{{{sourceTextContent.title}}}

Inteligencia artificial en medicina — resultados pacientes que predicen y más allá

{{{sourceTextContent.subTitle}}}

Las máquinas están consiguiendo mejores y mejores en analizar datos complejos de la salud para ayudar a médicos mejor a entender las necesidades del futuro de sus pacientes.

{{{sourceTextContent.description}}}

En un estudio hacia fuera hoy en la medicina de Digitaces de la naturaleza, un algoritmo avanzado evaluó historiales médicos electrónicos de-identificados de más de 216.000 hospitalizaciones pacientes adultas para predecir readmisiones inesperadas, estancias largas del hospital, y muertes del en-hospital más exactamente que acercamientos anteriores.

Alcancé uno de los autores, Sah de Nigam, MBBS, doctorado, profesor adjunto en Stanford, para aprender sobre el nuevo estudio y para discutir las implicaciones para la inteligencia artificial en medicina.

¿Qué profundamente está aprendiendo y cómo cabe en el universo más grande de la inteligencia artificial?

El aprendizaje profundo es una de varias técnicas de aprendizaje de máquina que se puedan utilizar para construir sistemas inteligentes. Esta técnica, inspirada por las redes neuronales del cerebro, utiliza las capas múltiples (por lo tanto ‘profundo ") de unidades centrales no lineales (análogas ‘a las neuronas ") para enseñarse a cómo entender datos y entonces clasificar el expediente o hacer predicciones.

Este nuevo estudio es un ejemplo del aprendizaje profundo aplicado a las tareas médicas de la predicción. En el pasado, los modelos proféticos en atención sanitaria han considerado un número limitado de variables en datos alto-limpiados de la salud. Aquí, las redes neuronales podían tamizar a través de los hallazgos de informaciones en bruto sucias y aprender cómo organizar los datos vía las variables que importan más en resultados de la salud que predicen.

¿Cómo este estudio potencialmente mueve el campo adelante?

Este estudio lo muestra que es posible tomar datos electrónicos sucios del historial médico — incluyendo notas clínicas no estructuradas, errores en etiquetas, y un gran número de variables de entrada — de diversas instituciones y tirar de la información junta en una entrada usable de la cual las predicciones procesables sobre salud paciente pueden ser hechas.

¿Qué hace este modelo profético dice a médicos que él no sabe ni puede ya imaginar con medios tradicionales?

Los modelos proféticos pueden ayudar a hacer para cuidar para mejorar básicamente creando las sociedades que ganan en las cuales la máquina predice y el doctor decide sobre la acción de seguimiento. El punto de usar el AI (y del aprendizaje de máquina) es hacer que realice tareas que puede lograr bien, por ejemplo la lectura de una imagen retiniana o señalar las cajas por medio de una bandera para la continuación cuando hay demasiado a revisar manualmente. Los doctores entonces tienen la época y la información de tomar las mejores decisiones, trayendo el contexto social, clínico, y personal para llevar. Hacen la llamada encendido si, cómo, y cuándo actuar.

Por ejemplo, hay un proyecto en Stanford que utilice algoritmos para tamizar a través de bases de datos grandes, incluyendo historiales médicos electrónicos, detectar a los pacientes que tienen probablemente cierta condición genética que pueda llevar a un ataque del corazón fatal en una edad prematura. Generalmente, los pacientes que tienen esta enfermedad no saben que la tienen. Usando el algoritmo, los doctores pueden descubrir anterior que tiene la condición y ofrecer los tratamientos que pueden mejorar perceptiblemente resultados.

¿Cuáles son los problemas éticos superiores para la inteligencia artificial en medicina?

Los dos problemas más importantes de mi mente están manteniendo la imparcialidad al aprender de datos en polarización negativa y del efecto sobre la relación del doctor-paciente. Pues construimos el máquina-aprendizaje de sistemas, es importante guardar contra accidentalmente la institucionalización de prejuicios humanos existentes, tales como prejuicio racial que pudo estar presente en los datos, durante el diseño de algoritmos. Es también crucial entender cómo el uso de un sistema del AI podría cambiar la relación del doctor-paciente, y se asegura de que el cambio es la clase que queremos, con los sistemas de aprendizaje de máquina sirviendo como herramienta ayudar a doctores.

En última instancia, es importante que construyamos el máquina-aprendizaje de sistemas para reflejar los estándares éticos de nuestro sistema sanitario y para ser sostenido a esos estándares.

¿Qué viene después en este campo y cómo es Stanford implicaron?

Stanford ha estado trabajando en el AI en medicina desde los años 80, con Stanford University Medical Experimental Computer – inteligencia artificial en proyecto de la medicina (SUMEX-AIM). Hoy, estamos entre los pocos sitios que están trabajando activamente para traer el AI a la clínica en los próximos años. En Stanford, tenemos esfuerzos en cuatro frentes: los nuevos métodos del AI que se convierten, desplegándolos en flujos de trabajo clínicos, presentando el marco ético, e incorporándose seguridad al proceso de diseño, así que los algoritmos para mejorar para cuidar la manera los prevemos a.