Así como la inteligencia artificial se va incorporando progresivamente a nuestra vida cotidiana, también lo hace al ámbito de la salud. Hoy en día existen numerosas aplicaciones orientadas directamente a los pacientes y que pueden ser utilizadas a través de sus smartphones. Otras, en cambio, están dirigidas al desempeño profesional.
Entre ellas, merecen especial atención los desarrollos relacionados con el diagnóstico por imágenes y con el análisis de síntomas.
Los sistemas de inteligencia artificial permiten analizar datos mediante herramientas estadísticas clásicas y no clásicas. Entre las primeras se incluyen las regresiones lineal y logística, los métodos de clasificación, los algoritmos, etc.). Entre las segundas, se destaca el denominado deep learning.
Este método utiliza redes neuronales artificiales formadas por nodos interconectados.
En cualquiera de estos sistemas subyace una enorme base de datos. Incluso, podrían emplearse datos de lo que se conoce comúnmente como big data, que sería información global. Es muy importante el tema de los datos para el desempeño adecuado de los sistemas de inteligencia artificial, debido a que los resultados (diagnósticos, recomendaciones de tratamientos y pronósticos) estarán basados en ellos. Los datos deben reflejar a la población que será objeto de análisis. En otras palabras, se debe tener especial cuidado en no utilizar bases de datos que pertenezcan a poblaciones distintas a la que se quiere evaluar.
Las bases de datos globales son útiles porque al ser tan amplias contienen información de todas las razas, todos los lugares, todas las edades, todas las patologías, etc. Otro abordaje interesante, podría ser generar datos propios de poblaciones locales. En todos los casos, los datos deben ser de la mejor calidad posible.
Para clarificar el tema mediante un ejemplo, si quisiéramos evaluar la probabilidad de ocurrencia de un síndrome coronario agudo en un paciente que ingresa por guardia, deberíamos contar con una gran cantidad de datos de pacientes con síntomas compatibles que resultaron ser o no síndromes coronarios agudos. En caso de utilizar datos globales es necesario que los datos nuevos estén estandarizados, es decir que sean comparables con los contenidos en las bases de datos subyacentes.
Incorporando ciertas variables (datos clínicos, electrocardiograma, datos de laboratorio, etc.) obtendremos una predicción con un cierto grado de probabilidad. Las predicciones obtenidas mediante un método estadístico clásico podrían ser reproducidas por el hombre haciendo los cálculos correspondientes. En cambio, si usamos redes neuronales artificiales no sabremos a ciencia cierta qué es lo que ocurre. De todos modos, estos métodos brindan resultados útiles que pueden ser verificados y validados mediante ensayos clínicos controlados aleatorizados.
