Viernes 27 noviembre 2015

Machine Learning: Inteligencia Artificial aplicada al diagnóstico médico

Entre los avances que estamos presenciando en materia de diagnóstico médico gracias a la innovación tecnológica y la investigación técnica, el Machine Learning, una rama de la inteligencia artificial que se centra en técnicas para que las máquinas “aprendan”, tiene grandes opciones de convertirse en el gran aliado del mundo de la salud durante los próximos años.

El objetivo del Machine Learning es que los ordenadores sean capaces de desarrollar técnicas de alta complejidad a través del análisis de datos gracias a algoritmos que tienen en cuenta diferentes variables. La intención es desarrollar programas capaces de generalizar comportamientos a partir de una información muy estructurada suministrada en forma de ejemplos.

Día a día se producen miles de visitas al médico, diagnósticos y tratamientos. El objetivo del Machine Learning es concentrar estos conocimientos en un gran ordenador que a través de aplicaciones sea capaz de ayudar a los profesionales de la medicina a diagnosticar enfermedades basándose en información y datos biomédicos recogidos y clasificados alrededor del mundo.

Es importante comprender que se trataría de un asistente virtual de diagnóstico médico que no sustituiría la labor de los profesionales.

Aplicación del Machine Learning y Big Data en casos de autismo

Son muchas las investigaciones que se están llevando a cabo en la actualidad y que buscan algoritmos que permitan a los ordenadores hacer uso del ‘machine learning’ para completar o colaborar en el diagnóstico de enfermedades o patologías. Una de ellas, realizada por un equipo de la Universidad Carnegie Mellon en Pittsburgh, Pensilvania (Estados Unidos), ha obtenido resultados positivos en el diagnóstico de personas autistas.

A través de una resonancia magnética han conseguido medir la reacción cerebral de 34 personas al escuchar una serie de palabras. De las 34 personas, 17 son autistas y las otras 17 no. Los resultados se introdujeron en un sistema de ‘machine learning’ que fue capaz de reconocer en el 97% de los casos si esa persona era autista o no.

El objetivo de esta investigación es la combinación de datos para intentar predecir soluciones clínicas, combinando técnicas como el ‘machine learning’ y el ‘big data’, de cuyas aplicaciones en la salud mental ya hablamos en El futuro del diagnóstico de enfermedades mentales reflejado en la tecnología móvil.

Las palabras utilizadas en la investigación fueron “insultar”, “abrazar”, “humillar”, “persuadir”, etc. Todas ellas hacían referencia a una acción entre dos o más personas. Gracias a la resonancia magnética se comprobó una falta de actividad en la corteza cingulada posterior, un área del cerebro relacionado con la representación que las personas tienen de uno mismo.

Los investigadores pretenden que esta información, que intenta determinar la correlación entre las alteraciones a nivel psicológico y cerebral, pueda utilizarse como un marcador biológico para el autismo o para otros trastornos psicológicos. Un avance notable para entender, desde un punto de vista biológico, las consecuencias psicológicas de las alteraciones del pensamiento. En el futuro cercano estos marcadores podrían ayudar a los médicos y psicólogos a diagnosticar el autismo más rápida y fácilmente. 

Machine Learning para predecir el reingreso hospitalario en casos de insuficiencia cardíaca 

Investigadores de la Universidad de Washington, Tacoma (Estados Unidos), han conseguido predecir el riesgo de reingreso hospitalario de los pacientes que padecen insuficiencia cardiaca crónica gracias al ‘machine learning’. Según este estudio, el 20% de los pacientes con esta afección vuelven al hospital en los 30 días posteriores al alta, mientras que el 32% lo hace en los siguientes dos meses. Aunque no se trata de diagnóstico estricto, también se está investigando en ‘machine learning’ para el control de la evolución de ciertas enfermedades o patologías.

Utilizando datos de 50.000 pacientes (entre los que se incluyen desde datos clínicos hasta aspectos más personales), el equipo de trabajo ha desarrollado una aplicación móvil capaz de calcular el riesgo de reingreso del paciente que además le informa de los principales factores de riesgo asociados a su perfil.

Este sistema puede utilizarse en la fase previa a la hospitalización, durante el ingreso o posteriormente, siempre con el objetivo de minimizar los riesgos de que el paciente vuelva a ingresar en el hospital. Como si esto no fuera suficiente, esta aplicación tiene su equivalente para el profesional sanitario, que puede profundizar en los datos alimentando el conocimiento de la aplicación y mejorando el servicio para el paciente. 

Son muchos los estudios y experimentos que se están llevando a cabo en este campo, pero aun así es importante recordar que ningún algoritmo desarrollado hasta el momento, y parece que tampoco en el futuro cercano, será capaz de sustituir la labor del profesional de la medicina.

Fuentes de referencia:

 

Philips respeta su privacidad. Utilizamos las cookies para varios propósitos, tales como asegurar la funcionalidad del sitio web, mejorar la experiencia del usuario, garantizar la integración de las redes sociales y mostrar publicidad (selectiva).

Al continuar con su visita a nuestro sitio web, da su consentimiento a nuestro uso de las cookies. Sin embargo, puede cambiar la configuración de las cookies en cualquier momento.

Más información.

Aceptar