuticos y capacidades públicas" . Comunicación y público . 5 (1–2): 35–44. doi : 10.1177 / 2057047320950636 . PMC 7441483 . 
  52. ↑ a b c Pouke M, Häkkilä J (diciembre de 2013). "Monitoreo de la salud de los ancianos utilizando un entorno virtual 3D basado en avatar" . Revista Internacional de Investigación Ambiental y Salud Pública . 10 (12): 7283–98. doi : 10.3390 / ijerph10127283 . PMC 3881167 . PMID 24351747 . S2CID 18535954 .   
  53. ↑ a b c d e Ferrante FE (junio de 2005). "Evolución de la tecnología de la telemedicina / ehealth" . Revista de Telemedicina y E-Health . 11 (3): 370–83. doi : 10.1089 / tmj.2005.11.370 . PMID 16035932 . 
  54. ^ a b c d Medrano IH, Guijarro JT, Belda C, Ureña A, Salcedo I, Anke LE, Saggion H (2018). "Savana: reutilización de registros médicos electrónicos con inteligencia artificial" . Revista Internacional de Multimedia Interactiva e Inteligencia Artificial . 4 (7): 8-12. doi : 10.9781 / ijimai.2017.03.001 . ISSN 1989-1660 . 
  55. ^ a b c Eren A, Subasi A, Coskun O (febrero de 2008). "Un sistema de apoyo a la decisión de la telemedicina a través de la plataforma de telecomunicaciones móviles" . Revista de sistemas médicos . 32 (1): 31–5. doi : 10.1007 / s10916-007-9104-x . PMID 18333403 . S2CID 11082133 .  
  56. ^ Bennett CC, Doub TW, Selove R (abril de 2012). "Los HCE conectan la investigación y la práctica: donde se cruzan el modelado predictivo, la inteligencia artificial y el apoyo a la toma de decisiones clínicas". Política y tecnología de salud . 1 (2): 105-114. arXiv : 1204.4927 . doi : 10.1016 / j.hlpt.2012.03.001 . ISSN 2211-8837 . S2CID 25022446 .  
  57. ↑ a b Bokharaeian B, Diaz A, Chitsaz H (2016). "Mejora de la extracción de la interacción fármaco-fármaco de la literatura utilizando candidatos neutrales, negación y dependencia de la cláusula" . PLOS ONE . 11 (10): e0163480. Código Bibliográfico : 2016PLoSO..1163480B . doi : 10.1371 / journal.pone.0163480 . PMC 5047471 . PMID 27695078 .  
  58. ^ a b c Cai R, Liu M, Hu Y, Melton BL, Matheny ME, Xu H, et al. (Febrero de 2017). "Identificación de interacciones farmacológicas adversas a través del descubrimiento de la regla de asociación causal a partir de informes espontáneos de eventos adversos" . Inteligencia artificial en Medicina . 76 : 7-15. doi : 10.1016 / j.artmed.2017.01.004 . PMC 6438384 . PMID 28363289 .  
  59. ^ a b Christopoulou F, Tran TT, Sahu SK, Miwa M, Ananiadou S (enero de 2020). "Eventos adversos de drogas y extracción de relaciones de medicación en registros de salud electrónicos con métodos de aprendizaje profundo de conjunto" . Revista de la Asociación Estadounidense de Informática Médica . 27 (1): 39–46. doi : 10.1093 / jamia / ocz101 . PMC 6913215 . PMID 31390003 .  
  60. ^ a b Zhou D, Miao L, He Y (mayo de 2018). "Aprendizaje multitarea profundo consciente de la posición para la extracción de interacciones fármaco-fármaco" (PDF) . Inteligencia artificial en Medicina . 87 : 1–8. doi : 10.1016 / j.artmed.2018.03.001 . PMID 29559249 .  
  61. ↑ García JS (14 de abril de 2013). Optimización del tratamiento de enfermos pluripatológicos en atención primaria UCAMI HHUU Virgen del Rocio (Informe). Sevilla. España - vía ponencias de la II Reunión de Paciente Pluripatológico y Edad Avanzada Archivado.
  62. ^ Herrero-Zazo M, Segura-Bedmar I, Martínez P, Declerck T (octubre de 2013). "El corpus DDI: un corpus anotado con sustancias farmacológicas e interacciones fármaco-fármaco" . Revista de Informática Biomédica . 46 (5): 914-20. doi : 10.1016 / j.jbi.2013.07.011 . PMID 23906817 . 
  63. ^ Segura Bedmar I, Martínez P, Herrero Zazo M (junio de 2013). Tarea 9 de Semeval-2013: Extracción de interacciones fármaco-fármaco de textos biomédicos (ddiextraction 2013) . Segunda Jornada Conjunta de Semántica Léxica y Computacional. 2 . Asociación de Lingüística Computacional. págs. 341–350.
  64. ^ Xu B, Shi X, Yin Y, Zhao Z, Zheng W, Lin H, et al. (Julio de 2019). "Incorporación de contenido generado por el usuario para la extracción de interacciones medicamentosas basada en un mecanismo de atención total". Transacciones IEEE sobre nanociencia . 18 (3): 360–367. doi : 10.1109 / TNB.2019.2919188 . PMID 31144641 . S2CID 169038906 .  
  65. ^ Wakefield J (30 de enero de 2020). "Medicina creada por inteligencia artificial para ser utilizada en humanos por primera vez" . BBC News .
  66. ^ "Nuevas moléculas diseñadas por inteligencia artificial en 21 días están validadas en ratones" . EurekAlert! . El 2 de septiembre de 2019 . Consultado el 5 de septiembre de 2019 .
  67. ^ "¿Ha descubierto la IA una droga ahora? Adivina" . Ciencia . 4 de septiembre de 2019 . Consultado el 5 de septiembre de 2019 .
  68. ^ Zhavoronkov A, Ivanenkov YA, Aliper A, Veselov MS, Aladinskiy VA, Aladinskaya AV, et al. (Septiembre de 2019). "El aprendizaje profundo permite la identificación rápida de potentes inhibidores de la quinasa DDR1". Biotecnología de la naturaleza . 37 (9): 1038–1040. doi : 10.1038 / s41587-019-0224-x . PMID 31477924 . S2CID 201716327 .  
  69. ^ "Deep Genomics nomina al primer candidato terapéutico descubierto por IA de la industria" . Genómica profunda. 25 de septiembre de 2019 . Consultado el 25 de septiembre de 2019 .
  70. ^ a b c d Quan XI, Sanderson J (diciembre de 2018). "Comprensión del ecosistema empresarial de inteligencia artificial" . Revisión de la gestión de ingeniería del IEEE . 46 (4): 22-25. doi : 10.1109 / EMR.2018.2882430 . ISSN 0360-8581 . S2CID 59525052 .  
  71. ^ Bresnick J (30 de abril de 2018). "Las 12 principales formas en que la inteligencia artificial afectará la salud" . HealthITAnalytics .
  72. ^ Bhattad PB, Jain V (mayo de 2020). "Inteligencia artificial en la medicina moderna: la necesidad evolutiva del presente y el papel en la transformación del futuro de la atención médica" . Cureus . 12 (5): e8041. doi : 10.7759 / cureus.8041 . PMC 7282357 . PMID 32528777 .  
  73. ^ Lovis C (noviembre de 2019). "Desbloquear el poder de la inteligencia artificial y el Big Data en medicina" . Revista de investigación médica en Internet . 21 (11): e16607. doi : 10.2196 / 16607 . PMC 6874800 . PMID 31702565 .  
  74. ↑ a b Abou-Zahra S, Brewer J, Cooper M (23 de abril de 2018). "Inteligencia artificial (IA) para la accesibilidad web: ¿Es la evaluación de la conformidad un camino a seguir?" . Actas de Internet de las cosas accesibles . W4A '18. Lyon, Francia: Asociación de Maquinaria Informática: 1–4. doi : 10.1145 / 3192714.3192834 . ISBN 978-1-4503-5651-0. S2CID  49863409 .
  75. ↑ a b Guo J, Li B (1 de agosto de 2018). "La aplicación de la tecnología de inteligencia artificial médica en zonas rurales de países en desarrollo" . Equidad en salud . 2 (1): 174-181. doi : 10.1089 / heq.2018.0037 . PMC 6110188 . PMID 30283865 .  
  76. ↑ a b c Lacassie E, Marquet P, Martin-Dupont S, Gaulier JM, Lachâtre G (septiembre de 2000). "Un caso no fatal de intoxicación con dedalera, documentado mediante cromatografía líquida-electrospray-espectrometría de masas". Revista de Ciencias Forenses . 45 (5): 1154–8. doi : 10.1520 / JFS14845J . PMID 11005196 . 
  77. ↑ a b Davenport T, Kalakota R (junio de 2019). "El potencial de la inteligencia artificial en la salud" . Future Healthcare Journal . 6 (2): 94–98. doi : 10.7861 / futurehosp.6-2-94 . PMC 6616181 . PMID 31363513 .  
  78. ^ Personal de noticias de Estados Unidos (20 de septiembre de 2018). "La inteligencia artificial sigue cambiando la atención sanitaria". Noticias de EE. UU.
  79. ^ "AI para el cuidado de la salud Inteligencia artificial para el cuidado de la salud". GrayRipples.com | AI | iOS | Android | PowerApps. 2020-03-04. Consultado el 4 de noviembre de 2020.
  80. ^ a b Baric-Parker J, Anderson EE (noviembre de 2020). "Intercambio de datos de pacientes para IA: desafíos éticos, soluciones católicas" . El Linacre Quarterly . 87 (4): 471–481. doi : 10.1177 / 0024363920922690 . PMC 7551527 . PMID 33100395 .  
  81. ^ a b Nordling L (septiembre de 2019). "Un camino más justo para la IA en el cuidado de la salud" . Naturaleza . 573 (7775): S103 – S105. Código Bib : 2019Natur.573S.103N . doi : 10.1038 / d41586-019-02872-2 . PMID 31554993 . S2CID 202749329 .  
  82. ^ Reddy S, Allan S, Coghlan S, Cooper P (marzo de 2020). "Un modelo de gobernanza para la aplicación de la IA en el cuidado de la salud" . Revista de la Asociación Estadounidense de Informática Médica . 27 (3): 491–497. doi : 10.1093 / jamia / ocz192 . PMC 7647243 . PMID 31682262 .  

Lectura adicional [ editar ]

  • Bennett CC, Doub TW, Selove R (junio de 2012). "Los HCE conectan la investigación y la práctica: donde se cruzan el modelado predictivo, la inteligencia artificial y el apoyo a la toma de decisiones clínicas". Política y tecnología de salud . 1 (2): 105-14. arXiv : 1204.4927 . doi : 10.1016 / j.hlpt.2012.03.001 . S2CID  25022446 .
  • Wahl B, Cossy-Gantner A, Germann S, Schwalbe NR (2018). "Inteligencia artificial (IA) y salud global: ¿cómo puede la IA contribuir a la salud en entornos de escasos recursos?" . BMJ Global Health . 3 (4): e000798. doi : 10.1136 / bmjgh-2018-000798 . PMC  6135465 . PMID  30233828 .
  • de Jesus A (21 de noviembre de 2019). "Inteligencia artificial en epidemiología" . Emerj . Empresa de Investigación y Asesoramiento en Inteligencia Artificial.
  • "Acelerando el liderazgo de Estados Unidos en inteligencia artificial" . whitehouse.gov . 11 de febrero de 2019 - vía Archivos Nacionales .