Guía para entender los algoritmos de inteligencia artificial aplicados a la medicina

Medicina - Programación - Inteligencia Artificial

Guía para resolver dudas y proporcionar una comprensión intuitiva de los algoritmos de IA, asociados a aplicaciones clínicas y de investigación concretas desde la experiencia.

​Con esta guía para profesionales de la medicina (médicos, investigadores, gestores sanitarios), queremos resolver dudas y proporcionar una comprensión intuitiva de los algoritmos de IA, asociando cada uno a aplicaciones clínicas y de investigación concretas, esta vez, sin profundizar en tecnicismos para que sea fácilmente accesible según las necesidades prácticas.

Una de las preguntas más recurrentes que nos hacen los sanitarios que se inician en la IA es sobre que modelos o algoritmos son los más apropiados para determinadas tareas, así que hoy traemos esa guía esencial para orientarse con ejemplos concretos para decidirnos a comenzar en un capítulo específico de la salud. Esta guía traduce el lenguaje técnico de la IA a casos de uso médicos tangibles, organizando los algoritmos por la tarea para la que son más útiles y así facilitar un poco el camino a los neófitos de la medicina que se introducen en este campo.

1. Algoritmos para Predecir y Clasificar: "El Diagnóstico y Pronóstico Asistido"

Estos algoritmos aprenden de datos históricos para predecir un resultado (e.g., enfermo/sano) o clasificar un caso en una categoría.

• Regresión Logística:
  Calcula la probabilidad de que un evento ocurra (e.g., enfermedad) dadas unas variables de entrada (e.g., edad, colesterol, fumador).

Ejemplos de aplicación:

-Score de Riesgo: Desarrollo de herramientas como el CHA₂DS₂-VASc para predecir riesgo de ictus en fibrilación auricular, o el ASCVD para riesgo cardiovascular.
-Diagnóstico Asistido: Modelos predictivos para estimar la probabilidad de cáncer de próstata basados en PSA, edad y hallazgos del tacto rectal.

• Máquinas de Vectores de Soporte (SVM):

​Encuentra el "hiperplano" óptimo que mejor separa dos clases de datos.

Ejemplos de aplicación:
-Bioinformática y Genómica: Clasificación de tipos de cáncer basada en datos de expresión génica (microarrays/RNA-seq).
-Radiología: Clasificación de tejidos en imágenes de resonancia magnética, por ejemplo, para distinguir entre tejido sano, benigno y maligno en una mamografía.

• Árboles de Decisión y Random Forest:

Los Árboles de Decision son reglas de "si-entonces" automáticas. Random Forest combina cientos de árboles para mejorar la precisión y evitar el sobreajuste.

Ejemplos de aplicación:

- Ayuda a la Decisión Clínica (CDSS): Sistemas que guían el diagnóstico paso a paso, emulando el razonamiento clínico.
- Epidemiología: Identificación de los factores de riesgo más influyentes en la propagación de una enfermedad.

• XGBoost / Gradient Boosting:

Una versión muy potente y moderna de los árboles de decisión, que corrige errores secuencialmente.

Ejemplos de aplicación:

- Predictores de Alto Rendimiento: Desarrollo de modelos de pronóstico de alta precisión para la sepsis, el reingreso hospitalario o la progresión de enfermedades crónicas a partir de historiales clínicos electrónicos (HCE).


2. Algoritmos para Encontrar una Estructura Oculta: "El Descubrimiento de Patrones"

Estos algoritmos buscan patrones intrínsecos en los datos sin una variable objetivo predefinida (aprendizaje no supervisado).

• K-Means Clustering:
  Agrupa pacientes o datos en un número "K" de clusters basándose en similitudes.

Ejemplos de aplicación

- Medicina de Precisión: Identificación de subtipos de enfermedades. Por ejemplo, descubrir subgrupos de diabetes (Tipo 1, LADA, Tipo 2) o de asma con perfiles genéticos y de respuesta al tratamiento distintos.

- Segmentación de Pacientes: Agrupar a pacientes por comorbilidades, patrones de uso de recursos sanitarios o perfiles de riesgo para una gestión más eficiente.

• Análisis de Componentes Principales (PCA):

​Reduce la dimensionalidad de los datos, transformando muchas variables (e.g., 1000 genes) en unas pocas "componentes principales" que capturan la mayor variabilidad.

Ejemplos de aplicación:

- Visualización de Datos Omics: Permitir visualizar en 2D o 3D si muestras de pacientes con diferentes enfermedades se agrupan por separado según su perfil genético.
- Procesamiento de Imágenes: Reducir la complejidad de una imagen médica antes de analizarla, eliminando ruido y redundancia.

3. Algoritmos para Procesar Imágenes:

Un subcampo de la IA llamado Redes Neuronales Convolucionales (CNN) es el estándar absoluto aquí.

• Redes Neuronales Convolucionales (CNN):

Aprende a reconocer patrones jerárquicos en imágenes (de bordes y texturas a formas y objetos complejos) mediante filtros.

Aplicación:

- Radiología: Detección de nódulos pulmonares en TAC, hallazgos incidentales en radiografías de tórax, clasificación de fracturas, detección de hemorragias intracraneales.

- Anatomía Patológica: Cuantificación de células cancerosas, detección de mitosis, clasificación de biopsias de tejido (e.g., cáncer de piel).

- Oftalmología: Detección de retinopatía diabética y glaucoma a partir de imágenes de fondo de ojo.

- Dermatología: Clasificación de lesiones de piel en melanoma vs. benigno (aunque siempre como herramienta de apoyo, no de diagnóstico definitivo).


4. Algoritmos para Procesar Lenguaje: "El Oído y la Voz Artificial"

Estos algoritmos entienden y generan lenguaje humano. Los Transformers (como BERT, GPT) son la tecnología actual dominante

• Procesamiento de Lenguaje Natural (NLP):

 Extrae significado, contexto y información de texto escrito o hablado.

Aplicación:

- Minería de Historias Clínicas: Extraer información estructurada (diagnósticos, medicaciones, procedimientos) de notas clínicas libres y no estructuradas.

- Asistentes Virtuales y Transcripción: Asistentes que transcriben consultas médicas y autocompletan notas clínicas, ahorrando tiempo administrativo.

- Búsqueda Semántica en Literatura: Encontrar artículos de investigación relevantes de forma más inteligente que una simple búsqueda por palabras clave.


5. Algoritmos para Encontrar Secuencias y Tomar Decisiones Secuenciales: "La Planificación Terapéutica"

• Redes Neuronales Recurrentes (RNN) / LSTM:

​Algoritmos con "memoria" diseñados para trabajar con datos secuenciales (series de tiempo).

Aplicación:

- Análisis de Señales Fisiológicas: Interpretación de ECG, EEG y señales de monitors de UCI para predecir eventos como arritmias o crisis epilépticas.

- Pronóstico Temporal: Predecir la evolución de un paciente a lo del tiempo basándose en sus datos vitales históricos.

• Aprendizaje por Refuerzo (RL):

Un "agente" aprende a tomar una secuencia de decisiones (acciones) en un entorno para maximizar una recompensa a largo plazo.
Aplicación:

- Protocolos de Tratamiento Personalizados: Diseñar regímenes de dosificación de medicamentos dinámicos y óptimos (e.g., en quimioterapia o sedación en UCI).

-Cirugía Robótica: Entrenar robots para que realicen movimientos sutiles y precisos de forma autónoma o de asistencia.

Elegir la Herramienta Correcta

La próxima vez que escuches sobre un nuevo avance de la IA en medicina, podrás preguntar: "¿Qué algoritmo hay detrás?" y tendrás una idea clara de su propósito.

¿Es un sistema de diagnóstico por imagen? Probablemente una CNN.
¿Es un predictor de riesgo? Es muy posible que use XGBoost o Random Forest.
¿Analiza texto de historias clínicas? Está usando NLP.
¿Descubre nuevos subtipos de una enfermedad? Habrá usado Clustering.


Por último recuerda que en nuestra plataforma dispones de muchos recursos y contenidos para desarrollar proyectos de investigación aplicando tanto Inteligencia Artificial como entornos 3D inmersivos y además, en octubre comenzamos el curso para la certificación de uso avanzado de Inteligencia Artificial en el sector sanitario, por si en tu hospital o departamento de investigación necesita profesionales formados al máximo nivel práctico con proyectos reales y que puedas implementarlos desde el minuto uno si necesidad de ninguna formación adicional. Pulsa aquí para más información.

En octubre comenzamos en Quantum Babylon el curso para la certificación de uso avanzado de Inteligencia Artificial en el sector sanitario, por si en tu hospital o departamento de investigación necesita profesionales formados al máximo nivel práctico con proyectos reales y que puedas implementarlos desde el minuto uno si necesidad de ninguna formación adicional. Pulsa aquí para más información.
​
Autor: Juan Pablo Castillo
Reconocimientos y más información sobre la obra gráfica

Las imágenes de películas, series o videojuegos son propiedad de las productoras, distribuidoras o estudios correspondientes. Excepto allí donde se establezcan otros términos, el contenido de esta página es propiedad de los autores, las imágenes sin autoría de estos son bajo licencia, están libres de derechos o están autorizadas bajo la licencia Creative Commons correspondiente, cualquier obra de terceros con variantes de esta licencia debe respetar dichas condiciones, en cada caso particular, donde se especifique o como consta en la información adicional. La publicación de cualquier imagen o contenido de 3eros en esta web no alterará de ningún modo su licencia original. Si usted considera que algún contenido vulnera los derechos de autor compruebe la página de reconocimientos y póngase en contacto con nosotros para su rectificación o retirada de acuerdo a la legislación vigente
​
ADVERTENCIA: En este foro, no se admitirán por ninguna razón el lenguaje soez y las descalificaciones de ningún tipo. Se valorará ante todo la buena educación y el rigor sobre el tema a tratar, así que nos enorgullece reconocer que rechazaremos cualquier comentario fuera de lugar