Inteligencia artificial en el sector Salud y su impacto en la reducción del error diagnóstico

Síguenos en Pinterest

Incluido en la revista Ocronos. Vol. VII. Nº 3–Marzo 2024. Pág. Inicial: Vol. VII; nº 3: 567

Autor principal (primer firmante): Jefferson Wilfrido Benavides Godoy

Fecha recepción: 20/02/2024

Fecha aceptación: 18/03/2024

Ref.: Ocronos. 2024;7(3): 567

https://doi.org/10.58842/KMTE2008

Artificial intelligence in the healthcare sector and its impact on reducing diagnostic error

Autores:

Jefferson Wilfrido Benavides Godoy ¹  

Génesis Dayana Morocho Gómez ²

Dr. Ángel José Chu Lee ³

Categoría profesional:

1. Universidad Técnica de Machala, estudiante de Medicina, Facultad de Ciencias Químicas y de la Salud, Machala, El Oro, Ecuador, https://orcid.org/0009-0007-7680-8494
2. Universidad Técnica de Machala, estudiante de Medicina, Facultad de Ciencias Químicas y de la Salud, Machala, El Oro, Ecuador, https://orcid.org/0009-0002-6478-6922  
3. Universidad Técnica de Machala, Docente en Ciencias Médicas. PhD, Facultad de Ciencias Químicas y de la Salud, Machala, El Oro, Ecuador, https://orcid.org/0000-0003-2806-1692

Resumen

El hombre en su evolución busca formas de desarrollo y crecimiento, que le permitan vivir con mayor felicidad y salud. En términos evolutivos el hombre apenas apareció sobre la tierra, con la capacidad de decodificar el espacio como ninguna otra especie, mimetizando procesos únicos de inteligencia humana que incluyen el razonamiento, aprendizaje y autocorrección.

Tanto así que, actualmente estos procesos pretenden simularse mediante el uso de la inteligencia artificial (IA) la cual surge a través de los conocimientos recopilados del funcionamiento básico cerebral, aplicados a ciertos procesadores informáticos instalándose como una rama de la computación aplicada a la salud, bajo este contexto se pretende evaluar la implementación de los sistemas de inteligencia artificial en el sector salud y su impacto en la reducción del error diagnóstico a través de una revisión bibliográfica de revistas indexadas en los últimos 5 años para mejorar la calidad de atención médica.

Palabras clave:

Inteligencia artificial, diagnóstico erróneo, evidencia basada en Medicina, salud, aprendizaje profundo.

Introducción

El diagnóstico es una actividad colaborativa compleja, centrada en el paciente, con la recopilación de información y el razonamiento clínico para determinar el problema de salud, dicho esto, el margen de precisar un diagnóstico erróneo que es definido por la Academia Nacional de Medicina (NAM) como “el fracaso de una acción planificada para completarse según lo previsto y el uso de un plan incorrecto para lograr un objetivo” es elevado, en otras palabras, error de ejecución y error de planificación, puesto que el diagnóstico en sí mismo es una ciencia inexacta. (1,2)

El área de intervención prioritaria de la OMS (Organización Mundial de la Salud) y la publicación en el 2015 Mejorando el diagnóstico en el cuidado, abordan lo relacionado con la seguridad del paciente, puesto que, la proporción de eventos adversos por negligencia, dobla a la de los fármacos, esto motivó a plantear de forma exigente la conversión del error diagnóstico, en un código moral, profesional y de sanidad pública. (2)

La necesidad de crear nuevos métodos de abordaje, mejoramiento en la capacidad y precisión de diagnóstico de enfermedades, se resumen en el concepto de IA (Inteligencia Artificial), la cual el autor McCarthy Jhon en el “Dartmouth Summer Research Project on Artificial Inteligencie” la define como una doctrina e ingeniería que logra fabricar aparatos inteligentes, en especial inteligentes sistemas informáticos, mientras que según el autor CORVALÁN la define como una habilidad para procesar información con el fin de resolver problemas basados en el logro de metas. (1,3)

El surgimiento de la tecnología y digitalización ha mejorado notablemente el proceso de ciertos hallazgos médicos, tanto en tiempo y analítica de grandes volúmenes de datos para complementar todas las áreas de la salud, sobre todo enfocado en aumentar las capacidades en los niveles de atención sanitaria, es decir, asegurar la integridad del paciente, con este trabajo se pretende evaluar la implementación de los sistemas de inteligencia artificial en el sector salud y su impacto en la reducción del error diagnóstico.

El impacto económico positivo es un factor de decisión clave para argumentar a favor del uso de IA en el ámbito de salud.

Hay diversos estudios científicos que muestran el ahorro de costos mediante modelos de predicción basados en aprendizaje automático para identificar a pacientes con insuficiencia cardíaca, óptimos para manejar la enfermedad, para evitar los reingresos a los 30 días y disminuir los gastos del paciente y evitar un colapso en el sistema de salud (4).

“El gasto en salud de Ecuador representó el 8,1% del Producto Interno Bruto (PIB), equivalente a 8.820 millones de dólares anuales, con una tasa de crecimiento de 2,3 puntos porcentuales en los últimos 10 años” (5).

Las principales causas de estos costos incluyen las debilidades del sistema evitables y corregibles, como la supervisión deficiente, el tratamiento excesivo y la prestación inadecuada de atención médica. El sistema basado en inteligencia artificial (IA), pero a un alto nivel, puede reducir drásticamente la cantidad de ineficiencia, lo que da como resultado un ecosistema de atención médica mucho más eficiente y eficaz.

Además de la parte económica puramente cuantitativa, en aquellas áreas rurales donde la disponibilidad de médicos de atención primaria es muy limitada, la IA puede impulsar y mejorar los procesos al respaldar las pruebas dirigidas.

Diversos estudios han demostrado que la inteligencia artificial puede proporcionar resultados similares, por ejemplo, en campos relacionados con el reconocimiento de imágenes o la base de datos con 64 dispositivos médicos basados en inteligencia artificial aprendizaje automático y algoritmos aprobados por la Administración de alimentos y medicamentos (FDA) (6). Esto puede entre otras cosas, mejorar y apoyar el diagnóstico médico.

Objetivos

• Evaluar la implementación de los sistemas de inteligencia artificial en el sector salud y su impacto en la reducción del error diagnóstico a través de una revisión bibliográfica de revistas indexadas en los últimos 5 años para el mejoramiento de la calidad de los servicios médicos.
• Identificar los principales sistemas de inteligencia artificial que se usan actualmente en el diagnóstico de enfermedades.
• Analizar las ventajas y desventajas de inteligencia artificial implementada en diagnóstico de las principales enfermedades trasmisibles y no trasmisibles.
• Explorar la sensibilidad y especificidad de las herramientas de inteligencia artificial en el diagnóstico de enfermedades.

Métodos

Las etapas de investigación:

1.     Exploración bibliográfica,
2.     sistematización de datos,
3.     elección de artículos y análisis primario y
4.     evaluación y análisis final de los artículos.

Esta revisión se centra en estudios clínicos sobre el uso de M/L y D/L en las principales enfermedades no trasmisibles; cáncer de mama; accidente cerebro vascular; infarto agudo de miocardio; hipertensión arterial; diabetes, y, de las principales enfermedades trasmisibles como SARS; tuberculosis e infección por el virus de la hepatitis B. Recalcando que las búsquedas sobre la inteligencia artificial y VIH fueron nula, así como en el caso de Dengue y Malaria que son potenciales enfermedades trasmisibles dictadas por la OMS.

La metodología aplicada para el desarrollo del presente estudio corresponde a un metaanálisis con un diseño cualitativo y cuantitativo descriptivo retrospectivo basado en el método PRISMA.

Para la recolección de la información se indagó en bases de datos confiables como PubMed, Scielo, Scopus, Science Direct y MedScape, de cada una de las bases de datos se hizo una recopilación y preselección de todos los artículos que trataban sobre los temas de la investigación y se utilizaron las siguientes palabras clave: Enfermedades trasmisibles, inteligencia artificial, diagnóstico erróneo, evidencia basada en Medicina, salud, aprendizaje profundo. En esa etapa se obtuvieron artículos que contenían la información necesaria. Con dichos artículos y con la finalidad de recopilar los trabajos más relevantes y beneficiosos se establecieron los criterios de inclusión que se muestran en la siguiente tabla.

Tabla 1

Tabla 1: Resumen de Criterios de inclusión y exclusión

FIGURA 1: Diagrama de flujo PRISMA que ilustra la estrategia de búsqueda y el proceso de selección de estudios para la revisión sistemática.

Ver: Anexos – Inteligencia artificial en el sector salud y su impacto en la reducción del error diagnóstico, al final del artículo

Con la aplicación de los criterios de inclusión de los 50 artículos obtenidos anteriormente, se seleccionaron 8, con estos laboramos el estado del arte tomando en cuenta las partes esenciales como el abstract, resultados y conclusiones, además se analizó las metodologías usadas de otros autores.

Finalmente se analizó y evaluó la implementación de los sistemas de inteligencia artificial en el sector salud y su impacto en la reducción del error diagnóstico para obtener los resultados y con ello las conclusiones y recomendaciones.

Resultados

Definición y principales modelos de inteligencia artificial en el sector salud

La necesidad de crear nuevos métodos de abordaje, mejoramiento en la capacidad y precisión de diagnóstico de enfermedades, se resumen en el concepto de IA (Inteligencia Artificial), la cual el autor McCarthy John en el “Dartmouth Summer Research Project on Artificial Inteligencie” la define como una doctrina e ingeniería que logra fabricar aparatos inteligentes, en especial inteligentes sistemas informáticos, mientras que según el autor CORVALÁN la define como una habilidad para procesar información con el fin de resolver problemas basados en el logro de metas. (1,3)

Aprendizaje automático/ Machine learning

El término «aprendizaje automático» se emplea comúnmente para describir técnicas basadas en el enfoque bayesiano, destinadas a reconocer y aprender patrones. Básicamente, el aprendizaje automático consiste en una variedad de algoritmos que adquieren conocimiento y hacen predicciones a partir de datos registrados, optimizando una función de utilidad en situaciones de incertidumbre, identificando estructuras ocultas en los datos y proporcionando una representación resumida de los mismos.

Este enfoque se suele aplicar cuando la programación explícita se vuelve demasiado complicada o poco útil. (12,13)

A diferencia de la programación convencional, donde los desarrolladores crean un código específico para producir una salida predefinida, el aprendizaje automático emplea datos para generar modelos estadísticos (modelos de aprendizaje automático) que incluyen las salidas esperadas basadas en patrones encontrados en ejemplos previos con «resultados correctos».

La eficacia de estos modelos de aprendizaje depende de la calidad y cantidad de datos históricos utilizados durante el proceso de entrenamiento. (12,14)

Esto funciona de la siguiente manera; el aprendizaje automático tiene la función de procesar señales de entrada, luego cada neurona en una capa íntegra, de acuerdo con alguna función (sencilla), los valores recibidos a través de sus conexiones en un nuevo valor, y lo envía a la siguiente capa.

Los parámetros de las funciones que ejercen acción sobre cada neurona se modifican muchas veces durante el proceso de entrenamiento, dependiendo de la respuesta de la red a los ejemplos positivos y negativos del tema a aprender. (12,14,15)

Cuadro 1. Mención del algoritmo en el anuncio declaradas como herramientas de IA/ ML aprobadas por la FDA (6).

Ver: Anexos – Inteligencia artificial en el sector salud y su impacto en la reducción del error diagnóstico, al final del artículo

IA de Aprendizaje profundo / Deep Learning

La inteligencia artificial de aprendizaje profundo (IA/DL) es un algoritmo de aprendizaje automático inspirado en la unidad básica del funcionamiento cerebral, es decir las neuronas biológicas, en Medicina podemos limitarnos al desarrollo de algoritmos y modelos de aprendizaje automático para la realización de a tareas sin la necesidad de programación, si se trata del diagnóstico de enfermedades trasmisibles y no trasmisibles la IA/DL puede ser una herramienta poderosa al utiliza redes neuronales convolucionales (CNN) y redes neuronales recurrentes (RNN), asimismo se diferencia del aprendizaje automático porque las representaciones se descubren con datos sin procesar. (13,14)

Cuadro 2. Mención del algoritmo en el anuncio declaradas como herramientas de IA/ ML aprobadas por la FDA (6).

Ver: Anexos – Inteligencia artificial en el sector salud y su impacto en la reducción del error diagnóstico, al final del artículo

Ventajas y desventajas del uso de la IA en ámbito médico

Las IA proporcionan ventajas al igual que desventajas en el diagnóstico de enfermedades transmisibles y no transmisibles desde una perspectiva ética y metodológica.

Entre estás podemos encontrar las siguientes:

Ventajas

Eficiencia y rapidez: Las IA tienen la capacidad de procesar un gran número de datos en un corto período de tiempo, lo cual nos proporciona un diagnóstico más ágil y eficiente. (18)

Estás características son de gran utilidad al momento de analizar signos y síntomas para guiarnos a un buen diagnóstico, también son de importancia al revisar historias clínicas, exámenes de laboratorio u otros tipos de estudios, esto es de gran importancia en casos donde el tiempo es un factor crítico. (18)

Mayor precisión y detección temprana: La IA puede identificar patrones y características sutiles que los médicos pueden llegar a pasar por alto. Esto nos proporciona un diagnóstico más preciso y una detección temprana de las enfermedades, lo cual proporciona un abordaje temprano y un mejor pronóstico para el paciente. (18,19)

Acceso a información y recursos: La IA nos permite tener diagnósticos precisos en áreas remotas donde hay con escasez de recursos o profesionales de la salud. Además, la inteligencia artificial nos proporciona acceso a grandes bases de datos e información médica actualizada para mejorar la toma de decisiones, en especial en casos poco usuales o complejos. (19)

Desventajas:

Falta de interpretación contextual: El funcionamiento de la inteligencia artificial consiste en analizar patrones y correlacionar los datos obtenidos, pero no tiene la capacidad de analizar el contexto completo de un paciente, como sus hábitos, las condiciones en las que vive, los factores socioeconómicos, culturales y/o religiosos. Esto puede dar como resultado un diagnóstico inexacto o recomendaciones terapéuticas que no se adaptan a las necesidades individuales del paciente. (18,19)

Sesgo y falta de transparencia: La inteligencia artificial puede llegar a ser afectada por sesgos inherentes a los datos utilizados para entrenarlos, lo cual puede generar disparidades y desigualdades ala momento de generar un diagnóstico y tratamiento. También, hay modelos de inteligencia artificial, como las redes neuronales profundas, que son difíciles de entender porque funcionan como «cajas negras». Esto genera inquietudes éticas y de transparencia debido a la dificultad de comprender cómo llegan a sus conclusiones. (19)

Responsabilidad y toma de decisiones: a pesar de que la IA nos proporciona sugerencias basadas en datos, las decisiones tomadas dependerán del criterio del médico a cargo sobre el cual recae la responsabilidad. Es de gran relevancia que exista una colaboración efectiva entre la IA y el médico, de igual manera es importante que el médico tenga la capacidad de entender y cuestionar las recomendaciones de la inteligencia artificial para que acorde a esto pueda tomar decisiones éticas y adecuadas. (18)

Privacidad y seguridad de los datos: La inteligencia artificial es una disciplina técnica emergente que utiliza la tecnología informática para investigar, desarrollar, simular y ampliar teorías, métodos, tecnologías y sistemas de aplicación para la extensión de la inteligencia humana. (20) Necesita acceso a una gran cantidad de datos médicos, lo cual genera un desafío en términos de privacidad y seguridad de la información. Es relevante asegurar que la información sea recopilada y utilizada de ética y segura, cumpliendo con las regulaciones y estándares de seguridad establecidos para proteger la confidencialidad de los pacientes. (18,19)

Tabla 1.- Resumen de algoritmos de Inteligencia Artificial utilizados para el diagnóstico de enfermedades no trasmisibles.

Tabla 2.- Resumen de algoritmos de Inteligencia Artificial utilizados para el diagnóstico de enfermedades trasmisibles.

Ver: Anexos – Inteligencia artificial en el sector salud y su impacto en la reducción del error diagnóstico, al final del artículo

Discusión

La detección temprana de enfermedades no transmisibles es fundamental para mejorar la supervivencia y la calidad de vida del paciente, es por ello por lo que el profesional de salud tiene una gran responsabilidad a su cargo, pues es quien ofrece el diagnóstico al paciente el cual debe ser preciso y sin errores.

Tomando en cuenta esto, es donde surge la implementación de IA en el ámbito médico, para potenciar las capacidades del médico y reducir el error diagnóstico mediante el uso de algoritmos inteligentes y con ello brindar al paciente una atención de calidad.

Existen diversos métodos estadísticos destinados a evaluar la precisión diagnóstica de estos algoritmos basados en inteligencia artificial, y se utiliza con tres objetivos particulares: establecer el umbral en una escala continua donde se logra la mayor sensibilidad y especificidad, analizar la capacidad del algoritmo diagnóstico para distinguir entre individuos sanos y enfermos, y comparar la capacidad discriminativa de dos o más pruebas diagnósticas que expresan sus resultados en forma de escalas continuas.

Uno de estos enfoques estadísticos es la curva de ROC (receiver operating characteristic curve) que mide la eficacia de los algoritmos de inteligencia artificial utilizados en diversas disciplinas científicas. Dentro de la curva ROC, hay una medida conocida como área bajo la curva (AUC: area under the curve), que evalúa la capacidad del examen para distinguir entre individuos sanos y enfermos.

El AUC se puede entender como la probabilidad de que la prueba clasifique adecuadamente a un par de individuos seleccionados al azar (uno sano y otro enfermo). (22)

El AUC es una prueba con una capacidad discriminatoria perfecta, donde la sensibilidad y la especificidad son ambas igual a 1, en contraste, una curva no discriminativa (con sensibilidad y especificidad ambas iguales a 0,5), es decir mientras más se acerque el valor del AUC a 1, mayor será la capacidad discriminativa de la prueba, mientras que un valor cercano a 0,5 indica menor capacidad discriminativa. (22)

Podemos utilizar los siguientes rangos para interpretar los valores de AUC:

Menos de 0,5: El modelo carece de capacidad discriminativa.

• 0,5-0,6: El test se considera deficiente.
• 0,6-0,75: El test tiene un desempeño regular.
• 0,75-0,9: El test se clasifica como bueno.
• 0,9-0,97: El test muestra un rendimiento muy bueno.
• 0,97-1: El test se considera excelente.

Tomando en cuanto lo anteriormente mencionado en un estudio realizado por Yiqiu Shen et al. presentaron un sistema de inteligencia artificial que logra una precisión de nivel radiólogo en la identificación del cáncer de mama en imágenes de ultrasonido siendo esto clave para su detección en sus etapas iniciales, antes de que se propague, posibilitando tratamientos más efectivos y mejorando así de manera significativa las tasas de supervivencia.

Este sistema de inteligencia artificial utilizado alcanzó un valor AUROC superior al promedio obtenido por diez radiólogos certificados especializados en mama (AUROC: 0,976 para la IA, comparado con 0,924 ± 0,02 para los radiólogos).

Como observamos se considera este algoritmo excelente para la detección de CA de mama ya que se encuentra en el rango (0.97 – 1) del AUC. Además, la incorporación de la inteligencia artificial permitió a los radiólogos disminuir las tasas de falsos positivos en un 37,3% y reducir las biopsias solicitadas en un 27,8%, sin comprometer el nivel de sensibilidad. (23)

Estos resultados destacan el potencial de la inteligencia artificial para mejorar la exactitud, la consistencia y la eficacia en el diagnóstico mediante ecografía mamaria.

Por otro lado, una situación crítica donde cualquier demora en el diagnóstico y tratamiento puede ocasionar una pérdida importante de la función neurológica y tener consecuencias fatales es el ACV. Precisamente sobre este tema es el estudio realizado por Anirudha S et Al donde se analizan las tecnologías habilitadas para IA/ML aprobadas por la Administración de Alimentos y Medicamentos FDA para el diagnóstico y tratamiento del ACV.

En los resultados obtenidos, Viz LVO (Machine Learning) exhibió un Área Bajo la Curva de Características Operativas del Receptor (AUC) de 0.91, logrando una notable reducción en el tiempo transcurrido desde la lectura del escaneo hasta la notificación al especialista, pasando de 58 a 7 minutos. Esto indica una mejora significativa en la eficiencia del proceso clínico.

La evaluación del rendimiento de Viz LVO reveló tasas de Valor Predictivo Negativo (VPN) que oscilan entre el 79% y el 99%, y sensibilidades en el rango del 81% al 88%, con tiempos de ejecución relativamente rápidos (aproximadamente 3 minutos) y un desempeño consistente en diversas estructuras vasculares.

Por lo que el autor llega a la conclusión de que estas herramientas son eficaces para mejorar la eficiencia y la precisión en las decisiones de atención al paciente tomadas por los profesionales médicos. (24)

En relación con un modelo de ECG impulsado por inteligencia artificial que detecta el infarto de miocardio, Robert Herman et al, determinaron que este modelo basado en machine learning logró un área bajo la curva de 0,938 [intervalo de confianza (IC) del 95%: 0,924–0,951] en la identificación del resultado primario de IAM, dichos hallazgos indican que esta herramienta resulta altamente efectiva para respaldar al profesional médico en la formulación de diagnósticos más precisos. (25)

Al comparar los resultados con los criterios de STEMI, la inteligencia artificial (IA) exhibió un rendimiento superior, con una precisión del 90,9% (IC del 95%: 89,7–92,0), sensibilidad del 80,6% (IC del 95%: 76,8–84,0) y especificidad del 93,7% (IC del 95%: 92,6–94,8).

Esto contrasta con los criterios STEMI, que mostraron una precisión del 83,6% (IC del 95%: 82,1–85,1), sensibilidad del 32,5% (IC del 95%: 28,4–36,6) y especificidad del 97,7% (IC del 95%: 97,0–98,3). Además, la IA demostró un rendimiento comparable al de expertos en electrocardiogramas (ECG), con una precisión del 90,8% (IC del 95%: 89,5–91,9), sensibilidad del 73,0% (IC del 95%: 68,7–77,0) y especificidad del 95,7% (IC del 95%: 94,7–96,6).

Sin embargo, en este mismo estudio también se resaltan varias limitaciones, entre ellas, destaca que, aunque el modelo exhibió un desempeño consistente en varios subgrupos, su capacidad para detectar fue mucho menor en pacientes con bloqueo de rama izquierda y morfología de QRS amplia. (25)

Asimismo, Erick Martinez-Ríos et al, por medio de su estudio transversal, presentó una revisión sobre ML en el diagnóstico de hipertensión y estimación de la presión arterial. En este estudio se clasificó 900 muestras de segmentos de forma de onda PPG de 219 sujetos adultos en tres niveles de clasificación: normotensión (NT), prehipertensión (PHT) e hipertensión (HT). 

En términos generales, la clasificación de la normotensión alcanzó la mayor precisión, registrando un valor del 96,34%, en comparación con otros niveles de clasificación. Específicamente, la diferenciación entre normotensión e hipertensión (NT vs HT) mostró los resultados más destacados, con valores de precisión, sensibilidad y especificidad de 97,33%, 100% y 94,87%, respectivamente.

Las puntuaciones para las tres clasificaciones de la presión arterial fueron 97,29%, 97,39% y 93,93%, en ese orden. No obstante, existe una carencia de conjuntos de datos accesibles que incluyan una amplia variedad de ambos tipos de datos, un elemento esencial para la construcción de modelos de aprendizaje automático que sean más resistentes a problemas de sobreajuste (26).

El enfoque en detección temprana de enfermedades crónicas no trasmisibles como la diabetes, en el estudio de 650 grupos de pacientes con diabetes examinados incluyeron 395 grupos (60,8%) de pacientes con diabetes tipo 2 y 255 grupos (39,2%) de pacientes con diabetes tipo 1. 

El conjunto de entrenamiento contenía 590 grupos en total, incluidos 343 grupos (58,1%) de pacientes con diabetes tipo 2 y 247 grupos (41,9%) de pacientes con diabetes tipo 1. El conjunto de pruebas utilizó 60 grupos de datos, incluidos 39 grupos (65%) de pacientes con diabetes tipo 2 y 21 grupos (35%) de pacientes con diabetes tipo 1.

Los resultados del conjunto de prueba se obtuvieron después de entrenar la red neuronal de retro propagación. Los resultados mostraron que de los 41 grupos de diabetes tipo 2, 38 (93%) fueron diagnosticados con precisión, mientras que 3 (7%) fueron diagnosticados erróneamente. De los 19 grupos de diabetes tipo 1, 17 (89%) fueron diagnosticados con precisión, mientras que 2 (11%) fueron diagnosticados erróneamente.

Entre los datos de las pruebas de los 60 grupos, 5 grupos de datos fueron diagnosticados erróneamente y la tasa promedio de diagnóstico correcto fue de 55/60 (92%). Este porcentaje es factible para el diagnóstico de diabetes.

Motivo por el cual no se puede omitir la falta de precisión, sin duda responsabilizando la forma en que se maneja la actual informática es digital, cerrando el paso de los aprendizajes basados en probabilidades como la inteligencia artificial. (27)

Desde la perspectiva más general los estudios escogidos demuestran una elevada sensibilidad y especificidad de los algoritmos M/L D/L en las diversas especialidades médicas. Tras atravesar la pandemia COVID-19 fue un gran reto de diagnóstico para los clínicos, en un estudio realizado por Pedro Galván, se ha demostrado que la sensibilidad de 93% y la especificidad fue de 80% en los cuatro rangos de probabilidades de valoración de las TAC de tórax de 3 514 pacientes, de los cuales 52,8% eran de sexo masculino.

La edad promedio de los pacientes fue de 48,6 años, la mayoría en el grupo etario de 27-59 años (n = 2 193), seguido por el grupo de mayores de 60 años. Dicho esto, su importancia recae en la detección temprana para el respectivo aislamiento del paciente.

Se debe tomar en cuenta la preparación del personal médico al uso critico de las nuevas tecnologías, por lo tanto, en el contexto de enfermedades no trasmisibles y trasmisibles demuestra el interés en estos últimos 5 de la comunidad científica médica por el uso tecnológico.

Por otra parte, las limitaciones que estos artículos presentan es el corto periodo de que se han sometido al aprendizaje y la cantidad de datos que haya procesado, es decir, aún no se ha comprobado a largo plazo si verdaderamente tendrá un impacto positivo o negativo en la reducción del error diagnóstico.

En este contexto si se dispone del tiempo suficiente se tendría un alcance a información de otras partes del mundo, dentro de este marco no se obtuvo alcance a todas las potencias mundiales que llevan la delantera en temas de inteligencia artificial enfocado en Medicina y el diagnóstico. (28)

Por otra parte, el Mycobacterium tuberculosis se puede desarrollar en cualquier tejido del cuerpo, generalmente en el parénquima pulmonar por su vía de trasmisión comúnmente en microgotas cargadas del microorganismo, tras este proceso ocurren diversas situaciones que condicionan el contagio de persona a persona, convirtiéndose en una enfermedad de prevalencia considerable en países en desarrollo por la baja adherencia o enfoques de diagnósticos errados, entre otros factores, tras esta realidad se obtuvo valores combinados de sensibilidad y especificidad altos del sistema basado en inteligencia artificial, esto significa que el software tiene el potencial para facilitar el diagnostico TBP en imágenes médicas en detección a gran escala. (29)

En un estudio sobre la fibrosis hepática por el virus de la hepatitis B VHB, la radiómica de elastografía muestra el mejor rendimiento general en la predicción de los estadios de fibrosis hepática en comparación con 2D-SWE y biomarcadores. (30) 

Es valioso y práctico para el diagnóstico preciso no invasivo de las etapas de fibrosis hepática en pacientes infectados por el VHB. Dicho esto, se recalca la fragmentación de las herramientas tecnológicas que se enfocan en un tipo específico de patología que impide la integración de la capacidad de interpretación contextual, señalando nuevamente la incapacidad de alimentar estos algoritmos con big data.

Se antoja pensar una revolución de la computación cuántica como soporte de funcionamiento de los sistemas de inteligencia artificial que soporte la avalancha informática sobre un tema en específico como este estudio enfocado en la fibrosis hepática por VHB. (30)

Conclusiones

Partiendo del objetivo general, con le implementación de los sistemas de inteligencia artificial en el sector salud y su impacto en la reducción del error diagnóstico se puede concluir que a largo plazo contribuyen en la sensibilidad y especificidad de las pruebas diagnósticas y decisiones cualitativas, de la misma manera en tiempo y acceso a big data en conjunto con el criterio y razón medica mejora la seguridad del paciente.

Respondiendo al primer objetivo específico se describen dos tipos de aprendizaje para los sistemas de inteligencia artificial en el sector salud para el diagnóstico de enfermedades. aprendizaje profundo y automático, son las más estudiadas y aplicadas al campo.

En cuanto al segundo objetivo específico se concretó que las principales herramientas de inteligencia artificial implementada en diagnóstico de las principales enfermedades trasmisibles y no trasmisibles como ventajas teorizadas y demostradas con la sensibilidad y especificidad de cada uno de los estudios seleccionados son: eficiencia y rapidez: mayor precisión y detección temprana; acceso a información y recursos.

De la misma manera no se pudo demostrar, pero se teoriza las siguientes desventajas como falta de interpretación contextual: Sesgo y falta de transparencia; Responsabilidad y toma de decisiones: Privacidad y seguridad de los datos.

Finalmente, con el tercer objetivo específico se llegó a establecer que la sensibilidad y especificidad de las herramientas de inteligencia artificial en el diagnóstico de enfermedades en la mayoría de los estudios es superior, sin embargo, se recalca que son sistemas basados en probabilidades y para alcanzar un mínimo margen de error falta mucha investigación.

Anexos – Inteligencia artificial en el sector salud y su impacto en la reducción del error diagnóstico.pdf

Bibliografía

1. César Vallejo Perú Barrera Arrestegui U. UCV-HACER. Revista de Investigación y Cultura. Revista de Investigación y Cultura [Internet]. 2012;1(1). Available from: http://www.redalyc.org/artículo.oa?id=521752338014
2. Minué-Lorenzo S. El error diagnóstico en atención primaria. Aten Primaria. 2017 Jan 1;49(1):4–5.
3. Corvalán JG. Inteligencia artificial: Retos, desafíos y oportunidades – Prometea: La primera inteligencia artificial de Latinoamérica al servicio de la Justicia. Vol. 5, Revista de Investigacoes Constitucionais. Universidade Federal do Parana; 2018. p. 295–316.
4. Pineda JM. Predictive models in health based on machine learning. Revista Medica Clinica Las Condes. 2022 Nov 1;33(6):583–90.
5. Nota informativa Financiamiento del Sistema Nacional de Salud ecuatoriano para la cobertura universal 1 OIT Países Andinos Nota informativa Introducción.
6. Benjamens S, Dhunnoo P, Meskó B. The state of artificial intelligence-based FDA-approved medical devices and algorithms: an online database. NPJ Digit Med. 2020 Dec 1;3(1).
7. The Tyranny of Diagnosis: Specific Entities and Individual Experience.
8. Knottnerus JA, Van Weel C, Muris JWM. Evidence base of clinical diagnosis Evaluation of diagnostic procedures.
9. Mena P. Error médico y eventos adversos Medical Errors and Adverse Events: New Paradigms?
10. De Salud S, México T, Martínez Hernández CM. Errores médicos en la práctica clínica, del paradigma biologicista al paradigma médico social. Vol. 32, Rev Cubana Salud Pública. 2006.
11. Verónica Grunfeld M. Artículo Original CuLTuRA DEL ERROR MÉDICO EN EL pRIMER NIVEL DE ATEN-CIÓN DE BAHÍA BLANCA: uNA MIRADA DE LOS uSuARIOS Y DE LOS MÉDICOS. MEDICAL ERROR CuLTuRE IN pRIMARY CARE FACILITIES IN BAHÍA BLANCA: pATIENTS AND DOCTORS´pOINTDOCTORS´pOINT OF VIEW.
12. Solanet MA, Martí ML. Inteligencia artificial : una mirada multidisciplinaria. 388 p.
13. Choi RY, Coyner AS, Kalpathy-Cramer J, Chiang MF, Peter Campbell J. Introduction to machine learning, neural networks, and deep learning. Transl Vis Sci Technol. 2020;9(2).
14. Panch T, Szolovits P, Atun R. Artificial intelligence, machine learning and health systems. J Glob Health. 2018;8(2).
15. Liu P ran, Lu L, Zhang J yao, Huo T tong, Liu S xiang, Ye Z wei. Application of Artificial Intelligence in Medicine: An Overview. Curr Med Sci. 2021 Dec 1;41(6):1105–15.
16. Kufel J, Bargieł-Łączek K, Kocot S, Koźlik M, Bartnikowska W, Janik M, et al. What Is Machine Learning, Artificial Neural Networks and Deep Learning?—Examples of Practical Applications in Medicine. Vol. 13, Diagnostics. Multidisciplinary Digital Publishing Institute (MDPI); 2023.
17. Goel A, Amit ·, Goel K, Kumar A. The role of artificial neural network and machine learning in utilizing spatial information. Inf Res [Internet]. 2023 [cited 2024 Jan 12];31:275–85. Available from: https://doi.org/10.1007/s41324-022-00494-x
18. Q1.
19. Leape LL, Brennan TA, Laird N, Lawthers AG, Russell Localio A, Barnes BA, et al. THE NATURE OF ADVERSE EVENTS IN HOSPITALIZED PATIENTS Results of the Harvard Medical Practice Study II. Vol. 324. 1991.
20. Minué-Lorenzo S. El error diagnóstico en atención primaria. Aten Primaria. 2017 Jan 1;49(1):4–5.
21. Benjamens S, Dhunnoo P, Meskó B. The state of artificial intelligence-based FDA-approved medical devices and algorithms: an online database. NPJ Digit Med. 2020 Dec 1;3(1).
22. Nahm FS. Receiver operating characteristic curve: overview and practical use for clinicians. Korean J Anesthesiol. 2022 Feb 1;75(1):25–36.
23. Shen Y, Shamout FE, Oliver JR, Witowski J, Kannan K, Park J, et al. Artificial intelligence system reduces false-positive findings in the interpretation of breast ultrasound exams. Nat Commun. 2021 Dec 1;12(1).
24. Chandrabhatla AS, Kuo EA, Sokolowski JD, Kellogg RT, Park M, Mastorakos P. Artificial Intelligence and Machine Learning in the Diagnosis and Management of Stroke: A Narrative Review of United States Food and Drug Administration-Approved Technologies. Vol. 12, Journal of Clinical Medicine. Multidisciplinary Digital Publishing Institute (MDPI); 2023.
25. Herman R, Meyers HP, Smith SW, Bertolone DT, Leone A, Bermpeis K, et al. International evaluation of an artificial intelligence–powered electrocardiogram model detecting acute coronary occlusion myocardial infarction. European Heart Journal – Digital Health. 2023 Nov 28;
26. Martinez-Ríos E, Montesinos L, Alfaro-Ponce M, Pecchia L. A review of machine learning in hypertension detection and blood pressure estimation based on clinical and physiological data. Vol. 68, Biomedical Signal Processing and Control. Elsevier Ltd; 2021.
27. artículo diabetes.
28. Galván P, Fusillo J, González F, Vukujevic O, Recalde L, Rivas R, et al. Feasibility of using artificial intelligence for screening COVID-19 patients in Paraguay. Revista Panamericana de Salud Publica/Pan American Journal of Public Health. 2022;46.
29. Zhan Y, Wang Y, Zhang W, Ying B, Wang C. Diagnostic Accuracy of the Artificial Intelligence Methods in Medical Imaging for Pulmonary Tuberculosis: A Systematic Review and Meta-Analysis. Vol. 12, Journal of Clinical Medicine. MDPI; 2023.
30. Wang K, Lu X, Zhou H, Gao Y, Zheng J, Tong M, et al. Deep learning radiomics of shear wave elastography significantly improved diagnostic performance for assessing liver fibrosis in chronic hepatitis B: A prospective multicentre study. Gut. 2019 Apr 1;68(4):729–41.

Síguenos en Pinterest