El aprendizaje automático y la inteligencia artificial desempeñan un papel cada vez más importante en la atención sanitaria. Un médico publicó en Sermo que estas tecnologías tienen “mucho potencial pero dan un poco de miedo”.
Hay muchos médicos que están de acuerdo con esta opinión. Si bien el aprendizaje automático ha facilitado avances clínicos e institucionales importantes, la forma en la que seguirá cambiando la medicina está llena de incertidumbre.
Sin embargo, cuando Sermo preguntó a los médicos de los Estados Unidos cuál sería el papel de la IA y del aprendizaje automático en los diagnósticos en los próximos cinco años, la mayoría (el 57 %) dijo que se convertirá en algo sistemático en muchas especialidades.
Consideremos la situación actual del aprendizaje automático en la atención sanitaria, incluido el significado real del aprendizaje automático y cómo están respondiendo a ellos los líderes sanitarios.
¿Qué es el aprendizaje automático en la atención sanitaria?
El objetivo de los sistemas de aprendizaje automático es aprender de los datos y hacer predicciones precisas sin una programación explícita. Los modelos de aprendizaje automático se dividen en cuatro categorías amplias: aprendizaje supervisado, no supervisado, de refuerzo y semisupervisado.
A continuación exponemos como se aplica cada modelo a la medicina:
Aprendizaje automático supervisado
Los modelos de aprendizaje supervisado se centran en datos etiquetados, de modo que cada entrada tiene una salida conocida correspondiente. Durante el entrenamiento, estos sistemas ajustan de forma automática los parámetros internos para minimizar las discrepancias entre las salidas predichas y las reales. Esto crea una función que hace una predicción precisa y fiable para nuevas entradas en base a las relaciones aprendidas.
Por ejemplo, los médicos pueden entrenar un modelo de aprendizaje automático supervisado con miles de imágenes de mamografías etiquetadas para detectar el cáncer de mama. El modelo aprende a reconocer los patrones sutiles asociados al cáncer comparando sus predicciones con los diagnósticos confirmados de los radiólogos.
La construcción de un modelo supervisado implica los siguientes pasos, que ampliamente están en línea con los de las otras categorías de modelos:
- Definición de la cuestión de la investigación.
- Recolección de los datos relevantes.
- Preprocesamiento de los datos y división en conjuntos de datos para el entrenamiento y las pruebas.
- Entrenamiento del modelo utilizando el algoritmo en los datos para el entrenamiento.
- Evaluación del rendimiento del modelo utilizando los datos para las pruebas.
Aprendizaje automático no supervisado
Los sistemas no supervisados procesan datos no etiquetados para identificar patrones o relaciones naturales. Examinan la estructura de los datos para detectar similitudes, diferencias o relaciones organizando la información sin etiquetas predefinidas. Por ejemplo, un modelo no supervisado podría agrupar historias clínicas anónimas para revelar subgrupos ocultos con patrones de síntomas compartidos.
Aprendizaje de refuerzo
El aprendizaje de refuerzo (o RL, de Reinforcement Learning en inglés) entrena a un sistema (agente) para tomar decisiones en un entorno interactivo. El agente adopta medidas para alcanzar objetivos, y recibe recompensas o penalizaciones en base a parámetros predefinidos. A través de un proceso de ensayo y error y retroalimentación, sus estrategias se van afinando de forma iterativa para maximizar las recompensas acumuladas, descartar comportamientos ineficaces y reforzar los óptimos.
Aprendizaje semisupervisado
El aprendizaje de refuerzo, el supervisado y el no supervisado son los tres principales modelos de aprendizaje automático. Los modelos de aprendizaje semisupervisado son menos habituales y más especializados.
Los modelos de aprendizaje semisupervisado incluyen componentes del aprendizaje supervisado y no supervisado. Los científicos de datos entrenan estos modelos con un conjunto más pequeño de datos etiquetados (aprendizaje supervisado) en comparación con los conjuntos más grandes de datos no etiquetados (aprendizaje no supervisado): los datos etiquetados guían el aprendizaje en este modelo. Es especialmente beneficioso en las situaciones en las que la cantidad de datos etiquetados está limitada y hay mucha disponibilidad de datos no etiquetados.
Aprendizaje automático, inteligencia artificial y aprendizaje profundo (deep learning en inglés)
La inteligencia artificial (IA) y el aprendizaje automático (AA) se suelen utilizar indistintamente en la atención sanitaria. Algunos también se refieren a la IA y al AA como el aprendizaje profundo. Sin embargo, el aprendizaje profundo es una parte del aprendizaje automático, mientras que el aprendizaje automático es una parte de la inteligencia artificial.
La inteligencia artificial se refiere al dominio más amplio de los sistemas que se aproximan a la inteligencia humana, ya sea a través de reglas preprogramadas o de técnicas de aprendizaje adaptativo. El aprendizaje automático se basa exclusivamente en algoritmos basados en datos sin una programación explícita.
Los modelos de aprendizaje profundo utilizan redes neuronales artificiales con varias capas (profundas) para extraer de forma automática representaciones jerárquicas de los datos. Esto permite a los modelos procesar datos no estructurados de forma rápida y precisa.
Todo el aprendizaje automático contribuye a la inteligencia artificial, pero no todos los sistemas de inteligencia artificial utilizan un aprendizaje automático. Lo mismo se puede decir para la relación entre el aprendizaje automático y el aprendizaje profundo. Todos los sistemas de aprendizaje profundo contribuyen a los modelos de aprendizaje automático, pero esto no se produce en el sentido contrario.
¿Reconocen los líderes de la industria los beneficios del aprendizaje automático en la atención sanitaria?
Sermo ha encuestado a más de 100 responsables de la toma de decisiones en asuntos de atención sanitaria en los Estados Unidos. La mayoría reconoce las ventajas del aprendizaje automático a medio y largo plazo. Aunque el 91 % acepta que el aprendizaje automático será fundamental en los próximos cinco años, solo un 33 % prevé que tendrá ventajas a corto plazo.
En lo que se refiere a las tendencias actuales para la adopción, el 45 % de los ejecutivos sigue de forma activa las tendencias del sector para el AA, mientras que solo el 25 % han adoptado estos sistemas. Gran parte de ese mismo grupo que todavía no lo han adoptado (el 21 %) reconoce que se han perdido oportunidades de avanzar para su institución.
Tres aplicaciones primordiales del aprendizaje automático en la atención sanitaria
El diagnóstico por imágenes médicas, la medicina personalizada y la automatización administrativa son tres aplicaciones a destacar. A continuación mostramos cómo funcionan, y varios ejemplos de aprendizaje automático en la atención sanitaria y su utilización.
1. Diagnóstico por imágenes médicas
Los modelos de aprendizaje profundo en la atención sanitaria analizan las imágenes para detectar enfermedades. Concretamente, estos modelos tienen casos de uso viable en la dermatología, la neurología y la oncología entre otras especialidades. Los modelos de aprendizaje automático podrían incluso igualar el rendimiento diagnóstico de los especialistas.
Basándose en esta idea, un miembro de Sermo señaló que “La Inteligencia Artificial (IA) y el aprendizaje automático (AA) permite a los gemelos digitales aprender de grandes conjuntos de datos, afinar las predicciones y proporcionar recomendaciones. Por ejemplo, los algoritmos de aprendizaje automático pueden analizar la heterogeneidad tumoral y predecir la resistencia al tratamiento… Con el avance de la tecnología y la superación de los obstáculos, los gemelos digitales probablemente se convertirán en una parte integral de la oncología moderna”.
Pero también hay algunos médicos que se muestran escépticos. Según una encuesta entre los miembros de Sermo enviada a médicos de los Estados Unidos, el 71 % de los médicos dijo que el riesgo de un diagnóstico erróneo debido a un exceso de confianza en la IA es la mayor limitación de estas tecnologías.
2. Medicina personalizada
El aprendizaje automático es esencial para el avance de la medicina personalizada. La medicina de precisión está creciendo en paralelo con la sofisticación de los modelos de aprendizaje automático.
Un estomatólogo miembro de Sermo habló sobre un aspecto del papel del aprendizaje automático en la medicina personalizada, diciendo que “Esta tendencia que empezó hace varios años ha crecido a raíz del hecho de que en el 2025, se espera que los sistemas de IA puedan responder de forma independiente a preguntas concretas de los pacientes, especialmente después de una crisis sanitaria. De esta manera, la salud puede evolucionar hacia un manejo totalmente personalizado”.
3. Automatización del flujo de trabajo administrativo
El aprendizaje automático es un término genérico que ofrece diferentes casos de uso en la administración clínica: automatización de la facturación, procesamiento de las solicitudes de reintegros, programación de las citas y gestión de los registros entre otros. Estos casos de uso generan un ahorro de costes, reducen los errores humanos, minimizan la intensidad del trabajo manual y simplifican las operaciones.
Un médico publicó un post en Sermo en el que explicaba que “Sin duda [el aprendizaje automático] cada vez tiene más inercia en la atención sanitaria dado que se está utilizando en la investigación no solo para hacer descubrimientos, sino también para ayudar a reclutar e inscribir a participantes en los ensayos clínicos; para que las consultas puedan automatizar las tareas administrativas y operativas, para hacer predicciones, para apoyar la atención y el diagnóstico de los pacientes, para proporcionar tratamiento personalizado; y para otras cosas”.
Retos a los que se enfrenta el aprendizaje automático en la atención sanitaria
La heterogeneidad de los datos y la adopción clínica son dos retos fundamentales que debe afrontar el sector sanitario. Ambos contribuyen al retraso de la adopción por parte de las instituciones.
Heterogeneidad, cantidad y calidad de los datos
Los algoritmos de aprendizaje automático se basan en grandes conjuntos de datos estandarizados y de alta calidad. Los datos heterogéneos, con sesgos o incompletos deterioran las predicciones del aprendizaje automático. Las causas de este problema incluyen, entre otras:
- Variaciones en los sistemas de HCE (historia clínica electrónica) y las normas para la documentación
- Ausencia de mecanismos de datos
- Priorización de la atención médica respecto a la normalización de los datos por parte de los proveedores
- Enfermedades mal etiquetadas o mal clasificadas, afecciones que abarcan múltiples endotipos subyacentes
Reflexionando sobre esto, un médico publicó un post en Sermo en el que decía que “El aprendizaje automático podría ayudar a identificar a las personas con riesgo de resultados adversos por la prescripción de opioides. En un nuevo estudio se apunta que investigadores de la Universidad de Alberta en Canadá han comenzado a utilizar una forma de inteligencia artificial para ayudarles a calcular el riesgo de que un paciente tenga una visita a urgencias, un ingreso o muerte en un plazo de 30 días desde que recibe una receta de opioides… Como pasa siempre con la IA, cuantos más datos se introduzcan que representen a poblaciones específicas y con más entrenamiento periódico se mejorará el rendimiento de la predicción a lo largo del tiempo, lo que conduce a una optimización más eficaz del uso de los opioides”.
Adopción clínica
Las instituciones médicas mencionan el riesgo de errores predictivos, la privacidad, la seguridad, la no interpretabilidad y la complejidad como las principales preocupaciones para la adopción. Algunos médicos comparten ideas similares. Según una encuesta con miembros de Sermo enviada a médicos de los Estados Unidos, aproximadamente el 40 % de los encuestados dijo que la integración inadecuada era un factor de riesgo al utilizar la IA en la medicina diagnóstica.
Un neurólogo estadounidense señaló: “Muchas personas que han hecho pruebas con ChatGPT, por ejemplo, han notado una tendencia a ‘alucinar’ o simplemente a inventarse las respuestas cuando tiene dudas… No creo que sea útil tener respuestas de IA ‘alucinadas’ en casos de incertidumbre en aplicaciones médicas. Y otra cosa, ¿quién tiene la responsabilidad cuando la IA se equivoca?”
Otro miembro de Sermo, un geriatra, dijo lo siguiente: “… es importante asegurar que se utilice de manera ética y responsable, y que se tiene en cuenta la confidencialidad y la seguridad de los datos de los pacientes”.
Conoce cómo utilizan el aprendizaje automático otros médicos
En un sondeo de Sermo con más de 100 médicos, el 60 % indicó que utilizan los grandes modelos de lenguaje (LLM)—un subconjunto del aprendizaje profundo—para comprobar las interacciones farmacológicas. Más de la mitad utilizan estas herramientas como ayuda para el diagnóstico y casi la mitad las usan para la redacción de documentos clínicos o planes de tratamiento. De hecho, el 70 % utiliza los LLM para la educación de los pacientes y las búsquedas bibliográficas.
La Dra. Sara Farag, cirujana ginecológica y miembro del consejo asesor médico de Sermo, señaló: “Estos datos no me sorprenden. Según aumentan las cargas de trabajo y con el crecimiento de los volúmenes de información, los LLM son cada vez más valiosos para los médicos”.
En Sermo, los médicos hablan sobre la inteligencia artificial, el aprendizaje automático y otras tecnologías relevantes. Únete a la conversación Hazte miembro de Sermo hoy.
