La inteligencia artificial evita enfermedades

  Foto: Unsplash

Foto: Unsplash

El sistema permite predecir problemas pulmonares o detectar enfermedades cardiovasculares

La falta de formacin de los profesionales de la salud es el principal obstculo que hay que vencer en la aplicacin de la IA en la medicina

La digitalizacin de los datos en el mbito sanitario ha permitido aplicar tcnicas de inteligencia artificial (IA) que hacen posible, gracias a la extraccin de dichos datos, la mejora del tratamiento de las enfermedades. Existen muchos ejemplos, explica el coordinador del eHealth Center de la UOC, Jordi Conesa: el anlisis de radiografas en tiempo real para predecir enfermedades pulmonares, de datos clnicos de pacientes para detectar enfermedades cardiovasculares o de fotografas para detectar localizar tipos de cncer de piel. Estas tcnicas de inteligencia artificial, pero, tambin se aplican en otros mbitos, como en el anlisis de medicamentos o en la mejora de la eficiencia de los procesos sanitarios. «Lo ms sustancial que puede aportar la inteligencia artificial es que pasemos de un modelo centrado en el tratamiento de las enfermedades a uno centrado en evitarlas», explica Conesa.

Segn los expertos, uno de los principales obstculos en la materializacin de este cambio de modelo es la falta de formacin de los profesionales de la salud para afrontarlo. «La digitalizacin de la historia clnica no fue tarea fcil y supona simplemente cambiar el formato de la informacin que se generaba y se consuma. Ahora hablamos, por ejemplo, de introducir asistentes que pueden ayudar a los mdicos a predecir la enfermedad del paciente o a encontrar un tratamiento ms personalizado», detalla Conesa. Segn Carme Carrion, directora del mster universitario de Salud Digital de los Estudios de Salud de la UOC, que comenzar el prximo mes de octubre, entre las competencias que debera adquirir el profesional de la salud estn la flexibilidadlas habilidades comunicativasconocimientos tecnolgicos bsicosestrategias para apoderar a los pacientesaspectos legales o ticos, o la capacidad para implantar y evaluar la eficacia de las intervenciones. «Son aspectos que en la mayora de formaciones regladas de los profesionales del entorno de la salud no estn lo suficientemente cubiertos», matiza Carrion.

Dicha falta de formacin, sin embargo, no es exclusiva del sector de la salud. «Actualmente se utiliza el anlisis de datos de forma masiva en muchos sectores y en todos pasa lo mismo: es necesario un mnimo conocimiento de las tcnicas que se utilizan para ser capaces de entender la informacin de la que nos proveen los sistemas inteligentes, contextualizarla y valorarla, es decir, saber hasta qu punto debemos confiar en el sistema inteligente», aade Conesa. Conceptos como correlacin, casualidad, precisin, sensibilidad, especificidad —aade— son necesarios para interpretar con rigor los resultados de sistemas que se utilizan para el anlisis de datos, como el aprendizaje automtico (machine learning).


Los riesgos: credibilidad de los sistemas, calidad de los datos o el sesgo algortmico

La aplicacin de sistemas inteligentes en el sector de la salud comporta unos mnimos riesgos en los que el sector ya trabaja para minimizarlos: «La IA no posee una precisin del 100%», recuerda Conesa. Por otro lado estos sistemas se entrenan con grandes cantidades de datos para aprender a resolver problemas concretos. «Entrenar un sistema con los datos errneos o incompletos puede llevarlo a tomar decisiones equivocadas», apunta Conesa, que pone como ejemplo un artculo de 2015 en el que se analizaron qu pacientes con neumona tenan ms riesgo de morir. El sistema concluy, errneamente, que los que padecan asma y sufran neumona tenan menos riesgo que los que no tenan asma. «El problema es que los pacientes con asma que sufran una neumona entraban directamente en las unidades de cuidados intensivos, reciban el tratamiento que tocaba, cuando tocaba y se acababan curando. No se moran porque los atendan, pero no porque tuvieran menos riesgo. Como el sistema inteligente no posea esta informacin, termin generando una conclusin incorrecta», explica. Adems hay que tener en cuenta que las predicciones de los sistemas inteligentes pueden incluir «desigualdades o discriminacin de gnero»

Aparte de este sesgo, la recogida masiva de datos mediante los sistemas de inteligencia tambin puede causar tambin una prdida de privacidad, aunque los datos sean annimos. «Existen tcnicas como la desanonimizacin (de-anonymization en ingls) que permiten en algunos casos identificar a las personas. El ao pasado, varios investigadores de la Universidad de Texas comentaron que eran capaces de desanonimizar cerca de 500.000 usuarios de un conjunto de datos pblico de Netflix (que contena unos diez millones de evaluaciones de pelculas), comparando este conjunto de datos con los datos de Internet Movie Database», ejemplifica.

stos y otros retos que afrontan actualmente los profesionales de la salud se tratarn en una jornada que se celebrar el 27 de septiembre a partir de las 17.00 horas en la sede de Movistar Centre (calle de Fontanella, 2, Barcelona). La inaugurarn la vicerrectora de Planificacin Estratgica e Investigacin de la UOC, Marta Aymerich, y el director general de Investigacin e Innovacin en Salud de la Generalitat, Albert Barber. As mismo, contar con la participacin de representantes del Hospital Universitario Vall d’Hebron, del Parc Taul de Sabadell y del Hospital Clnic, entre otros.

 

#expertosUOC

Foto del profesor Jordi Conesa Caralt

Jordi Conesa Caralt

Experto/a en: Aprendizaje en lnea (e-learning), inteligencia de negocio, modelizacin conceptual y bases de datos NoSQL.

Ámbito de conocimiento: Bases de datos, inteligencia de negocio y modelizacin conceptual.

Ver ficha
Foto de la profesora Carme Carrion

Carme Carrion Ribas

Experto/a en: Evaluacin de intervenciones en salud mvil (apps, sensores, dispositivos portables, etc.), en relacin a su eficacia y efectividad.

Ámbito de conocimiento: Salud digital y evaluacin de intervenciones en salud.

Ver ficha