El aprendizaje automático como herramienta para mejorar la atención primaria

La creciente disponibilidad de información sanitaria y el rápido desarrollo de métodos que analizan esta gran cantidad de datos (big data) abren nuevas vías para el uso de tecnologías basadas en inteligencia artificial (IA) y aprendizaje automático (AA) en la práctica clínica diaria.¹

El AA es un subconjunto de la IA en el cual el algoritmo permite que los programas informáticos mejoren sin programación adicional, ya que el software aprende a través de la experiencia inferencial.¹

Las tareas típicas de los algoritmos de AA incluyen clasificación, predicción, reconocimiento de patrones y agrupación e identificación de rasgos o características. En el ámbito de la atención sanitaria, esto abarca catalogar perfiles de pacientes (por ejemplo, los que responden al tratamiento frente a los que no), definir sustitutos para el diagnóstico o pronóstico, predecir resultados a largo plazo o interpretar imágenes médicas.¹

Es así como el AA, ya sea integrado en dispositivos médicos o como software independiente, puede transformar la práctica clínica y mejorar los resultados de los pacientes, además de reducir los costos de atención médica.¹

Por ejemplo, existe el monitoreo en el hogar y gestión remota a través de dispositivos “usables” hechos para detectar el movimiento, la frecuencia cardiaca y otras variables funcionales o fisiológicas del paciente. Dadas las necesidades de contar con datos sanitarios en tiempo real —y su valor—, es que ha aumentado el interés por este tipo de tecnologías para el seguimiento de enfermedades crónicas, así como para la detección precoz o la alerta de acontecimientos clínicos como la fibrilación auricular y el ictus.¹

Otro caso de AA en la práctica médica es como soporte de diagnóstico y detección de características. Estas tecnologías procesan los datos clínicos y no clínicos, como radiografías, tomografías computarizadas, resonancias magnéticas e imágenes oftalmológicas para analizarlas precisa y eficientemente en grandes volúmenes, con el consecuente ahorro de tiempo para los médicos.¹

También se ha desarrollado el AA como sistema de apoyo a la decisión clínica. Un ejemplo de esta aplicación es un software holandés pensado para ayudar a los médicos a recetar antibióticos a pacientes con infecciones urinarias. Este tomador de decisiones está diseñado para generar directrices personalizadas a cada individuo de la población real. Para lograrlo, se analizaron características de más de 200 mil pacientes, tales como edad, sexo, particularidades de la enfermedad, medicación, comorbilidades, resultados diagnósticos y detalles de episodios anteriores de infección urinaria. Al combinar estos datos con el tipo de antibióticos prescritos y el éxito de la intervención en cada caso concreto, un algoritmo de AA predice las posibilidades de eliminar la infección con las distintas opciones de tratamiento.¹

Otra aplicación del AA en la práctica médica es en la dosificación de precisión. Por ejemplo, un modelo de control de la anemia se utiliza para apoyar la dosificación de darbepoetina, un agente estimulante de la eritropoyetina (AEE), en pacientes con anemia y enfermedad renal terminal que requieren hemodiálisis. El software simula el efecto de diferentes dosis de AEE y determina el régimen de dosificación óptimo para obtener la concentración buscada de hemoglobina, mientras aprende a través de los datos encontrados. El modelo computacional se compone de capas de unidades conectadas llamadas neuronas, que intercambian información a través de conexiones ponderadas. Así, el sistema de dosificación de precisión de darbepoetina basada en AA ha demostrado ser superior en el manejo de la anemia en estos casos, en comparación con nefrólogos experimentados.¹

Algunos de los beneficios de las soluciones que incorporan IA y AA incluyen la integración continua del conocimiento con bases de datos globales de rápido crecimiento que recopilan los datos de los pacientes de manera constante como parte el proceso de aprendizaje del sistema, a partir de datos emergentes. Estas tecnologías también podrían proporcionar recomendaciones sobre posibles imperfecciones de los métodos actuales de recopilación de datos, lo que permite analizar las deficiencias del enfoque actual de compilación de muestras.¹

El AA también puede ofrecer algoritmos eficaces que ayuden a los médicos en su trabajo diario, con funciones que van desde el seguimiento clínico hasta la dosificación de precisión basada en modelos.¹ 

Aunque algunas tecnologías todavía se limitan a ofrecer recomendaciones que deben ser revisadas por médicos, otras están diseñados para funcionar de forma autónoma y lograr una mayor precisión que los propios profesionales de la salud.¹

La información contenida en este material se suministra exclusivamente al cuerpo médico con la intención de brindar información pertinente y actualizada sobre temas científicos de interés. Esta información no tiene la intención de apoyar, promocionar o recomendar indicaciones, dosificaciones o cualquier otro mensaje que no esté dentro la información para prescribir aprobada de los productos Pfizer en el país. © Pfizer SAS Todos los derechos reservados - Prohibida su reproducción total o parcial sin autorización del titular.