Desafíos y aplicaciones de la Inteligencia Artificial

para el soporte de decisiones clínicas

Challenges and applications of Artificial Intelligence for clinical decision support
Resumen

Caballero, Jonathan1

Domínguez, Camila 2

González, Samia 3

Rivera, Kenneth 4

Mateo, Eric 5

Moran, Brittney 6

Objetivo general: Realizar una revisión bibliográfica sobre los desafíos y aplicaciones de la Inteligencia Artificial para
el soporte de decisiones clínicas. Metodología: revisión integradora de la literatura con nivel descriptivo, de tipo
transversal, retrospectivo y cualitativo. Conclusiones: la inteligencia artificial es una tecnología que se está
adoptando rápidamente en muchas industrias principalmente para mejorar el rendimiento, la precisión y la
eficiencia del tiempo, así como para reducir los costos.

Palabras clave: inteligencia artificial, estudiantes de medicina, educación

Abstract

Objective: Carry out a bibliographic review on the application of artificial intelligence in medical education.
Methodology: integrative review of the literature with a descriptive, cross-sectional, retrospective and qualitative
level. Conclusions: Artificial intelligence is a technology that is being rapidly adopted in many industries mainly to
improve performance, accuracy and time efficiency, as well as to reduce costs.

Keywords: artificial intelligence, medical students, education

1
Estudiante de I ciclo. Carrera de Medicina. UCSG. Ecuador.
2
Estudiante de I ciclo. Carrera de Medicina. UCSG. Ecuador.
3
Estudiante de I ciclo. Carrera de Medicina. UCSG. Ecuador.
4
Estudiante de I ciclo. Carrera de Medicina. UCSG. Ecuador.
5
Estudiante de I ciclo. Carrera de Medicina. UCSG. Ecuador.
6
Estudiante de I ciclo. Carrera de Medicina. UCSG. Ecuador.

1
1. Introducción
La inteligencia artificial se define como un campo interdisciplinario que abarca la informática, la
psicología, la lingüística y la filosofía, entre otros. Según su definición más simple, la inteligencia
artificial (IA) es la inteligencia demostrada por las máquinas. A veces también se describe como
“máquinas que imitan las funciones cognitivas que los humanos asocian con la mente humana, como
el aprendizaje y la resolución de problemas”. Funciona a través de un método llamado aprendizaje
automático. Dado que existen desafíos y tareas tan complicados en el cuidado de la salud que
escribir algoritmos tradicionales para resolverlos ya no era suficiente, se necesitaba un nuevo
método. El aprendizaje automático brinda a las computadoras la capacidad de aprender sin ser
programadas explícitamente. Si alimenta el algoritmo con suficientes datos de buena calidad, el
aprendizaje automático les permite crear estrategias para sobresalir en esa tarea en particular [1].

Además, el concepto de usar computadoras para simular el comportamiento inteligente y el

pensamiento crítico fue descrito por primera vez por Alan Turing en 1950. En el libro Computers and
Intelligence, Turing describió una prueba simple, que luego se conoció como la "prueba de Turing",
para determinar si las computadoras eran capaces de la inteligencia humana. Seis años después,
John McCarthy describió el término inteligencia artificial (IA) como “la ciencia y la ingeniería para
fabricar máquinas inteligentes”. La IA comenzó como una simple serie de reglas "si, entonces" y ha
avanzado durante varias décadas para incluir algoritmos más complejos que funcionan de manera
similar al cerebro humano. Hay muchos subcampos en IA, similares a las especialidades en medicina,
como el aprendizaje automático (ML), el aprendizaje profundo (DL) y la visión artificial [2, 3].

Por otro lado, con la información médica creciendo a una velocidad vertiginosa, los médicos tienen
problemas para mantenerse al día. Esto conduce a una sobrecarga de información y crea presión
para memorizar todo este contenido para aprobar los exámenes de licencia médica para calificar
para puestos de residencia. Actualmente, los médicos trabajan más horas y también se espera que
brinden atención coordinada en una sociedad que envejece, con condiciones y comorbilidades
complejas, donde los costos de la atención médica aumentan y las regulaciones imponen una carga
adicional a los procesos administrativos. La IA podría ayudar a los médicos al combinar grandes
cantidades de datos y complementar su proceso de toma de decisiones para identificar diagnósticos
y recomendar tratamientos. Además, la IA podría tener un impacto al aliviar la carga de los médicos
para realizar las tareas diarias [4, 5].

Asimismo, la inteligencia artificial se caracteriza por fomentar la predicción, el diagnóstico y el

tratamiento de enfermedades, lo que beneficia tanto a los pacientes como a los proveedores de
atención médica. La IA puede ayudar eficazmente a los proveedores de atención médica a
diagnosticar los síntomas a un ritmo más rápido que la mayoría de los profesionales médicos;
también puede imitar el poder predictivo de los médicos humanos para mejorar la precisión del
diagnóstico mediante la evaluación horizontal y vertical de los registros de salud electrónicos de los
pacientes en un corto período de tiempo [6].

En conjunto, su uso nace de la necesidad de brindar oportunidades sustanciales para mejorar los
resultados del paciente y del equipo clínico, reducir costos e influir en la salud de la población. La
generación de datos actual supera con creces la capacidad cognitiva humana para gestionar la
información de manera eficaz, y es probable que la IA desempeñe un papel importante y
complementario a la cognición humana para respaldar la prestación de atención médica
personalizada [7]. Cabe destacar que la presente investigación se justifica desde el punto de vista
social puede ayudar a los pacientes a realizar un seguimiento de los síntomas complejos, mejorar la
calidad de vida de los pacientes y aumentar la adherencia a la medicación.

2
De la misma forma, este trabajo se justifica desde el punto de vista académico, ya que a medida que
la medicina y la atención médica entren en la era de la IA, aumentará la necesidad de una
interacción hombre-máquina competente para el uso de datos para ayudar en la toma de decisiones
clínicas. Los estudiantes de medicina deben ser suficientemente competentes en la comprensión de
los conceptos fundamentales de cómo funciona la IA, sus ventajas para mejorar los gastos, aumentar
la calidad y facilitar el acceso a la atención médica. Del mismo modo, los estudiantes deben ser
educados sobre las deficiencias de la IA, como la transparencia y la responsabilidad. Finalmente,
pasar por alto una tecnología que será transformadora en el futuro previsible colocaría a los
estudiantes de medicina en desventaja.

Por último, se justifica desde el punto de vista profesional debido a que, con el rápido avance de la
IA, los médicos enfrentan un estrés sin precedentes para aprender nuevos conjuntos de habilidades
y administrar un crecimiento exponencial del conocimiento médico. Afortunadamente, resolver el
desafío de aprender sobre IA puede brindar una solución útil al problema de expandir el
conocimiento médico. La IA tiene la capacidad de equipar a los médicos con una alternativa para
tratar y traducir de manera eficiente el conocimiento médico a la práctica. Por lo tanto, el objetivo
de este trabajo es describir cuáles son los desafíos y aplicaciones de la inteligencia artificial para el
soporte de decisiones clínicas.

Con respecto a la metodología empleada, se realizó una revisión integradora de la literatura con
nivel descriptivo, de tipo transversal, retrospectivo y cualitativo sobre la inteligencia artificial
utilizada en la educación médica. Las revisiones integradoras son el tipo más amplio de método de
revisión de investigación y permiten la inclusión de varios diseños de investigación para comprender
mejor un fenómeno de interés. Hicimos búsquedas en Medline, PubMed, EBSCOhost Education
Resources Information Center y Web of Science de artículos publicados desde el 2018 hasta la
actualidad para identificar artículos que abordaran la IA en la educación médica. En este estudio, el
enfoque de la educación médica elegido fue el desarrollo profesional de los médicos a lo largo de
todo el continuo educativo, desde la formación de pregrado, posgrado y especialidad hasta la
educación médica continua.

Después, hablaremos del marco teórico donde trataremos temas como enfoques generales de los
modelos de IA explicables (post hoc humana y ante-hoc de explicaciones), aplicaciones actuales de la
Inteligencia Artificial en Medicina (cardiología, neumología, endocrinología, nefrología,
gastroenterología, neurología, diagnóstico computacional de cáncer en histopatología y radiología
diagnóstica), reemplazar y enseñar los roles de los nuevos médicos (identificación de roles de IA,
reemplazo de roles, cambio de roles, nuevos roles y enseñanza), ventajas de la IA en medicina,
implicaciones éticas del monitoreo continuo y desafíos en la implementación de IA en el cuidado de
la salud (caja negra, sobreajuste, aprobación regulatoria, privacidad y control sobre los datos, y falta
de normas para el uso de la inteligencia artificial en la atención al paciente y responsabilidad civil).

Finalmente, presentaremos las conclusiones donde destacaremos la relación de la inteligencia

artificial como un sistema de apoyo a la decisión con la acción final de los humanos, ya que, en la
actualidad, la IA se ha incorporado con éxito a los sistemas de apoyo a la toma de decisiones para el
diagnóstico en especialidades con uso intensivo de datos, como radiología, patología y cirugía. Se
espera que los sistemas futuros sean cada vez más autónomos, yendo más allá de hacer
recomendaciones sobre posibles acciones clínicas para realizar de forma autónoma ciertas tareas,
como clasificar a los pacientes y evaluar las derivaciones.

3
4
2. Metodología
Se realizó una revisión integradora de la literatura con nivel descriptivo, de tipo transversal,
retrospectivo y cualitativo sobre la inteligencia artificial utilizada en la educación médica. Las
revisiones integradoras son el tipo más amplio de método de revisión de investigación y permiten la
inclusión de varios diseños de investigación para comprender mejor un fenómeno de interés.

Fuentes de datos y estrategia de búsqueda

Se hicieron búsquedas en Medline, PubMed, EBSCOhost Education Resources Information Center y

Web of Science de artículos publicados desde el 2018 hasta la actualidad para identificar artículos
que abordaran la IA en la educación médica. Los términos de búsqueda clave fueron ("inteligencia
artificial" O "aprendizaje automático" O "aprendizaje profundo") Y ("educación médica" O
"estudiante de medicina*" O "plan de estudios médico" O "escuela de medicina*" O "formación
médica”).

Criterios de inclusión y exclusión

La IA se definió como cualquier técnica que permite a las máquinas imitar el comportamiento
humano inteligente. Esto incluye paradigmas de IA simbólica (basada en la lógica o en el
conocimiento), estadística (métodos probabilísticos y aprendizaje automático) y subsimbólica
(inteligencia incorporada, búsqueda y optimización) que cubren diferentes dominios de problemas
(percepción, razonamiento, conocimiento, planificación y comunicación). En este estudio, el enfoque
de la educación médica elegido fue el desarrollo profesional de los médicos a lo largo de todo el
continuo educativo, desde la formación de pregrado, posgrado y especialidad hasta la educación
médica continua. En la búsqueda se incluyó cualquier característica de la IA, como el aprendizaje
automático y el aprendizaje profundo. Los criterios de exclusión fueron los siguientes:

 Artículos sobre otros aspectos de la educación además de la educación médica

 Artículos sobre el uso de tecnología (como conferencias en línea y educación basada en
computadora) sin incorporación de IA, o artículos con solo una breve mención del uso de IA
 Tipos de artículos: reseñas, cartas y comentarios
 Textos completos de los artículos disponibles en otros idiomas además del inglés
 Artículos publicados antes de 2018.

Selección de artículos para revisión

Los títulos y resúmenes de los artículos identificados se examinaron según los criterios de búsqueda
previamente identificados y se aplicaron los criterios de exclusión. Todos los artículos seleccionados
para ser relevantes o no concluyentes se evaluaron en texto completo. Se extrajeron datos como la
aplicación actual en la práctica clínica, las ventajas de dicho uso y los desafíos de la implementación
de la IA de todos los artículos relevantes.

Extracción de datos

Los datos se evaluaron cuidadosamente y se extrajeron de todas las publicaciones elegibles. Los
datos recuperados de los estudios incluyeron el nombre de la aplicación de IA, el grupo de estudio,
el uso de IA y los desafíos de la implementación.

5
Identificación

Registros identificados en la base de

datos
(n = 11753)

Registros luego de eliminar

Pesquisaje

Registros excluidos
los duplicados
(n = 4996)
(n = 5152)

Filtros de acuerdo con los

Artículos de los últimos 5 criterios de exclusión
Elegibilidad

años evaluados para Tipo de artículo (904)

elegibilidad Artículos escritos en español
(n = 2696) (658)
Otros aspectos de la
educación además de la
educación médica (388)
Inclusión

Artículos sobre el uso de

Registros totales incluidos tecnología sin incorporación
(n = 30) de IA (716)

Figura 1. Identificación de artículos a través de bases de datos

6
3. Marco teórico
3.1 Enfoques generales de los modelos de IA explicables
Se pueden distinguir dos tipos de IA explicables, que pueden denominarse con nombres en latín
utilizados en derecho: explicabilidad posthoc = “(lat.) after this”, que ocurre después del evento en
cuestión; por ejemplo, explicar lo que predice el modelo en términos de lo que es fácilmente
interpretable; explicabilidad ante-hoc = “(lat.) antes de esto”, que ocurre antes del evento en
cuestión; por ejemplo, incorporar la explicabilidad directamente en la estructura de un modelo de
IA, explicabilidad por diseño. Los sistemas posthoc tienen como objetivo proporcionar explicaciones
locales para una decisión específica y hacerla reproducible a pedido (en lugar de explicar el
comportamiento de todo el sistema). Por otro lado, los sistemas ante-hoc son interpretables por
diseño hacia enfoques de caja de cristal; los ejemplos típicos incluyen regresión lineal, árboles de
decisión y sistemas de inferencia difusos [8, 9, 10].

3.1.1 Ejemplo de explicación post hoc humana

Si se le pide a un patólogo experimentado que explique lo que considera relevante en las

diapositivas de histología, para este diagnóstico específico, el patólogo da los siguientes hechos
como explicación post hoc [8]:

 Biopsia hepática con 10 campos portales evaluables.

 Conserva la arquitectura del lóbulo.
 Células hepáticas dispuestas en placas regulares de una capa celular de espesor.
 Campos porta ligeramente ensanchados y fibróticos.
 Septos porto-portales y porto-centrales incompletos aislados.
 Campos portales levemente inflamados con infiltrados inflamatorios de células mixtas
(linfocitos, granulocitos neutrófilos esporádicos). Inflamación restringida al campo portal.
 Placa de borde parenquimatosa intacta, células hepáticas con anisocariosis baja, hígado
graso con gotitas moderadamente grandes (degeneración grasa del parénquima estimada en
el 30% del área parenquimatosa).
 Células hepáticas centrales lobulares balonizadas, citoplasmáticas ligeras con incorporación
de cuerpos de Mallory-Denk.
 La mayoría de estas células hepáticas están rodeadas de granulocitos neutrófilos y algunos
de ellos están entremezclados (satelliteosis).
 Fibrosis perivenular menor (=esclerosis central).
 Células de Kupffer ligeramente aumentadas de forma difusa, nódulos de células de Kupffer
aislados detectables.
 En la tinción azul de Berliner parenquimatosa menor y siderosis de células de Kupffer.

7
 Figura 1. Características en una diapositiva de histología anotada por un patólogo experto humano
[8].

3.1.2 Ejemplo de estructura ante-hoc de explicaciones

Si también se le pide al patólogo que explicara el proceso y los conceptos más relevantes en
patología hepática, es posible notar que la siguiente descripción solo demuestra la estructura y la
complejidad y está lejos de ser un libro de texto sobre patología hepática. El patólogo describiría el
siguiente procedimiento y observación como una explicación ante-hoc para la patología hepática [8].

Descripción en la evaluación macroscópica del corte histológico las siguientes características:

 Tipo, número y tamaño de las muestras (muestra quirúrgica o biopsia)

 Cohesión tisular de las biopsias
 Calidad de tinción (H & E/CAB/rojo Sirius/hierro/ev. PAS, inmunohistoquímica)
 Tejido exógeno ya visible (tumor)

Descripción en evaluación microscópica a bajo aumento las siguientes características:

 Arquitectura lobulillar preservada/perturbada en el sentido de fibrosis o necrosis/destruida

en el contexto de cirrosis o tumores
 Número de campos de portal evaluables (óptimo 10-15 por diapositiva)
 Placas de células hepáticas (hepatocitos) regulares: una capa de células de espesor/varias
capas de células de espesor
 Cambios inflamatorios portal/lobulillar/combinado; necrosis lobulillar periférica/lobulillar
central)
 Presencia o ausencia de tejido

Descripción en evaluación microscópica a mayor aumento las siguientes características:

 Vías porta: regulares/extendidas/fibróticas/redondeadas/edematosas

 Borde del parénquima del tejido conjuntivo: nítido/no nítido
 Placa del borde parenquimatoso: conservado/parcialmente destruido/en su mayoría
destruido/inexistente infiltrados inflamatorios portal/periportal-interfaz,
escaso/apretado/localizado-folicular/linfocítico/linfohistiocítico/neutrófilo-granulocitario/
estresado-eosinófilo-granulocitario/granulomatoso;
 Contenido anormal del campo portal no presente (células tumorales/cuerpos
extraños/parásitos)
 Vasos portales (arteria hepatica, vena portae y vasos linfáticos)
presentes/expandidos/estrechados/inflamatorios;
 Vías biliares: presente/alargada/ausente/epitelio monocapa/epitelio multicapa/epitelio
polimórfico/cambios inflamatorios/parcialmente destruido/cicatrizado/contenido (trombo
biliar/porfirintrombo);
 Reacción ductal ausente/baja/pronunciada/colestasis ductal.
 Lobulillos (lobulus, parénquima hepático): células hepáticas grandes/globo/pequeñas-
atróficas/anisocitosis/apoptosis
 Citoplasma: granular/en forma de red/citoplasmático ligero rico en
glucógeno/homogeneizado difuso/homogeneizado focalmente
 Inclusiones citoplasmáticas gota grande de grasa/gota pequeña de grasa/gránulos de
lipofuscina/gránulos de siderina/inclusiones de AAT/inclusiones de fibrinógeno/cuerpos de
Mallory Denk (MDB), cuerpos hialinos/bilirrubina

8
  Bilirrubinostasis canalicular
 Necrosis diseminada/confluente/lobular central/lobulillar periférica/puente
porto-central/puente centro-central/masiva; —anisocariosis/picnosis de núcleos de células
hepáticas/núcleos de perforación/ “núcleos de arena” /inclusiones de núcleo;
 Células de Kupffer con aumento focal (nodular)/aumento difuso/aumento de
tamaño/inclusiones (siderina, pigmento, eritrocitos, patógeno, material extraño);
 Células estelares (células estrelladas) aumentadas
 Contenido anormal/dilatado sinusoidal (p. ej., sangre, fibrina y células tumorales)
 Luz de la vena central abierta/estrechada/obliterada/inflamada/fibrosa de la pared.
 Fibrosis: portal/ perisinusoidal/ pericelular/ perivenular/ septal/ porto-portal/ porto-central/
centro-central/ fibrosis en malla de alambre/ cirrosis incompleta/ cirrosis.
 Tejido extraño (tejido tumoral a caracterizar morfológicamente, primario/secundario-
metastásico/poco claro).

Para un caso concreto valores de todas las características anteriores contribuyen al diagnóstico con
diferentes pesos y relaciones causales presentes en el modelo humano sobre patología hepática,
que un experto adquiere por formación y experiencia [8, 9, 10].

3.2 Aplicaciones actuales de la Inteligencia Artificial en Medicina

3.2.1. Cardiología

3.2.1.1. Fibrilación auricular

Cabe mencionar que la detección temprana de la fibrilación auricular fue una de las primeras
aplicaciones de la IA en medicina. AliveCor recibió la aprobación de la FDA en 2014 para su
aplicación móvil Kardia, que permite el monitoreo de ECG basado en teléfonos inteligentes y la
detección de fibrilación auricular. El reciente estudio REHEARSE-AF mostró que la monitorización
remota de ECG con Kardia en pacientes ambulatorios tiene más probabilidades de identificar la
fibrilación auricular que la atención de rutina [11]. Apple también obtuvo la aprobación de la FDA
para su Apple Watch 4 que permite una fácil adquisición de ECG y detección de fibrilación auricular
que se puede compartir con el médico de su elección a través de un teléfono inteligente. Se han
abordado varias críticas a las tecnologías de ECG portátiles y portátiles, destacando limitaciones para
su uso, como la tasa de falsos positivos originados por artefactos de movimiento, y barreras en la
adopción de tecnología wearable en los pacientes ancianos con mayor probabilidad de padecer
fibrilación auricular [12].

3.2.1.2. Riesgo cardiovascular

Aplicada a registros electrónicos de pacientes, la IA se ha utilizado para predecir el riesgo de

enfermedad cardiovascular, por ejemplo, síndrome coronario agudo e insuficiencia cardíaca, mejor
que las escalas tradicionales. Sin embargo, revisiones exhaustivas recientes informaron cómo los
resultados pueden variar según el tamaño de la muestra utilizada en el informe de investigación
[13].

3.2.2. Neumología

Se ha informado que la interpretación de las pruebas de función pulmonar es un campo prometedor

para el desarrollo de aplicaciones de IA en medicina pulmonar. Un estudio reciente informó cómo el
software basado en IA proporciona una interpretación más precisa y sirve como una herramienta de
apoyo a la toma de decisiones en el caso de la interpretación de los resultados de las pruebas de

9
función pulmonar. El estudio recibió varias críticas, una de las cuales reportó cómo la tasa de
diagnóstico certero en los neumólogos participantes en el estudio fue considerablemente menor
que el promedio del país [14].

3.2.3. Endocrinología

Por otra parte, el control continuo de la glucosa permite a los pacientes con diabetes ver lecturas de
glucosa intersticial en tiempo real y proporciona información sobre la dirección y la tasa de cambio
de los niveles de glucosa en sangre. Medtronic recibió la aprobación de la FDA para su sistema
Guardian para el control de la glucosa, que se combina con un teléfono inteligente. En 2018, la
empresa se asoció con Watson (IA desarrollada por IBM) para su sistema Sugar.IQ para ayudar a sus
clientes a prevenir mejor los episodios de hipoglucemia en función de mediciones repetidas. El
monitoreo continuo de glucosa en sangre puede permitir a los pacientes optimizar su control de
glucosa en sangre y reducir el estigma asociado con los episodios de hipoglucemia; sin embargo, un
estudio que se centró en la experiencia de los pacientes con el control de la glucosa informó que los
participantes, aunque expresaron confianza en las notificaciones, también declararon sentimientos
de incapacidad personal para regular el nivel de glucosa [15].

3.2.4. Nefrología

Es importante mencionar que la inteligencia artificial se ha aplicado en varios escenarios de la

nefrología clínica. Por ejemplo, ha demostrado ser útil para la predicción de la disminución de la tasa
de filtración glomerular en pacientes con poliquistosis renal y para establecer el riesgo de nefropatía
progresiva por IgA. Sin embargo, una revisión reciente informa cómo en este momento la
investigación está limitada por el tamaño de muestra necesario para la inferencia [16].

3.2.5. Gastroenterología

En conjunto, la especialidad de gastroenterología se beneficia de una amplia gama de aplicaciones

de IA en entornos clínicos. Los gastroenterólogos utilizaron redes neuronales convolucionales entre
otros modelos de aprendizaje profundo para procesar imágenes de endoscopia y ultrasonido y
detectar estructuras anormales como pólipos colónicos. Las redes neuronales artificiales también se
han utilizado para diagnosticar la enfermedad por reflujo gastroesofágico y la gastritis atrófica, así
como para predecir resultados en hemorragia gastrointestinal, supervivencia del cáncer de esófago,
enfermedad inflamatoria intestinal, y metástasis en el cáncer colorrectal y carcinoma de células
escamosas de esófago [17].

3.2.6. Neurología

3.2.6.1. Epilepsia

Así mismo, los dispositivos inteligentes de detección de convulsiones son tecnologías prometedoras
que tienen el potencial de mejorar el manejo de las convulsiones a través del monitoreo ambulatorio
permanente. Empatica recibió la aprobación de la FDA en 2018 para su Embrace portátil, que
asociado con captores electrodérmicos puede detectar ataques de epilepsia generalizada e informar
a una aplicación móvil que puede alertar a familiares cercanos y médicos de confianza con
información complementaria sobre la localización del paciente [18]. Un informe centrado en la
experiencia del paciente reveló que, a diferencia de los dispositivos portátiles de monitorización
cardíaca, los pacientes que sufrían de epilepsia no tenían barreras en la adopción de dispositivos de
detección de convulsiones y reportaron un gran interés en el uso de dispositivos portátiles [19].

3.2.6.2. Evaluación de la marcha, la postura y el temblor

10
También, con la proliferación mundial de teléfonos inteligentes, la teleneurología, el uso de la
tecnología para brindar atención y educación neurológica de forma remota tiene el potencial de
mejorar y aumentar el acceso a la atención para miles de millones de personas. Telestroke ya ha
cumplido esta promesa, pero las aplicaciones de teleneurología para enfermedades crónicas aún
están en pañales. Sin embargo, los sensores portátiles han demostrado ser útiles para evaluar
cuantitativamente la marcha, la postura y el temblor en pacientes con esclerosis múltiple,
enfermedad de Parkinson, parkinsonismo y enfermedad de Huntington [20].

3.2.7. Diagnóstico Computacional de Cáncer en Histopatología

Otro punto para destacar es Paige.ai, que recibió el estatus de avance de la FDA por un algoritmo
basado en IA que es capaz de diagnosticar el cáncer en histopatología computacional con gran
precisión, lo que permite al patólogo ganar tiempo para concentrarse en las diapositivas
importantes. En este mismo estudio, las pruebas de cáncer de próstata, carcinoma de células basales
y metástasis de cáncer de mama en los ganglios linfáticos axilares dieron como resultado áreas bajo
la curva superiores a 0,98 para todos los tipos de cáncer. Su aplicación clínica permitiría a los
patólogos excluir entre el 65 y el 75% de los portaobjetos manteniendo una sensibilidad del 100%
[21].

3.2.8. Radiología diagnóstica

De igual manera, las imágenes de las máquinas de resonancia magnética, los escáneres de
tomografía computarizada y las radiografías pueden contener grandes cantidades de datos
complejos que pueden ser difíciles de evaluar para los proveedores humanos y llevar mucho tiempo.
La tecnología AI/DL y su implementación en las imágenes clínicas diarias está preparada para
transformar la práctica de la radiología. Con respecto al procesamiento de imágenes, los algoritmos
de DL pueden ayudar a seleccionar y extraer características de las imágenes médicas, así como
ayudar a crear nuevas características. En el caso de la interpretación de las imágenes, también
pueden ayudar a identificar y clasificar patrones de enfermedades a partir de imágenes y ayudar al
radiólogo a sugerir vías de atención adecuadas para un paciente en consulta con otros médicos
involucrados en la atención del paciente [22].

Con respecto a la radiología, la IA está preparada para automatizar la segmentación de imágenes, la

detección de lesiones, la medición, el etiquetado y la comparación con imágenes históricas. Lo único
que vale la pena señalar es que en DL, y de hecho en cualquier ML, los algoritmos son tan buenos
como los conjuntos de entrenamiento utilizados para entrenar el sistema. En el caso de las
tomografías computarizadas, esto requiere la anotación cuidadosa de cientos o incluso miles de
imágenes. Los autores sugieren que las instituciones desarrollen procesos estándar y directrices de
mejores prácticas para conjuntos de datos de formación y compartan estos conjuntos de datos.
Tales colaboraciones ayudarían a aumentar la cantidad de conjuntos de datos normales y anormales
disponibles para entrenar sistemas DL [22].

De hecho, un metaanálisis largamente esperado comparó el rendimiento del software de

aprendizaje profundo y los radiólogos en el campo del diagnóstico basado en imágenes: aunque el
aprendizaje profundo parece ser tan eficiente como el radiólogo para el diagnóstico, los autores
señalaron que el 99 % de los estudios se encontraron no tener un diseño confiable; además, solo una
milésima parte de los artículos que se revisaron validaron sus resultados al hacer que los algoritmos
diagnosticaran imágenes médicas provenientes de otras poblaciones de origen. Estos hallazgos
respaldan la necesidad de una validación exhaustiva de las tecnologías basadas en IA a través de
ensayos clínicos rigurosos [23].

11
3.3 Reemplazar y enseñar los roles de los nuevos médicos
3.3.1 Identificación de roles de IA

La literatura citada anteriormente indica que la IA es capaz de realizar algunos diagnósticos

diferenciales y razonamiento clínico de manera más competente que los humanos. Sin embargo, los
sistemas de diagnóstico de IA llevan advertencias de que no deben reemplazar a los médicos
calificados, e incluso los pacientes quieren la confirmación del diagnóstico por parte de los médicos.
Esto es a pesar del hecho de que algunos sistemas de IA se han diseñado precisamente porque los
médicos capacitados y calificados cometieron errores. En esencia, nos estamos defiriendo a un
sistema que ha demostrado tener habilidades inferiores de razonamiento clínico, simplemente
porque ese sistema es humano. Sin embargo, tal vez desapercibido, ya tenemos las primeras etapas
del reemplazo de roles: el EMR [24].

3.3.2 Reemplazo de roles: primeras etapas

En primer lugar, los EMR anuncian un gran beneficio potencial para los servicios de salud, sin
embargo, los médicos en ejercicio critican mucho los registros médicos electrónicos (EMR). El más
común es que la captura de datos interfiere con la práctica y los procedimientos normales del flujo
de trabajo de atención médica que requieren específicamente contacto visual directo entre el
médico y el paciente. La solución parece ser rectificar estos defectos de diseño de EMR, de modo
que los EMR encajen con la práctica y los procedimientos normales del flujo de trabajo.
Desafortunadamente, esta "solución" muestra un malentendido del papel del EMR en la atención
médica moderna. Quitar los ojos de los médicos del paciente a la computadora no es un defecto de
diseño; es una característica de diseño. Los sistemas EMR no están diseñados para adaptarse a la
práctica normal del flujo de trabajo, sino para cambiar la práctica normal del flujo de trabajo [24].

En términos comerciales, los EMR no son tecnologías de apoyo, son tecnologías disruptivas. Y, a
medida que interactúan cada vez más con los sistemas de IA, y a medida que se convierten cada vez
más en sistemas de IA, interrumpirán cada vez más la práctica normal del flujo de trabajo. La
frustración y la ira que sienten los médicos ahora se debe a que se encuentran en las etapas iniciales
de un nuevo rol importante, caracterizado en gran medida por recopilar e ingresar datos de
pacientes en sistemas EMR e IA. Esta puede ser una noticia desagradable para los médicos, ya que
pueden verse reducidos a capturar datos, pero no debería sorprender, a pesar de lo que se les haya
dicho a los médicos sobre el papel de los EMR. En términos reales, lo que los médicos están
experimentando es simplemente la etapa inicial del uso de EMR, mientras que la IA se pone al día y
pasa a la siguiente etapa: cambio de roles e inversión [24].

3.3.3 Cambio de roles, nuevos roles y enseñanza

Ser proactivo en el diseño de sistemas de IA. Las tecnologías disruptivas exitosas con frecuencia
introducen la simplificación, pero eso no se puede decir de muchos sistemas EMR actuales. Para
equilibrar el cambio con la atención médica mantenida, los médicos deben organizarse en grupos
influyentes y ayudar directamente en el diseño y prueba de sistemas EMR e IA. A los médicos se les
debe enseñar al menos informática médica básica y tener un sentido de los principios de diseño de
EMR e IA para que puedan trabajar directamente con los diseñadores, asegurando que los sistemas
cumplan con los requisitos éticos, médicos y prácticos de la atención médica [24].

Trabajar con sistemas de diagnóstico de IA. Los médicos deben saber cómo trabajar de manera
constructiva con el diagnóstico de IA y otros sistemas para atender mejor las necesidades de sus
pacientes. Para esto, requerirán capacitación en estos sistemas para familiarizarse con ellos como lo

12
están con cualquier otra herramienta médica. El entrenamiento debe comenzar ahora. Esperar hasta
que estos sistemas sean generalizados antes de comenzar el entrenamiento será contraproducente,
ya que la curva de aprendizaje y el impacto psicológico serán tremendos. Además de la capacitación
técnica, es necesario abordar cuestiones más amplias sobre ética, roles, protocolos y
responsabilidad [24].

Comunicación con sistemas de IA. Se debe enseñar a los médicos cómo informar a los sistemas de IA
sobre la información relevante, de modo que los EMR puedan hacer coincidir la nueva información
con la información dentro y fuera del EMR, y pedir a los médicos que soliciten más información
sobre áreas que parecen poco claras. Además, los médicos requieren una capacitación cuidadosa en
comunicación verbal y escrita, entrada de voz y traducción de información táctil, sospechas y
corazonadas en información digital, y cómo usar herramientas de extracción de datos dentro de
entornos clínicos. También se debe enseñar a los médicos cómo interactuar con los sistemas de IA
que desarrollan relaciones "personales" con los pacientes, observando las primeras señales de
advertencia y, al mismo tiempo, permitiendo que los pacientes se transfieran fácilmente entre
proveedores, recopilando y cotejando datos, identificando tendencias y anomalías, etc. [24].

Consejería más profunda y actividades relacionadas. En relación con las habilidades de

comunicación, los médicos deben aprender mejores habilidades de asesoramiento. Esto crecerá en
importancia a medida que la IA abra nuevos campos médicos, como la medicina mejorada
(procedimientos médicos que mejoran la mente y el cuerpo humanos más allá de lo que
actualmente se considera "normal") [24].

Reorientación psicológica de los roles. Los roles de algunos médicos cambiarán tanto que ya no serán
reconocibles, y es posible que muchos ya no se ajusten al patrón de lo que actualmente queremos
decir con la palabra "médico". Esto deberá abordarse en todos los niveles, especialmente en la
Educación Médica Continua (CME) [24].

Enseñanza de nueva IA médica. Inicialmente, los médicos deberán recopilar la información del
paciente y entregarla a los sistemas de IA. Pero habrá que enseñar a la IA a recopilar esta
información por sí misma y cómo trabajar correctamente con ella. Una buena IA necesita equipos de
expertos en los campos de la medicina, la educación y la informática. Los problemas complejos que
ya son inherentes a la ética de la informática médica deberán integrarse en la IA médica como
principios rectores, ya que puede pasar de la Inteligencia Artificial a la Sabiduría Artificial. También,
será necesario enseñar a los sistemas de IA EMR individuales a comunicarse con sistemas de IA
globales más grandes, ya que la comunicación fluida es crucial para la evolución efectiva del sistema
[24].

Un área más grande que requiere atención es el lenguaje. La jerga médica está plagada de
inconsistencias, y los sistemas de inteligencia artificial ya pueden abordar estas restricciones y se han
comunicado entre sí de manera mucho más eficiente que los humanos. El problema es que los
humanos no pueden entender los lenguajes de IA desarrollados por máquinas y han respondido
apagando los sistemas, por lo que se necesitarán médicos que puedan trabajar con estos nuevos
lenguajes [24].

Robótica. Aunque en su infancia, y en su mayoría bajo control humano, la robótica quirúrgica ya ha

demostrado potencial para cambiar la cirugía, y el impacto positivo directo en la atención médica
será profundo. Los robots inteligentes son simplemente robots con software de IA, y este software
eventualmente realizará cirugías sin humanos. Pronto, estos métodos quirúrgicos serán estándar, y
las facultades de medicina que no enseñan cirugía robótica se quedarán atrás rápidamente [24].

13
3.4 Ventajas de la IA en medicina
En combinación con un médico humano, los métodos y sistemas de IA pueden avanzar en la
prestación de atención de una manera que supera lo que cualquiera puede hacer solo.
Consideremos el caso de la medicina de precisión que busca adaptar el tratamiento médico a las
características individuales de un paciente. Es probable que esto transforme la prestación de
atención médica al permitir que los médicos identifiquen las dosis ideales de medicamentos,
determinen qué mutaciones genéticas provocan ciertos tipos de cáncer y secuencian nuestro
microbioma. Para hacer posible la medicina de precisión, la IA y el ML son fundamentales, ya que
pueden dar sentido a cantidades masivas de datos clínicos, genómicos y de imágenes, lo que ayuda a
mejorar la eficiencia de los médicos, aumentar la precisión del diagnóstico y personalizar el
tratamiento [22, 25].

Además, los sistemas basados en IA están preparados para aumentar la eficiencia diagnóstica
también en otras áreas de la medicina. Tales sistemas basados en IA tendrán un impacto positivo en
varios campos de diagnóstico, que incluyen “radiología (interpretación de CT, MRI y mamografía),
patología (diagnósticos microscópicos y citológicos), dermatología (evaluación de lesiones para
melanoma potencial), y oftalmología (examen de los vasos de la retina para predecir el riesgo de
retinopatía diabética y enfermedad cardiovascular)”. Según la Sociedad Estadounidense del Cáncer,
aproximadamente la mitad de las mujeres que se realizan mamografías anuales durante un período
de 10 años tendrán un resultado falso positivo. Las mamografías con falsos positivos pueden causar
ansiedad y, a menudo, conducen a pruebas innecesarias, como resonancias magnéticas, ecografías e
incluso biopsias invasivas para asegurarse de que no haya cáncer, lo que cuesta tiempo y dinero,
además de molestias físicas [22, 25].

Otra área en la que se espera que los sistemas basados en IA tengan un impacto es en la cirugía
robótica, la cual puede ayudar a los cirujanos a tratar a los pacientes con precisión, menor pérdida
de sangre y menos dolor. Reduce la posibilidad de trauma tisular porque el sistema robótico reduce
las fuerzas de agarre debido a la retroalimentación táctil y brinda al cirujano la oportunidad de
realizar una cirugía remota. Los robots habilitados con IA pueden ayudar a reducir las variaciones del
cirujano que podrían afectar la recuperación del paciente [22, 25].

Por último, los dispositivos portátiles para el cuidado de la salud (denominados colectivamente
Internet de las cosas en el cuidado de la salud), desde rastreadores de actividad física hasta
monitores portátiles de presión arterial e insulina, permitirán la atención médica administrada de
forma remota mediante la alimentación directa de datos no solo en planes de tratamiento
individuales y EMR, sino también en sistemas de análisis asistidos por IA más grandes. Esto permitirá
la gestión y el control en el hogar de las condiciones agudas, lo que permitirá a los médicos tomar
mejores decisiones de tratamiento [22, 25].

3.4 Implicaciones éticas del monitoreo continuo

Para recalcar, la tecnología médica es uno de los mercados más prometedores del siglo XXI, con un
valor de mercado estimado que se acerca rápidamente a los mil millones de dólares en 2019. Un
porcentaje cada vez mayor de los ingresos se debe a la venta minorista de dispositivos médicos
(como dispositivos de monitorización cardíaca) para una población más joven, que no es el perfil de
consumidor objetivo principal (porque es menos probable que aparezcan problemas de salud como
la fibrilación auricular). Debido a este fenómeno, Internet of Things (IoT) está redefiniendo el
concepto de individuo saludable como una combinación del yo cuantificado (indicadores personales

14
codificados en el teléfono inteligente o dispositivo portátil) y una serie de parámetros de estilo de
vida proporcionados por el dispositivo portátil (monitoreo de actividad, control de peso, etc.) [26].

Además, en los últimos años varias empresas de wearables han cerrado importantes acuerdos con
compañías de seguros o gobiernos para organizar una distribución a gran escala de estos productos:
este tipo de iniciativas están dirigidas principalmente a inducir el cambio de estilo de vida en grandes
poblaciones. Si bien los países occidentales continúan evolucionando hacia sistemas de salud
centrados en la responsabilidad individual del paciente hacia su propia salud y bienestar, se discuten
con frecuencia las implicaciones éticas del monitoreo médico continuo con dispositivos médicos a
través del Internet de las cosas. Por ejemplo, el monitoreo continuo y las violaciones de la privacidad
tienen el potencial de aumentar el estigma en torno a los ciudadanos con enfermedades crónicas o
más desfavorecidos y posiblemente penalizar a aquellos ciudadanos que no puedan adoptar nuevos
estándares de estilo de vida saludable, ya sea reduciendo el acceso al seguro y la atención médica;
poco o ningún debate se ha centrado en estos peligros potenciales y cruciales en la formulación de
políticas de salud [26].

En este marco tecnopolítico, el tema de la protección y propiedad de los datos se vuelve cada vez
más crucial, aunque tiene más de dos décadas. En la literatura se describen varias actitudes hacia la
propiedad de los datos: aunque algunos trabajos abogan por la propiedad común de los datos de los
pacientes para beneficiarse de los enfoques de medicina personalizada, el consenso se está
desplazando hacia la propiedad del paciente, ya que tiene efectos positivos en la participación del
paciente, así como en la salud. puede mejorar el intercambio de información si se desarrolla un
acuerdo de uso de datos entre el paciente y los profesionales de la salud [26].

3.5 Desafíos en la implementación de IA en el cuidado de la salud

Habrá varios desafíos para la implementación de la IA en el cuidado de la salud. Con fines
ilustrativos, nos centraremos en tres: el problema de la caja negra, el sobreajuste y la aprobación
regulatoria [27].

3.5.1 Caja negra

Hay que mencionar que investigadores del Hospital Mount Sinai han creado un algoritmo de
aprendizaje profundo que se entrenó con los datos de 700.000 pacientes. Este algoritmo fue capaz
de predecir la aparición de una enfermedad como la esquizofrenia con gran precisión. Esto es aún
más impresionante considerando el hecho de que esta condición es difícil de diagnosticar incluso
para los expertos. El principal problema con este algoritmo es que no hay forma de saber cómo el
sistema creó esta predicción y qué factores se tomaron en consideración. Este fenómeno se llama la
caja negra [28].

No sería un precedente en medicina, sin embargo, es difícil confiar en un sistema cuando no se

entiende cómo funciona. El médico debe comprender las entradas y el algoritmo e interpretar el
diagnóstico propuesto por la IA para garantizar que no se cometan errores. También debemos
comprender cuáles son las consecuencias o los efectos secundarios no deseados de la medicina de
caja negra, incluso cuando se pueden demostrar buenos resultados frente a un estándar de atención
[28].

3.5.2 Sobreajuste

El sobreajuste, por otro lado, es cuando los algoritmos de IA, entrenados en un conjunto de datos,
tienen una aplicabilidad limitada a otros conjuntos de datos. Esto se debe a que el algoritmo ha
aprendido la variación estadística de los datos de entrenamiento, a diferencia de los conceptos

15
generales necesarios para resolver un problema. El determinante clave del sobreajuste es el
sobreentrenamiento de un algoritmo en un conjunto de datos específico. Varios factores influyen en
la probabilidad de sobreajuste, incluido el tamaño del conjunto de datos, el grado de
heterogeneidad dentro del conjunto de datos y la distribución de los datos dentro del conjunto de
datos [27].

Por ejemplo, un modelo puede estar sobreajustado si la prevalencia y la incidencia de la enfermedad

difieren significativamente entre los conjuntos de entrenamiento y prueba, o si los conjuntos de
entrenamiento y prueba se adquirieron con parámetros o equipos sustancialmente diferentes, lo
que puede verse agravado por el pequeño tamaño de la muestra. Después del entrenamiento, los
algoritmos pueden examinarse para detectar sobreajustes probándolos en múltiples conjuntos de
datos diferentes; en un algoritmo que sufre de sobreajuste, uno esperaría que su precisión, medida
por el AUC, fuera significativamente peor en conjuntos de datos que no tienen el mismo origen que
los datos de entrenamiento [27].

3.5.3 Aprobación regulatoria

Finalmente, la aprobación regulatoria supondrá un desafío para los nuevos algoritmos de IA. La IA
médica, al igual que los medicamentos y los dispositivos médicos, estará regulada por la FDA. Tanto
el problema de la caja negra como el sobreajuste se combinan para crear barreras para la
aprobación regulatoria, ya que los evaluadores enfrentan dificultades para determinar cómo
funcionan los algoritmos y si su desempeño es generalizable a otros conjuntos de datos [27].

Por otro lado, la FDA clasifica las nuevas herramientas de IA sobre la base de tres criterios: riesgo
para la seguridad del paciente, la existencia de un algoritmo predicado y el grado de intervención
humana. Los algoritmos que se consideran de alto riesgo, como las herramientas de diagnóstico en
las que las consecuencias de un diagnóstico erróneo son graves y en las que el aporte humano es
mínimo, se someten a una evaluación mediante la vía de aprobación previa a la comercialización,
que requiere pruebas sustanciales de estudios clínicos y no clínicos de que el nueva herramienta es
segura y eficaz. Algunas tecnologías de menor riesgo pueden evaluarse mediante la vía De Novo, que
está diseñada para la aprobación de dispositivos revolucionarios [27].

3.5.4 Privacidad y control sobre los datos

El desarrollo de algoritmos de IA casi por regla general requiere datos de un gran número de
pacientes. Google, por ejemplo, está utilizando 46 000 millones de puntos de datos recopilados de
216 221 datos anonimizados de adultos durante 11 años combinados de 2 hospitales para predecir
los resultados de los pacientes hospitalizados. Esto plantea muchas preocupaciones, incluidas las
relacionadas con la privacidad y el control del paciente. ¿Qué sucede si un paciente no quiere
participar en un estudio donde su información se utiliza en el desarrollo de algoritmos? En la Unión
Europea, el Derecho al Olvido permitiría borrar los datos personales cuando el paciente haya
retirado su consentimiento [28].

En situaciones en las que los datos de los pacientes son limitados, los desarrolladores de algoritmos
entrenan los modelos en datos sintéticos o hipotéticos, con el riesgo de generar recomendaciones
de tratamiento inseguras e incorrectas. Finalmente, los sistemas de IA también son vulnerables a los
ataques de ciberseguridad que podrían causar que el algoritmo clasifique erróneamente la
información médica [28].

Por otra parte, los deepfakes son una forma cada vez más generalizada de medios sintetizados por
IA (imágenes, audio y video); de hecho, las redes antagónicas generativas (GAN) como las utilizadas

16
por el software deepfake facewap permiten a los usuarios hacerse pasar por cualquier persona a
través de la apariencia y la voz. Sin embargo, en el cuidado de la salud, la proliferación de deepfakes
es un punto ciego; las medidas actuales para preservar la privacidad, autenticación y seguridad del
paciente son insuficientes. Por ejemplo, los algoritmos para la generación de falsificaciones
profundas también se pueden usar para hacerse pasar por pacientes y explotar la información de
salud protegida (PHI), para facturar falsamente a las aseguradoras de salud basándose en datos de
imágenes para la aprobación de reclamos de seguros y para manipular imágenes enviadas desde el
hospital a un proveedor de seguros para activar una solicitud de reembolso por un procedimiento
más costoso [29].

3.5.5 Falta de normas para el uso de la inteligencia artificial en la atención al paciente y

responsabilidad civil

Otra cuestión no resuelta relacionada con el uso de la IA en el cuidado de la salud es la

responsabilidad por las predicciones de un algoritmo. No está claro quién es responsable cuando un
paciente experimenta un daño grave debido a una predicción inexacta. Se podría argumentar a favor
de cualquiera de las partes involucradas: el médico, el hospital, la empresa que desarrolló el
software, la persona que desarrolló el software o incluso la persona que entregó los datos. Todavía
se están desarrollando estándares para el uso de la IA en el cuidado de la salud. Se deben desarrollar
nuevos estándares para la atención clínica, la calidad, la seguridad, la mala práctica y las pautas de
comunicación para permitir un mayor uso de la IA. Un sistema de inteligencia artificial
recientemente lanzado para la detección autónoma de la retinopatía diabética incluye un seguro de
negligencia médica y de responsabilidad civil. Como uso de IA y uso proactivo de herramientas como
chatbots aumenta, los médicos y los pacientes deberán ser conscientes de las fortalezas y
limitaciones de tales tecnologías y recibir capacitación sobre cómo usarlas de manera efectiva y
segura [28].

En conjunto, la confianza en la tecnología médica está estrechamente relacionada con su utilidad

prevista. Las interrupciones del flujo de trabajo clínico actual inevitablemente se enfrentarán a la
inercia, y si surge la percepción de que hay consecuencias adversas de una nueva tecnología,
entonces la barrera para cualquier tecnología similar se volverá casi insuperable. Este problema se
vuelve especialmente complicado si la tecnología es compleja o si los detalles de implementación
son patentados, de modo que el público en general o incluso los expertos en el campo no pueden
evaluar completamente su eficacia y peligro potencial en función de la información que recibieron
[30].

Además, los sistemas de IA podrían perpetuar el sesgo racial, ya que los sesgos existen en los datos
históricos, lo que da como resultado una parcialidad en los métodos computacionales
aparentemente "objetivos". Las controversias en curso basadas en datos con respecto a las causas
de los malos resultados de salud entre las poblaciones desfavorecidas (es decir, acceso diferencial
frente a riesgos de salud biológicos diferenciales) ilustran cuán difícil es evitar la confusión en el
análisis de los datos de salud observacionales. Prestar mucha más atención a la calidad y la
procedencia de los datos, una propuesta costosa, contribuirá en gran medida a fomentar la
"confianza del paciente" en los sistemas médicos de IA y a evitar un desempeño médico poco ético,
aunque solo sea por negligencia [30].

Por último, pero no menos importante, incluso si un sistema de IA está diseñado para asesorar a los
médicos humanos, en lugar de llevar a cabo las tareas de diagnóstico o tratamiento reales, aún
puede tener consecuencias no deseadas perjudiciales, como el sesgo de confirmación y la fatiga de
alerta. Conjuntamente, la información de advertencia excesiva dará como resultado fatiga de alerta,

17
y los profesionales sin experiencia pueden reaccionar de forma exagerada a los mensajes de
advertencia. Como tal, los desarrolladores de IA deben prestar atención al uso clínico de los sistemas
automatizados, incluso si los sistemas solo desempeñan un papel de asesoramiento. Para abordar
estos desafíos, los investigadores deben reconocer y abordar las limitaciones del paradigma actual
de aprendizaje automático basado en asociaciones y garantizar el control de calidad de las
aplicaciones basadas en IA en diversos entornos clínicos y poblaciones de pacientes [30].

18
 Conclusiones
En conclusión, la inteligencia artificial es una tecnología que se está adoptando rápidamente en
muchas industrias principalmente para mejorar el rendimiento, la precisión y la eficiencia del
tiempo, así como para reducir los costos. En medicina, esta tecnología se traduce en una mejor
atención al paciente a través de una detección y diagnóstico más tempranos, un mejor flujo de
trabajo, lo que reduce los errores médicos, reduce los costos médicos y reduce la morbilidad y la
mortalidad. El aprendizaje automático no pretende reemplazar a los médicos humanos, sino que
ayuda o aumenta la atención médica. La asistencia de IA en diversas áreas de la medicina puede
reducir el tiempo que transcurre desde el examen hasta los resultados debido a lecturas más rápidas
y capacidad de trabajo 24 horas al día, 7 días a la semana.

Además, el software de IA no se ve obstaculizado por problemas humanos como la fatiga u otras

interrupciones ambientales que pueden ralentizarlo o reducir su precisión, incluso, el aumento de la
carga de trabajo en medicina combinado con la mano de obra insuficiente también puede
beneficiarse de la incorporación de IA en el flujo de trabajo. Después de esta evaluación preliminar
de IA, los médicos podrían utilizar los datos para determinar el diagnóstico en lugar de ocuparse de
tareas que consumen mucho tiempo. Esto a su vez proporcionará resultados subjetivos, más
cuantitativos y reproducibles, reduciendo así la variabilidad. El software de IA basado en video, sobre
todo en gastroenterología, ayudará en la identificación de patologías que de otro modo los humanos
podrían pasar por alto, evitando diagnósticos erróneos y promoviendo diagnósticos más tempranos.

También, el concepto de IA que alerta al médico humano sobre un campo específico de una imagen
que de otro modo podría pasarse por alto puede mejorar el resultado del paciente, acortando así la
curva de aprendizaje de los médicos menos experimentados. En cirugía, la próxima tendencia de la
aplicación de IA puede ser a través de la introducción de asistentes quirúrgicos laparoscópicos que
pueden identificar variaciones anatómicas similares a las aplicaciones de IA en GI. Sin embargo, es
importante señalar que, contrariamente a la creencia popular, la incorporación de la IA en la
medicina o la cirugía no eliminará el papel del médico humano.

Muy por el contrario, los sistemas médicos aumentados por IA servirán para mejorar el flujo de
trabajo y brindar resultados más seguros, consistentes y cuantitativos basados en decisiones basadas
en el conocimiento. El camino para implementar la IA aún es largo, lleno de varios problemas que
deben abordarse en el camino, incluidas las aprobaciones de la FDA, cuestiones éticas relacionadas
con el intercambio de datos, así como abordar los conceptos erróneos del público en relación con la
IA. El concepto de usar IA en medicina debe ser como un sistema de apoyo a la decisión con la acción
final de los humanos.

19
 Bibliografía

[1] B. Meskó y M. Görög, «A short guide for medical professionals in the era of artificial
intelligence,» npj Digital Medicine 2020 3:1, vol. 3, nº 1, pp. 1-8, 9 2020.

[2] V. Kaul, S. Enslin y S. A. Gross, «History of artificial intelligence in medicine,» Gastrointestinal

Endoscopy, vol. 92, nº 4, pp. 807-812, 10 2020.

[3] E. Ahmed, A. E. Sadik y A. A. Waleed, «Experience of e-learning and online assessment during
the COVID-19 pandemic at the College of Medicine, Qassim University,» Journal of Taibah
University Medical Sciences, vol. 15, nº 6, pp. 456-462, 2020.

[4] J. Grunhut, A. T. Wyatt y O. Marques, «Educating Future Physicians in Artificial Intelligence (AI):
An Integrative Review and Proposed Changes,» Journal of Medical Education and Curricular
Development, vol. 8, p. 238212052110368, 1 2021.

[5] M. J. Rigby, «Ethical dimensions of using artificial intelligence in health care,» AMA Journal of
Ethics, vol. 21, nº 2, pp. 121-124, 2 2019.

[6] Y. Guo, Z. Hao, S. Zhao, J. Gong y F. Yang, «Artificial Intelligence in Health Care: Bibliometric
Analysis,» J Med Internet Res 2020;22(7):e18228 https://www.jmir.org/2020/7/e18228, vol. 22,
nº 7, p. e18228, 7 2020.

[7] M. E. Matheny, D. Whicher y S. Thadaney Israni, «Artificial Intelligence in Health Care: A Report
From the National Academy of Medicine,» JAMA, vol. 323, nº 6, pp. 509-510, 2 2020.

[8] K. Aaron, O. Rodney, C.-W. Holly, J. Jaime, M. David, W. Stephen, Y. Lainie, J. Stephen y K. Josh,
«The Flipped Classroom: A Critical Appraisal,» West J Emerg Med, vol. 20, nº 3, pp. 527-532,
2019.

[9] P. P. Angelov, E. A. Soares, R. Jiang, N. I. Arnold y P. M. Atkinson, «Explainable artificial

intelligence: an analytical review,» Wiley Interdisciplinary Reviews: Data Mining and Knowledge
Discovery, vol. 11, nº 5, p. e1424, 9 2021.

[10] D. Minh, H. X. Wang, Y. F. Li y T. N. Nguyen, «Explainable artificial intelligence: a comprehensive

review,» Artificial Intelligence Review 2021 55:5, vol. 55, nº 5, pp. 3503-3568, 11 2021.

[11] J. P. Halcox, K. Wareham, A. Cardew, M. Gilmore, J. P. Barry, C. Phillips y M. B. Gravenor,

«Assessment of remote heart rhythm sampling using the AliveCor heart monitor to screen for
atrial fibrillation the REHEARSE-AF study,» Circulation, vol. 136, nº 19, pp. 1784-1794, 2018.

[12] M. P. Turakhia, M. Desai, H. Hedlin, A. Rajmane, N. Talati, T. Ferris, S. Desai, D. Nag, M. Patel, P.
Kowey, J. S. Rumsfeld, A. M. Russo, M. T. Hills, C. B. Granger, K. W. Mahaffey y M. V. Perez,
«Rationale and design of a large-scale, app-based study to identify cardiac arrhythmias using a
smartwatch: The Apple Heart Study,» American Heart Journal, vol. 207, pp. 66-75, 1 2019.

[13] P. I. Dorado-Díaz, J. Sampedro-Gómez, V. Vicente-Palacios y P. L. Sánchez, «Applications of

Artificial Intelligence in Cardiology. The Future is Already Here,» Revista Española de
Cardiología (English Edition), vol. 72, nº 12, pp. 1065-1075, 12 2019.

[14] M. Topalovic, N. Das, P.-R. Burgel, M. Daenen, E. Derom, C. Haenebalcke, R. Janssen, H. A. M.

Kerstjens, G. Liistro, R. Louis, V. Ninane, C. Pison, M. Schlesser, P. Vercauter, C. F. Vogelmeier, E.
Wouters, J. Wynants y W. Janssens, «Artificial intelligence outperforms pulmonologists in the
interpretation of pulmonary function tests,» Eur Respir J, vol. 53, p. 1801660, 2019.

20
[15] J. Lawton, M. Blackburn, J. Allen, F. Campbell, D. Elleri, L. Leelarathna, D. Rankin, M.
Tauschmann, H. Thabit y R. Hovorka, «Patients' and caregivers' experiences of using continuous
glucose monitoring to support diabetes self-management: Qualitative study,» BMC Endocrine
Disorders, vol. 18, nº 1, pp. 1-10, 2 2018.

[16] O. Niel y P. Bastard, «Artificial Intelligence in Nephrology: Core Concepts, Clinical Applications,
and Perspectives,» American Journal of Kidney Diseases, vol. 74, nº 6, pp. 803-810, 12 2019.

[17] Y. J. Yang y C. S. Bang, «Application of artificial intelligence in gastroenterology,» World Journal

of Gastroenterology, vol. 25, nº 14, pp. 1666-1683, 2019.

[18] G. Regalia, F. Onorati, M. Lai, C. Caborni y R. W. Picard, «Multimodal wrist-worn devices for
seizure detection and advancing research: Focus on the Empatica wristbands,» Epilepsy
Research, vol. 153, pp. 79-82, 7 2019.

[19] E. Bruno, S. Simblett, A. Lang, A. Biondi, C. Odoi, A. Schulze-Bonhage, T. Wykes y M. P.

Richardson, «Wearable technology in epilepsy: The views of patients, caregivers, and
healthcare professionals,» Epilepsy and Behavior, vol. 85, pp. 141-149, 8 2018.

[20] E. R. Dorsey, A. M. Glidden, M. R. Holloway, G. L. Birbeck y L. H. Schwamm, «Teleneurology and

mobile technologies: the future of neurological care,» Nature Reviews Neurology 2018 14:5,
vol. 14, nº 5, pp. 285-297, 4 2018.

[21] G. Campanella, M. G. Hanna, L. Geneslaw, A. Miraflor, V. Werneck Krauss Silva, K. J. Busam, E.

Brogi, V. E. Reuter, D. S. Klimstra y T. J. Fuchs, «Clinical-grade computational pathology using
weakly supervised deep learning on whole slide images,» Nature Medicine 2019 25:8, vol. 25,
nº 8, pp. 1301-1309, 7 2019.

[22] A. S. Ahuja y C. E. Schmidt, «The impact of artificial intelligence in medicine on the future role
of the physician,» PeerJ, vol. 7, nº 10, p. e7702, 10 2019.

[23] X. Liu, L. Faes, A. U. Kale, S. K. Wagner, D. J. Fu, A. Bruynseels, T. Mahendiran, G. Moraes, M.

Shamdas, C. Kern, J. R. Ledsam, M. K. Schmid, K. Balaskas, E. J. Topol, L. M. Bachmann, P. A.
Keane y A. K. Denniston, «A comparison of deep learning performance against health-care
professionals in detecting diseases from medical imaging: a systematic review and meta-
analysis,» The Lancet Digital Health, vol. 1, nº 6, pp. e271-e297, 10 2019.

[24] K. Masters, «Artificial intelligence in medical education,»

https://doi.org/10.1080/0142159X.2019.1595557, vol. 41, nº 9, pp. 976-980, 9 2019.

[25] J. He, S. L. Baxter, J. Xu, J. Xu, X. Zhou y K. Zhang, «The practical implementation of artificial
intelligence technologies in medicine,» Nature Medicine 2019 25:1, vol. 25, nº 1, pp. 30-36, 1
2019.

[26] G. Briganti y O. Le Moine, «Artificial Intelligence in Medicine: Today and Tomorrow,» Frontiers
in Medicine, vol. 7, p. 509744, 2 2020.

[27] S. Kulkarni, N. Seneviratne, M. S. Baig y A. H. A. Khan, «Artificial Intelligence in Medicine: Where

Are We Now?,» Academic Radiology, vol. 27, nº 1, pp. 62-70, 1 2020.

[28] K. Paranjape, M. Schinkel, R. N. Panday, J. Car y P. Nanayakkara, «Introducing Artificial

Intelligence Training in Medical Education,» JMIR Med Educ 2019;5(2):e16048
https://mededu.jmir.org/2019/2/e16048, vol. 5, nº 2, p. e16048, 12 2019.

[29] R. J. Chen, M. Y. Lu, T. Y. Chen, D. F. Williamson y F. Mahmood, «Synthetic data in machine

21
 learning for medicine and healthcare,» Nature Biomedical Engineering 2021 5:6, vol. 5, nº 6, pp.
493-497, 6 2021.

[30] K. H. Yu y I. S. Kohane, «Framing the challenges of artificial intelligence in medicine,» BMJ

Quality & Safety, vol. 28, nº 3, pp. 238-241, 3 2019.

22