La inteligencia artificial está revolucionando el día a día de múltiples sectores de actividad. La razón principal, es la versatilidad de las aplicaciones de la IA que van desde aplicaciones simples (chatbots e identificadores de imagen) hasta desarrollos extremadamente complejos (que usan Big Data para encontrar patrones y aportar información para la toma de decisiones de alto nivel). Debido a su versatilidad, es probable que ya hayas interactuado con una IA durante tu día a día sin saberlo.
Sin embargo, para la mayoría de nosotros, la revolución provocada por la Inteligencia Artificial se hará evidente a partir de su implementación en nuestros sistemas de salud. Al proporcionar información predictiva a partir de los flujos de información actual, la IA nos permitirá resolver problemas sanitarios con menos recursos y esfuerzos, para lograr mejores resultados.
Tal vez, lo más sorprendente es que incluso podremos aplicar la IA para predecir las tasas de mortalidad. Salvando innumerables vidas gracias a esas predicciones.
¿Cómo puede la IA predecir las tasas de mortalidad?
Mientras que machine learning, se centra en el aprendizaje constante y la adaptación a la nueva información, la IA busca ejecutar soluciones de forma inteligente. Por lo tanto, la IA puede valerse del machine learning (profundizaremos en esto más adelante) para mejorar su precisión y velocidad resolviendo problemas.
En un estudio reciente, se desarrolló un nuevo algoritmo que usaba machine learning y la IA para predecir las tasas de mortalidad de un grupo de pacientes. El resultado fue sorprendente al conseguir una precisión más alta que los médicos y los algoritmos preexistentes.
El algoritmo se entrenó en datos de salud multidimensionales del Biobanco del Reino Unido, que incluye los datos de más de 500.000 pacientes recopilados entre 2006 y 2016. Cerca de 14.500 pacientes murieron con una edad inferior a la media nacional, de enfermedades cardíacas, cáncer y enfermedades respiratorias en este conjunto de datos de entrenamiento.
Después de que el algoritmo se entrenara con estos datos, se le asignó la tarea de calcular la probabilidad de muerte prematura de cada paciente, específicamente de una enfermedad crónica. Los investigadores utilizaron dos tipos de IA para probar los resultados del algoritmo: deeplearning y el random forest
Probar una variedad de métodos de análisis
El primer método que los investigadores probaron fue el deep learning. Se trata de un tipo concreto de machine learning , de un tipo de aprendizaje automático. El algoritmo intenta replicar cómo un humano analizaría los datos. En deep learning, el algoritmo genera los resultados del escenario que acaba de analizar y, a continuación, altera ligeramente el escenario para volver a analizarlo y ver si mejora el resultado.
El random forest, también es una tipología de aprendizaje automático. Utiliza clústeres de árboles de decisión, que asignan datos a categorías predefinidas siguiendo un modelo sí/no para averiguar si se ajustan o no. En el algoritmo de mortalidad, la clasificación era «¿es probable que el individuo muera de una enfermedad crónica?» A continuación, las categorías se recopilan de los árboles de decisión, se compilan y analizan para encontrar la clasificación más común. La clasificación más común es la predicción del algoritmo.
Después de ejecutar ambos tipos de algoritmos, los investigadores compararon los resultados con uno de los predictores de mortalidad temprana más utilizados en medicina: el modelo Cox.
Diferentes métodos – Diferentes resultados
Cada uno de los tres métodos (deep learning, random forest y el método Cox) se centró en diferentes variables para realizar su análisis, pero todos priorizaron factores esenciales como el género, la edad y la historia del tabaquismo. Por ejemplo, el modelo Cox se centró más en la actividad física y la etnia. El algoritmo de Deep learning se centró en la ingesta de alcohol, el uso de ciertos medicamentos y la exposición a riesgos relacionados con el aire contaminado y el trabajo. Por su parte, el algoritmo de random forest centró su enfoque en el tamaño de la cintura, frutas y vegetales ingeridos al día, tono de piel, y porcentaje de grasa corporal.
En última instancia, los dos algoritmos de IA superaron significativamente el modelo Cox. Mientras que el modelo Cox predijo el 44% de las muertes prematuras entre 2006 y 2016, el algoritmo de Deep learning lo hizo con el 76%. El algoritmo de random forest también funcionó bien, llegando a una precisión del 64%.
Estos resultados son sorprendentes y apuntan a la IA como una pieza muy útil para la atención médica y la medicina. En estudios anteriores, la IA se había utilizado para analizar las tomografías (TAC) de potenciales pacientes con Alzheimer, para predecir qué pacientes serían diagnosticados con la enfermedad. El algoritmo predijo los parámetros de la enfermedad, con un 84% de precisión. En otros estudios, la IA ha tenido un buen desempeño en la predicción del autismo, ataques cardíacos y accidentes cerebrovasculares, e incluso la identificación de posibles diagnósticos de diabetes.
Una parte no negociable de un kit de herramientas del médico
La IA está mejorando cada día, y tanto los médicos como los desarrolladores de soluciones tecnológicas para la salud, están apostando por la IA para salvar vidas advirtiendo a los pacientes sobre su riesgo de muerte prematura. Usando esta información, los pacientes pueden ajustar su estilo de vida, dieta y hábitos de ejercicio. Los médicos pueden incluso usar la IA como herramienta para identificar a los pacientes con altas probabilidades de muerte prematura y sobre los que es necesario un seguimiento más cercano.