Accede a apuntes, guías, libros y más de tu carrera

Inteligenia artificial en medicina: hoy y mañana

6 pag.

Descargado por José Alezandro Aguilar Valenzuela

(alezandroavg64@gmail.com)
Encuentra más documentos en www.udocz.com

Editado por:
Enrico Capobianco,
Universidad de Miami, Estados Unidos
Revisado por:
Marco Diego Dominietto,
Paul Scherrer Institut (PSI),
Suiza
Marian Klinger,
Universidad de Opole, Polonia
* Correspondencia:
Giovanni Briganti
giovanni.briganti@hotmail.com
† Estos autores han contribuido
igualmente a este trabajo
Sección de especialidad:
Este artículo fue enviado a
Medicina Traslacional,
una sección de la revista
Frontiers in Medicine
Recibió: 03 noviembre 2019
Aceptado: 17 de enero de 2020
Publicado: 05 febrero 2020
Citación:
Briganti G y Le Moine O (2020) Inteligencia
artificial en medicina:
Hoy y mañana.
Parte delantera. Medicina. 7:27.
doi: 10.3389 / fmed.2020.00027
Fronteras en Medicina | www.frontiersin.org
PERSPECTIVA
publicado: 05 de febrero de 2020 doi:
10.3389 / fmed.2020.00027
Inteligencia artificial en medicina: hoy y
mañana
Giovanni Briganti 1,2 * † y Olivier Le Moine 1,3 †
1 Informática Médica, Facultad de Medicina, Université Libre de Bruxelles, Bruselas, Bélgica, 2 Unidad de Epidemiología, Bioestadística e Investigación Clínica,
Facultad de Salud Pública, Université Libre de Bruxelles, Bruselas, Bélgica, 3 Hopital Erasme, Université Libre de Bruxelles, Bruselas, Bélgica
Las tecnologías médicas impulsadas por inteligencia artificial están evolucionando rápidamente hacia soluciones aplicables
para la práctica clínica. Los algoritmos de aprendizaje profundo pueden lidiar con cantidades cada vez mayores de datos
proporcionados por dispositivos portátiles, teléfonos inteligentes y otros sensores de monitoreo móvil en diferentes áreas
de la medicina. Actualmente, solo los entornos muy específicos en la práctica clínica se benefician de la aplicación de la
inteligencia artificial, como la detección de fibrilación auricular, convulsiones epilépticas e hipoglucemia, o el diagnóstico de
enfermedad basado en un examen histopatológico o imágenes médicas. La implementación de la medicina aumentada es
muy esperada por los pacientes porque permite una mayor autonomía y un tratamiento más personalizado, sin embargo,
se encuentra con resistencias por parte de médicos que no estaban preparados para tal evolución de la práctica clínica.
Este fenómeno también crea la necesidad de validar estas herramientas modernas con ensayos clínicos tradicionales,
debatir la actualización educativa del plan de estudios médico a la luz de la medicina digital, así como la consideración
ética del monitoreo conectado continuo. El objetivo de este artículo es discutir la literatura científica reciente y proporcionar
una perspectiva sobre los beneficios, las oportunidades futuras y los riesgos de las aplicaciones de inteligencia artificial
establecidas en la práctica clínica de médicos, instituciones de salud, educación médica y bioética.
Palabras clave: medicina digital, salud móvil, tecnologías médicas, inteligencia artificial, monitoreo.
1. INTRODUCCIÓN
La expresión “Tecnología Médica” se utiliza ampliamente para abordar una variedad de herramientas que pueden permitir a los profesionales de
la salud brindar a los pacientes y a la sociedad una mejor calidad de vida mediante la realización de un diagnóstico temprano, la reducción de
complicaciones, la optimización del tratamiento y / o la provisión de opciones menos invasivas, y reduciendo la duración de la hospitalización. Si
bien, antes de la era móvil, las tecnologías médicas se conocían principalmente como dispositivos médicos clásicos (p. Ej., Prótesis, stents,
implantes), la aparición de teléfonos inteligentes, dispositivos portátiles, sensores y sistemas de comunicación ha revolucionado la medicina con
la capacidad de contener inteligencia artificial (IA ) herramientas motorizadas (como aplicaciones) en tamaños muy pequeños ( 1 ). La IA ha
revolucionado las tecnologías médicas y puede entenderse comúnmente como la parte de la informática que es capaz de abordar problemas
complejos con muchas aplicaciones en áreas con una gran cantidad de datos pero poca teoría ( 2 ).
Las tecnologías médicas inteligentes (es decir, impulsadas por la inteligencia artificial) han sido recibidas con entusiasmo por la población
en general, en parte porque permiten un modelo de medicina 4P (predictivo, preventivo, personalizado y participativo) y, por lo tanto, la
autonomía del paciente, de formas que no podrían ser posibles. ( 3 ); los teléfonos inteligentes se están convirtiendo, por ejemplo, en el elemento
de referencia para llenar y distribuir un registro de salud personal electrónico ( 4 ), monitorea las funciones vitales con biosensores ( 5 ) y
ayudando a alcanzar un cumplimiento terapéutico óptimo ( 6 ), por lo que se le otorga al paciente la mancha como actor principal de la
1 Febrero de 2020 | Volumen 7 | Artículo 27
Descargado por José Alezandro Aguilar Valenzuela
(alezandroavg64@gmail.com)
Encuentra más documentos en www.udocz.com
Briganti y Le Moine
vía de atención. El desarrollo de tecnologías médicas inteligentes está permitiendo el
desarrollo de un nuevo campo en la medicina: la medicina aumentada, es decir, el uso de
nuevas tecnologías médicas para mejorar diferentes aspectos de la práctica clínica. Varios
algoritmos basados en IA han sido aprobados en la última década por la Administración
de Alimentos y Medicamentos (FDA) y, por lo tanto, podrían implementarse. La medicina
aumentada no solo está habilitada por tecnologías basadas en inteligencia artificial, sino
también por otras herramientas digitales, como los sistemas de navegación quirúrgica para
la cirugía asistida por computadora ( 7 ), herramientas continuas de virtualidad-realidad para
cirugía, manejo del dolor y trastornos psiquiátricos ( 8 - 10 ).
Aunque el campo de la medicina aumentada parece tener éxito con los pacientes,
puede encontrar cierta resistencia por parte de los profesionales de la salud, en
particular de los médicos: en relación con este fenómeno, deben proporcionarse cuatro
razones ampliamente discutidas. En primer lugar, la falta de preparación en cuanto al
potencial de la medicina digital se debe a la evidente falta de educación básica y
continua en esta disciplina ( 11 ). En segundo lugar, la digitalización temprana de los
procesos de atención médica, muy diferente de la promesa de la medicina aumentada,
vino con un fuerte aumento de la carga administrativa principalmente relacionada con
los registros médicos electrónicos ( 12 ), que ha llegado a ser conocido como uno de los
principales componentes del agotamiento médico ( 13 ). En tercer lugar, existe un temor
creciente en cuanto al riesgo de que la IA reemplace a los médicos ( 14 ), aunque la
opinión actual y generalizada en la literatura es que la IA complementará la inteligencia
del médico en el futuro ( 15 , dieciséis ). Cuarto, la actual falta mundial de un marco legal
que defina el concepto de responsabilidad en el caso de adopción o rechazo de
recomendaciones de algoritmos deja al médico expuesto a posibles resultados legales
al usar IA ( 17 ).
Debido a la falta de educación en medicina digital, varias escuelas de medicina
privadas están preparando a sus futuros líderes médicos para el desafío de la medicina
aumentada, ya sea asociando el plan de estudios médico con el plan de estudios de
ingeniería o implementando la alfabetización en salud digital y su uso en un plan de
estudios actualizado ( 18 ).
El objetivo de este documento es resumir los desarrollos recientes de la IA en la
medicina, proporcionar los principales casos de uso en los que las tecnologías médicas
impulsadas por la IA ya se pueden utilizar en la práctica clínica y las perspectivas sobre
los desafíos y riesgos que enfrentan los profesionales de la salud y las instituciones al
implementar Medicina aumentada, tanto en la práctica clínica como en la formación de
futuros líderes médicos.
2. APLICACIONES ACTUALES DE
INTELIGENCIA ARTIFICIAL EN MEDICINA
2.1. Cardiología
2.1.1. Fibrilación auricular
La detección precoz 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 una monitorización de ECG basada en teléfonos inteligentes y la
detección de fibrilación auricular. El reciente estudio REHEARSE-AF ( 19 ) demostraron que la
monitorización ECG remota con Kardia en pacientes ambulatorios tiene más probabilidades
de identificar la fibrilación auricular que la atención de rutina. Apple también obtuvo la
aprobación de la FDA para su Apple Watch 4 que permite
Fronteras en Medicina | www.frontiersin.org
Descargado por José Alezandro Aguilar Valenzuela
(alezandroavg64@gmail.com)
Encuentra más documentos en www.udocz.com
IA en medicina: hoy y mañana
para 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 ( 20 ). Se
han abordado varias críticas de las tecnologías de ECG portátiles y portátiles ( 21 ),
destacando las limitaciones para su uso, como la tasa de falsos positivos originada
por artefactos de movimiento, y las barreras en la adopción de tecnología portátil en
los pacientes ancianos que tienen más probabilidades de sufrir de fibrilación auricular.
2.1.2. Riesgo cardiovascular
Aplicada a los registros electrónicos de los pacientes, la IA se ha utilizado para predecir el
riesgo de enfermedad cardiovascular, por ejemplo, el síndrome coronario agudo ( 22 ) e
insuficiencia cardíaca ( 23 ) mejor que las escalas tradicionales. Revisiones completas recientes
( 24 ) han informado, sin embargo, cómo los resultados pueden variar según el tamaño de la
muestra utilizada en el informe de investigación.
2.2. Medicina Pulmonar
Se ha informado que la interpretación de las pruebas de función pulmonar es un campo
prometedor para el desarrollo de aplicaciones de la IA en la medicina pulmonar. Un estudio
reciente ( 25 ) informó cómo el software basado en IA proporciona una interpretación más
precisa y sirve como una herramienta de apoyo a la decisión en el caso de interpretar los
resultados de las pruebas de función pulmonar. El estudio recibió varias críticas, una de
las cuales ( 26 ) informó cómo la tasa de diagnóstico certero en los neumólogos que
participaron en el estudio fue considerablemente más baja que el promedio del país.
2.3. Endocrinología
La monitorización continua 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 velocidad
de cambio de los niveles de glucosa en sangre ( 27 ) Medtronic recibió la aprobación de la FDA
para su sistema Guardian para el monitoreo de glucosa, que está emparejado con teléfonos
inteligentes ( 28 ). En 2018, la compañía se asoció con Watson (IA desarrollada por IBM) para
su sistema Sugar.IQ para ayudar a sus clientes a prevenir mejor los episodios hipoglucémicos
basados en mediciones repetidas. La monitorización continua de la glucosa en sangre puede
permitir a los pacientes optimizar su control de la glucosa en sangre y reducir el estigma
asociado con los episodios hipoglucémicos; sin embargo, un estudio que se centró en la
experiencia del paciente con la monitorización de la glucosa informó que los participantes,
aunque expresaban confianza en las notificaciones, también declaraban sentimientos de
incapacidad personal para regular el nivel de glucosa ( 27 ).
2.4. Nefrologia
La inteligencia artificial se ha aplicado en varios ámbitos de la nefrología clínica. Por
ejemplo, se ha demostrado su utilidad para predecir la disminución de la tasa de
filtración glomerular en pacientes con poliquistosis renal ( 29 ) y para establecer el riesgo
de nefropatía progresiva por IgA ( 30 ). Sin embargo, una revisión reciente informa cómo
en este momento la investigación está limitada por el tamaño de muestra necesario
para la inferencia ( 31 ).
2.5. Gastroenterología
La especialidad de gastroenterología se beneficia de una amplia gama de
aplicaciones de IA en entornos clínicos. Los gastroenterólogos hicieron uso de redes
neuronales convolucionales entre otros modelos de aprendizaje profundo para
procesar imágenes de endoscopia y
2 Febrero de 2020 | Volumen 7 | Artículo 27
Briganti y Le Moine
ultrasonido 32 ) y detectar estructuras anormales como pólipos colónicos ( 33 ). Las redes
neuronales artificiales también se han utilizado para diagnosticar la enfermedad por
reflujo gastroesofágico ( 34 ) y gastritis atrófica ( 35 ), así como para predecir resultados
en hemorragia gastrointestinal ( 36 ), supervivencia del cáncer de esófago ( 37 ),
enfermedad inflamatoria intestinal ( 38 ) y metástasis en cáncer colorrectal ( 39 ) y
carcinoma de células escamosas de esófago ( 40 ).
2.6. Neurología
2.6.1. Epilepsia
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 dispositivo portátil
Embrace, 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 ( 41 ).
Un informe centrado en la experiencia del paciente reveló que, a diferencia de los dispositivos
portátiles de monitorización cardíaca, los pacientes que padecían epilepsia no tenían barreras
en la adopción de dispositivos de detección de convulsiones e informaron un gran interés en el
uso de dispositivos portátiles ( 42 ).
2.6.2. Evaluación de la marcha, la postura y el temblor
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 ( 43 ).
2.7. Diagnóstico computacional del cáncer en histopatología
Paige.ai ha recibido el estatus de avance de la FDA por un algoritmo basado en inteligencia
artificial que es capaz de diagnosticar el cáncer en histopatología computacional con gran
precisión, lo que permite al patólogo ganar tiempo para concentrarse en diapositivas
importantes ( 44 ).
2.8. Imágenes médicas y validación de tecnologías basadas en
inteligencia artificial
Un metaanálisis largamente esperado comparó el desempeño del software de aprendizaje
profundo y los radiólogos en el campo del diagnóstico basado en imágenes ( 45 ): aunque el
aprendizaje profundo parece ser tan eficiente como el radiólogo para el diagnóstico, los
autores señalaron que se encontró que el 99% de los estudios no tenían un diseño
confiable; Además, solo una milésima parte de los artículos que se revisaron validaron sus
resultados mediante algoritmos que diagnostican imágenes médicas provenientes de otras
poblaciones de origen. Estos hallazgos respaldan la necesidad de una validación extensa
de tecnologías basadas en IA a través de ensayos clínicos rigurosos ( 5 ).
3. DISCUSIÓN: DESAFÍOS Y FUTURAS
DIRECCIONES DE LA INTELIGENCIA ARTIFICIAL EN
MEDICINA
3.1. Validación de tecnologías basadas en inteligencia artificial: ¿hacia
una crisis de replicación?
Uno de los desafíos centrales de la aplicación de la IA en la medicina en los próximos
años será la validación clínica de los conceptos centrales.
Fronteras en Medicina | www.frontiersin.org
Descargado por José Alezandro Aguilar Valenzuela
(alezandroavg64@gmail.com)
Encuentra más documentos en www.udocz.com
IA en medicina: hoy y mañana
y herramientas desarrolladas recientemente. Aunque muchos estudios ya han presentado la
utilidad de la IA con oportunidades claras basadas en resultados prometedores, es probable
que varias limitaciones de los estudios de IA bien reconocidas y frecuentemente reportadas
compliquen dicha validación. Por la presente, abordaremos tres de tales limitaciones, así
como también proporcionaremos posibles formas de superarlas.
Primero, se encuentra que la mayoría de los estudios que comparan la eficiencia de la IA
con los médicos tienen un diseño poco confiable y se sabe que carecen de replicación primaria,
es decir, la validación de los algoritmos desarrollados en muestras provenientes de otras fuentes
distintas de la utilizada para entrenar algoritmos ( 45 ). Esta dificultad podría superarse en la era
de la ciencia abierta, ya que los datos abiertos y los métodos abiertos están destinados a recibir
cada vez más atención como mejores prácticas en la investigación. Sin embargo, la transición a
la ciencia abierta podría resultar difícil para las empresas de IA médica que desarrollan software
como negocio principal.
En segundo lugar, se sabe que los estudios que informan sobre la aplicación de la IA en la
práctica clínica son limitados debido a diseños retrospectivos y tamaños de muestra; Dichos
diseños potencialmente incluyen sesgo de selección y espectro, es decir, los modelos se
desarrollan para ajustarse de manera óptima a un conjunto de datos dado (este fenómeno
también se conoce como sobreajuste), pero no replican los mismos resultados en otros
conjuntos de datos ( 32 ). Debería ser necesaria una reevaluación y calibración continuas
después de la adopción de algoritmos que se sospecha están sobreajustados para adaptar el
software a la fluctuación de la demografía del paciente ( 46 ). Además, existe un consenso
creciente sobre la necesidad de desarrollar algoritmos diseñados para adaptarse a comunidades
más grandes teniendo en cuenta los subgrupos ( 47 ).
En tercer lugar, se conocen pocos estudios que comparen la IA y los médicos basándose
en los mismos conjuntos de datos; incluso en ese escenario, se han hecho críticas que
apuntan a una tasa de precisión diagnóstica más baja que la esperada en los médicos
especialistas. ( 26 ). Oponerse a la IA y a los médicos, aunque está bien representado en la
literatura científica, probablemente no sea la mejor manera de abordar el tema del
desempeño en la experiencia médica: varios estudios están abordando la interacción entre
los médicos y los algoritmos ( 47 ) ya que la combinación de inteligencia humana y artificial
supera a cualquiera de las dos por sí sola.
3.2. Implicaciones éticas del seguimiento continuo
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 mil millones de dólares
en 2019. Un porcentaje cada vez mayor de los ingresos se debe a la venta minorista de
dispositivos médicos (como los dispositivos de monitoreo cardíaco) para una población
más joven, que no es el perfil del consumidor objetivo principal (porque es menos
probable que aparezcan problemas de salud como la fibrilación auricular). Debido a este
fenómeno, Internet de las cosas (IoT) está redefiniendo el concepto de individuo sano
como una combinación del yo cuantificado (indicadores personales 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.).
Además, en los últimos años varias empresas de wearables han llegado a
acuerdos importantes con compañías de seguros o gobiernos para organizar
una distribución a gran escala de estos productos: este tipo de iniciativas son
principalmente
3 Febrero de 2020 | Volumen 7 | Artículo 27
Briganti y Le Moine
destinado a inducir un 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, con frecuencia
se discuten las implicaciones éticas del monitoreo médico continuo con dispositivos
médicos a través de 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 ( 48 ) y posiblemente
penalizar a aquellos ciudadanos que no puedan adoptar nuevos estándares de estilo de
vida saludable, por ejemplo, reduciendo el acceso al seguro y la atención médica; poco o
ningún debate se ha centrado en estos posibles y cruciales escollos en la formulación de
políticas de salud.
En este marco tecnopolítico, el tema de la protección y la propiedad de los datos se
vuelve cada vez más crucial, aunque tiene más de dos décadas ( 49 ). 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 beneficiar los
enfoques de la medicina personalizada ( 50 , 51 ), el consenso se está desplazando hacia
la propiedad del paciente, ya que tiene efectos positivos en la participación del paciente y
puede mejorar el intercambio de información si se desarrolla un acuerdo de uso de datos
entre el paciente y los profesionales de la salud ( 52 ).
3.3. La necesidad de educar a los médicos aumentados
Varias universidades han comenzado a crear un nuevo plan de estudios médico,
incluido un doctorado en ingeniería ( 18 ), para responder a la necesidad de educar a
los futuros líderes médicos sobre los desafíos de la inteligencia artificial en la
medicina ( 53 ). Dichos planes de estudio ven un enfoque más sólido de las ciencias
duras (como la física y las matemáticas) y la adición de ciencias computacionales,
codificación, algoritmos e ingeniería mecatrónica. Estos “médicos aumentados”
contarían con experiencia clínica y pericia digital para resolver problemas de salud
modernos, participar en la definición de estrategias digitales para instituciones de
salud, gestionar la transición digital, educar a pacientes y pares.
Tanto la sociedad como las instituciones sanitarias podrían beneficiarse de estos
profesionales como red de seguridad para cualquier proceso, incluida la IA en medicina,
pero también como motor de innovación e investigación. Además de la educación médica
básica, existe la necesidad de implementar programas educativos continuos sobre
medicina digital y dirigidos a médicos graduados, a fin de permitir la reentrenamiento en
este campo en crecimiento. En la mayoría de los hospitales de vanguardia de todo el
mundo, estos expertos están a cargo de la misión de Director de Información Médica
(CMIO).
3.4. La promesa de la inteligencia clínica ambiental: evitar la
deshumanización por la tecnología
Según lo informado por varios estudios ( 12 , 13 ), la historia clínica electrónica puede
ser una carga administrativa importante y una fuente de burnout, fenómeno cada vez
más presente en los médicos, tanto en formación como formados. Aunque las
soluciones de inteligencia artificial como el procesamiento del lenguaje natural se
están volviendo
Fronteras en Medicina | www.frontiersin.org
Descargado por José Alezandro Aguilar Valenzuela
(alezandroavg64@gmail.com)
Encuentra más documentos en www.udocz.com
IA en medicina: hoy y mañana
cada vez más capaz de ayudar al médico a entregar registros médicos
completos, se necesitan más soluciones para resolver el problema del creciente
tiempo asignado a la atención indirecta del paciente.
La inteligencia clínica ambiental (ACI) se entiende como un entorno
digital sensible, adaptativo y receptivo que rodea al médico y al paciente ( 54 )
y capaz de, por ejemplo, analizar la entrevista y completar automáticamente
la historia clínica electrónica del paciente. Se están llevando a cabo varios
proyectos para desarrollar un ACI, que sería una aplicación crucial de la
inteligencia artificial en medicina y muy necesaria para resolver los
problemas modernos con el personal médico.
Una de las grandes barreras para la adopción de tecnologías médicas inteligentes
en los médicos es el miedo a una deshumanización de la medicina. Esto se debe
principalmente a la creciente carga administrativa ( 12 ) impuesto a los médicos. Sin
embargo, la tecnología moderna como ACI y el procesamiento del lenguaje natural
seguramente resolverá el problema de la carga administrativa y ayudará a los médicos
a concentrarse más en el paciente.
3.5. ¿Los médicos serán reemplazados por inteligencia
artificial?
Como se discutió recientemente en la literatura ( 15 , dieciséis ) lo más probable es que los
médicos no sean reemplazados por inteligencia artificial: las tecnologías médicas
inteligentes existen como tales como apoyo al médico para mejorar el manejo del paciente.
Como han indicado estudios recientes ( 45 ), sin embargo, las comparaciones ocurren con
frecuencia entre las soluciones de inteligencia artificial y los médicos, como si las dos
contrapartes estuvieran en competencia. Los estudios futuros deberían centrarse en la
comparación entre médicos que utilizan soluciones de inteligencia artificial con médicos sin
la ayuda de tales aplicaciones, y extender esas comparaciones a los ensayos clínicos
traslacionales; sólo entonces se aceptará la inteligencia artificial como complementaria de
los médicos. Los profesionales sanitarios se encuentran hoy en día en una posición
privilegiada, para poder acoger la evolución digital y ser los principales impulsores del
cambio, aunque es necesaria una importante revisión de la formación médica para dotar a
los futuros líderes de las competencias para hacerlo.
4. CONCLUSIÓN
La implementación de la inteligencia artificial en la práctica clínica es un área de
desarrollo prometedora, que evoluciona rápidamente junto con los otros campos
modernos de la medicina de precisión, la genómica y la teleconsulta. Si bien el progreso
científico debe seguir siendo riguroso y transparente en el desarrollo de nuevas
soluciones para mejorar la atención médica moderna, las políticas de salud ahora deben
centrarse en abordar los problemas éticos y financieros asociados con esta piedra
angular de la evolución de la medicina.
CONTRIBUCIONES DE AUTOR
Todos los autores enumerados han hecho una contribución sustancial, directa e intelectual
al trabajo y lo han aprobado para su publicación.
4 Febrero de 2020 | Volumen 7 | Artículo 27
Briganti y Le Moine IA en medicina: hoy y mañana

REFERENCIAS arritmias usando un reloj inteligente: el estudio del corazón de la manzana. Ame Heart J. ( 2019) 207: 66–75. doi:

10.1016 / j.ahj.2018.09.002

1. Steinhubl SR, Muse ED, Topol EJ. El campo emergente de la salud móvil. Sci Trans Med. ( 2015) 7:
283rv3. doi: 10.1126 / scitranslmed.aaa3487
2. Peng Y, Zhang Y, Wang L. Inteligencia artificial en ingeniería biomédica e informática:
introducción y revisión. Artif Intell Med. ( 2010) 48: 71–3. doi: 10.1016 / j.artmed.2009.07.007
3. Orth M, Averina M, Chatzipanagiotou S, Faure G, Haushofer A, Kusec
V, et al. Opinión: redefinir el papel del médico en la medicina de laboratorio en el contexto de
las tecnologías emergentes, la medicina personalizada y la autonomía del paciente ('medicina
4P'). J Clin Pathol. ( 2019) 72: 191–7. doi: 10.1136 / jclinpath-2017-204734
4. Abdulnabi M, Al-Haiqi A, Kiah MLM, Zaidan AA, Zaidan BB, Hussain M. Un marco distribuido
para el intercambio de información de salud utilizando tecnologías de teléfonos inteligentes. J
Biomed Informat. ( 2017) 69: 230–50. doi: 10.1016 / j.jbi.2017.04.013
5. Topol EJ. Una década de innovación en medicina digital. Sci Trans Med. ( 2019) 11: 7610. doi: 10.1126
/ scitranslmed.aaw7610
6. Morawski K, Ghazinouri R, Krumme A, Lau ff enburger JC, Lu Z, Durfee E, et al. Asociación de una
aplicación para smartphone con la adherencia a la medicación y el control de la presión arterial: el
ensayo clínico aleatorizado MedISAFE-BP. JAMA Int Med. ( 2018) 178: 802–9. doi: 10.1001 /
jamainternmed.2018.0447
21. Raja JM, Elsakr C, Roman S, Cave B, Pour-Ghaz I, Nanda A, et al. Apple watch, wearables y ritmo
cardíaco: ¿dónde nos encontramos? Ann Trans Med. ( 2019) 7: 417. doi: 10.21037 / atm.2019.06.79.
22. Huang Z, Chan TM, Dong W. Predicción MACE del síndrome coronario agudo a través de la
clasificación de remuestreo potenciada utilizando registros médicos electrónicos. J Biomed Inform.
( 2017) 66: 161–70. doi: 10.1016 / j.jbi.2017.
01.001
23. Mortazavi BJ, Downing NS, Bucholz EM, Dharmarajan K, Manhapra
A, Li SX y col. Análisis de técnicas de aprendizaje automático para reingresos por insuficiencia
cardíaca. Resultados de Circ Cardiovasc Qual. ( 2016) 9: 629–40. doi: 10.1161 /
CIRCOUTCOMES.116.003039
24. Dorado-Díaz PI, Sampedro-Gómez J, Vicente-Palacios V, Sánchez PL. Aplicaciones de la
inteligencia artificial en cardiología. El futuro ya está aquí. Revista Española de Cardiología. ( 2019)
72: 1065–75. doi: 10.1016 / j.rec.2019.05.014
25. Topalovic M, Das N, Burgel PR, Daenen M, Derom E, Haenebalcke
C, et al. La inteligencia artificial supera a los neumólogos en la interpretación de las pruebas de
función pulmonar. Eur Respirat J. ( 2019) 53: 1801660. doi: 10.1183 / 13993003.01660-2018.
26. Delclaux C. No es necesario que los neumólogos interpreten las pruebas de función pulmonar.

7. Overley SC, Cho SK, Mehta AI, Arnold PM. Navegación y robótica en cirugía de columna:
¿dónde estamos ahora? Neurocirugía. ( 2017) 80: S86–99. doi: 10.1093 / neuros / nyw077
8. Tepper OM, Rudy HL, Lefkowitz A, Weimer KA, Marks SM, Stern CS, et al. Realidad mixta con
HoloLens: donde la realidad virtual se encuentra con la realidad aumentada en el quirófano. Plast
Reconstruct Surg. ( 2017) 140: 1066–70. doi: 10.1097 / PRS.0000000000003802
9. Mishkind MC, Norr AM, Katz AC, Reger GM. Revisión del tratamiento de la realidad virtual en
psiquiatría: evidencia versus difusión y uso actual. Curr Psychiat Rep. ( 2017) 19:80. doi: 10.1007
/ s11920-017-0836-0
10. Malloy KM, Fresado LS. La efectividad de la distracción de la realidad virtual para la reducción del dolor:
una revisión sistemática. Clin Psychol Rev. ( 2010) 30: 1011–8. doi: 10.1016 / j.cpr.2010.07.001
11. Haag M, Igel C, Fischer MR, Sociedad Alemana de Educación Médica (GMA), comité "Aprendizaje
y enseñanza asistidos por tecnología de digitalización", grupo de trabajo conjunto "Enseñanza y
aprendizaje mejorados por tecnología en medicina (TeLL)" de la asociación alemana de
informática médica, biometría y epidemiología (gmds) y la Sociedad Alemana de Informática (GI).
Docencia digital y medicina digital: se necesita una iniciativa nacional. GMS J Med Educ.
(2018) 35: Doc43. doi: 10.3205 / zma001189
12. Chaiyachati KH, Shea JA, Asch DA, Liu M, Bellini LM, Dine CJ, et al. Evaluación de la asignación de tiempo
de hospitalización entre los residentes de medicina interna de primer año mediante observaciones de
tiempo-movimiento. JAMA Int Med. ( 2019) 179: 760–7. doi: 10.1001 / jamainternmed.2019.0095
Eur Respirat J. ( 2019) 54: 1900829. doi: 10.1183 / 13993003.00829-2019 Lawton J, Blackburn M, Allen J,
27. Campbell F, Elleri D, Leelarathna L, et al. Experiencias de pacientes y cuidadores sobre el uso de la
monitorización continua de la glucosa para apoyar el autocontrol de la diabetes: estudio cualitativo. Trastorno
endocrino de BMC. ( 2018) 18:12. doi: 10.1186 / s12902-018-0239-1
28. Christiansen MP, Garg SK, Brazg R, Bode BW, Bailey TS, Slover RH, et al. Precisión de un
sensor de glucosa continuo subcutáneo de cuarta generación.
Diabet Technol Therapeut. ( 2017) 19: 446–56. doi: 10.1089 / dia.2017.0087
29. Niel O, Boussard C, Bastard P. La inteligencia artificial puede predecir la disminución de la TFG durante el
curso de la PQRAD. Am J Kidney Dis O ff J Natl Kidney Found. ( 2018) 71: 911–2. doi: 10.1053 /
j.ajkd.2018.01.051
30. Geddes CC, Fox JG, Allison ME, Boulton-Jones JM, Simpson K. Una red neuronal artificial puede
seleccionar pacientes con alto riesgo de desarrollar nefropatía progresiva por IgA con mayor precisión
que los nefrólogos experimentados. Diálisis Nephrol, trasplante. ( 1998) 13: 67–71.
31. Niel O, Bastard P. Inteligencia artificial en nefrología: conceptos básicos, aplicaciones clínicas
y perspectivas. Am J Kidney Dis. ( 2019) 74: 803–10. doi: 10.1053 / j.ajkd.2019.05.020
32. Yang YJ, Bang CS. Aplicación de la inteligencia artificial en gastroenterología.
Mundial J Gastroenterol. ( 2019) 25: 1666–83. doi: 10.3748 / wjg.v25.i14.1666 Fernández-Esparrach G,
33. Bernal J, López-Cerón M, Córdova H, SánchezMontes C, Rodríguez de Miguel C, et al. Explorando el
potencial clínico de un método automático de detección de pólipos colónicos basado en la creación de
mapas energéticos. Endoscopia. ( 2016) 48: 837–42. doi: 10.1055 / s-0042-108434

13. West CP, Dyrbye LN, Shanafelt TD. Agotamiento médico: contribuyentes, consecuencias 34. Pace F, Buscema M, Dominici P, Intraligi M, Baldi F, Cestari R, et al. Las redes neuronales artificiales son
y soluciones. J En t Medicina. (2018) 283: 516-29. capaces de reconocer a los pacientes con enfermedad por reflujo gastroesofágico únicamente sobre la base
doi: 10.1111 / joim.12752 de datos clínicos. Eur J Gastroenterol Hepatol.
14. Shah NR. Atención sanitaria en 2030: ¿sustituirá a los médicos la inteligencia artificial? (2005) 17: 605–10. doi: 10.1097 / 00042737-200506000-00003
Ann Int Med. ( 2019) 170: 407–8. doi: 10.7326 / M19-0344 Topol 35. Lahner E, Grossi E, Intraligi M, Buscema M, Corleto VD, Delle Fave G, et al. Posible contribución de
15. EJ. Alto rendimiento medicamento: la convergencia de las redes neuronales artificiales y el análisis discriminante lineal en el reconocimiento de pacientes
inteligencia humana y artificial. Nat Med. ( 2019) 25: 44–56. con sospecha de gastritis corporal atrófica.
doi: 10.1038 / s41591-018-0300-7 Mundial J Gastroenterol. ( 2005) 11: 5867–73. doi: 10.3748 / wjg.v11.i37.5867
Verghese
dieciséis. A, Shah NH, Harrington RA. Qué es este médico informático: las necesidades es un 36. Das A, Ben-Menachem T, Cooper GS, Chak A, Sivak MV, Gonet JA, et al. Predicción del
humanismo e inteligencia artificial. JAMA. ( 2018) doi: 10.1001 / 319: 19-20. resultado en hemorragia digestiva baja aguda basada en una red neuronal artificial: validación
jama.2017.19198 interna y externa de un modelo predictivo. Lanceta. ( 2003) 362: 1261–6. doi: 10.1016 /
17. Precio WN, Gerke S, Cohen IG. Posible responsabilidad de los médicos que utilizan inteligencia S0140-6736 (03) 14568-0
artificial. JAMA. ( 2019) 322: 1765–6. doi: 10.1001 / jama.2019.15064 Briganti G. Nous Devons Former 37. Sato F, Shimada Y, Selaru FM, Shibata D, Maeda M, Watanabe G, et al. Predicción de la supervivencia
18. des Médecins ≪ augmentés ≫. Le Specialiste. (2019) Disponible en línea en: en pacientes con carcinoma de esófago mediante redes neuronales artificiales. Cáncer. ( 2005) 103:
https://www.lespecialiste.be/fr/debats/nousdevons-former-des-medecins-laquo-nbsp-augmentes-raquo.html 1596–605. doi: 10.1002 / cncr.20938
(consultado el 26 de octubre de 2019). 38. Peng JC, Ran ZH, Shen J. Variación estacional en la aparición y recaída de la EII y un modelo para
predecir la frecuencia de aparición, recaída y gravedad de la EII basado en la red neuronal artificial. Int
19. Halcox JPJ, Wareham K, Cardew A, Gilmore M, Barry JP, Phillips C y col. Evaluación del muestreo J Colorect Dis. ( 2015) 30: 1267–73. doi: 10.1007 / s00384-015-2250-6
remoto del ritmo cardíaco utilizando el monitor cardíaco AliveCor para detectar la fibrilación
auricular: el estudio REHEARSE-AF. Circulación. 39. Ichimasa K, Kudo SE, Mori Y, Misawa M, Matsudaira S, Kouyama Y, et al. La inteligencia artificial puede
(2017) 136: 1784–94. doi: 10.1161 / CIRCULATIONAHA.117.030583 Turakhia MP, Desai M, Hedlin H, ayudar a predecir la necesidad de cirugía adicional después de la resección endoscópica del cáncer
20. Rajmane A, Talati N, Ferris T, et al. Justificación y diseño de un estudio a gran escala basado en colorrectal T1. Endoscopia. ( 2018) 50: 230–
aplicaciones para identificar problemas cardíacos 40. doi: 10.1055 / s-0043-122385

Fronteras en Medicina | www.frontiersin.org 5 Febrero de 2020 | Volumen 7 | Artículo 27

Descargado por José Alezandro Aguilar Valenzuela
(alezandroavg64@gmail.com)
Encuentra más documentos en www.udocz.com
Briganti y Le Moine IA en medicina: hoy y mañana

40. Yang HX, Feng W, Wei JC, Zeng TS, Li ZD, Zhang LJ, et al. El nomograma de vector de soporte 48. Mittelstadt B. Ética de la Internet de las cosas relacionada con la salud: una revisión narrativa. Ética
basado en máquina predice metástasis a distancia posoperatoria en pacientes con carcinoma de Informat Technol. ( 2017) 19: 157–75. doi: 10.1007 / s10676-0179426-4
células escamosas de esófago. Br J Cancer. ( 2013) 109: 1109–16. doi: 10.1038 / bjc.2013.379
49. Williamson JB. Preservando la confidencialidad y seguridad de la información de atención médica del paciente. Gestión

41. Regalia G, Onorati F, Lai M, Caborni C, Picard RW. Dispositivos de pulsera multimodales para de información de salud superior. ( 1996) 16: 56–60. Montgomery

la detección de convulsiones y el avance de la investigación: centrarse en las pulseras 50. J. Datos intercambio y la idea de propiedad.
Empatica. Epilep Res. ( 2019) 153: 79–82. doi: 10.1016 / j.eplepsyres.2019.02.007 Nuevo Bioeth Multidisciplinar J Biotecnología Cuerpo. (2017) 23: 81–6.
doi: 10.1080 / 20502877.2017.1314893
42. Bruno E, Simblett S, Lang A, Biondi A, Odoi C, Schulze-Bonhage 51. Rodwin MA. El caso de la propiedad pública de los datos de los pacientes. JAMA. ( 2009) 302: 86–8. doi:
A, et al. Tecnología usable en epilepsia: las opiniones de pacientes, cuidadores y 10.1001 / jama.2009.965
profesionales de la salud. Epilep Behav. ( 2018) 85: 141–9. doi: 10.1016 / j.yebeh.2018.05.044 52. Mikk KA, Sleeper HA, Topol EJ. El camino hacia la propiedad de los datos del paciente y una mejor salud. JAMA.
( 2017) 318: 1433–4. doi: 10.1001 / jama.2017.12145 Brouillette M. AI agregada al plan de estudios para
43. Dorsey ER, Glidden AM, Holloway MR, Birbeck GL, Schwamm LH. Teleneurología y 53. futuros médicos. Nat Med. ( 2019). 25: 1808–9. doi: 10.1038 / s41591-019-0648-3
tecnologías móviles: el futuro de la atención neurológica. Nat Rev Neurol. ( 2018) 14: 285–97.
doi: 10.1038 / nrneurol.2018.31 54. Acampora G, Cook DJ, Rashidi P, Vasilakos AV. Una encuesta sobre inteligencia ambiental en el cuidado
44. Campanella G, Hanna MG, Geneslaw L, Mira fl or A, Silva VWK, Busam KJ, et al. Patología de la salud. Proc IEEE Inst Elect Electron Eng. ( 2013) 101: 2470–
computacional de grado clínico que utiliza aprendizaje profundo supervisado débilmente en imágenes de 94. doi: 10.1109 / JPROC.2013.2262913
diapositivas completas. Nat Med. ( 2019) 25: 1301–9. doi: 10.1038 / s41591-019-0508-1
Conflicto de intereses: Los autores declaran que la investigación se llevó a cabo en ausencia de
45. Liu X, Faes L, Kale AU, Wagner SK, Fu DJ, Bruynseels A, et al. Una comparación del rendimiento del aprendizaje relaciones comerciales o financieras que pudieran interpretarse como un posible conflicto de intereses.
profundo con los profesionales de la salud en la detección de enfermedades a partir de imágenes médicas: una

revisión sistemática y un metanálisis. Salud de los dígitos de la lanceta. ( 2019) 1: e271–97. doi: 10.1016 /

S2589-7500 (19) 30123-2 Copyright © 2020 Briganti y Le Moine. Este es un artículo de acceso abierto distribuido bajo los términos
46. Panch T, Mattie H, Celi LA. La "verdad incómoda" sobre la IA en la asistencia sanitaria. de la Licencia de atribución Creative Commons (CC BY). Se permite el uso, distribución o reproducción
NPJ Digit Med. ( 2019) 2: 1–3. doi: 10.1038 / s41746-019-0155-4 en otros foros, siempre que se acredite al autor (es) original (es) y al propietario (es) de los derechos de
47. Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D. Desafíos clave para lograr un autor y se cite la publicación original en esta revista, de acuerdo con la práctica académica aceptada. No
impacto clínico con inteligencia artificial. BMCMed. se permite ningún uso, distribución o reproducción que no cumpla con estos términos.
(2019) 17: 195. doi: 10.1186 / s12916-019-1426-2

Fronteras en Medicina | www.frontiersin.org 6 Febrero de 2020 | Volumen 7 | Artículo 27

Descargado por José Alezandro Aguilar Valenzuela

(alezandroavg64@gmail.com)
Encuentra más documentos en www.udocz.com