La inteligencia artificial (IA) es una tecnología basada en el modelo de redes neuronales del cerebro que utiliza múltiples capas de algoritmos, deep learning y computación cognitiva para el procesamiento de datos y que, puesta al servicio de la ciencia médica, está revolucionando el saber y accionar de los profesionales de la salud.¹

En años recientes, la IA se ha incorporado a la medicina como auxiliar en el mejoramiento de la atención al paciente: acelera los procesos y logra una mayor precisión diagnóstica. Hoy en día, las imágenes radiológicas, las preparaciones de anatomía patológica y los registros médicos electrónicos de los pacientes se evalúan mediante aprendizaje automático, ayudando tanto en el proceso de diagnóstico como en el propio tratamiento de los pacientes.²

Existen muchos programas informáticos de apoyo al diagnóstico que han ido mejorando su aprendizaje a través de su uso repetido y continuo. Por ejemplo, en el campo de procesamiento e interpretación de imágenes, los algoritmos basados en inteligencia artificial mejoran la calidad y precisión del diagnóstico ya que son excelentes para reconocer automáticamente patrones complejos en los datos de imágenes, eliminan el ruido en las imágenes ofreciendo una mayor calidad y permiten establecer modelos tridimensionales a partir de imágenes de pacientes concretos.²

La inteligencia artificial en la atención del cáncer de mama

Los programas de detección de cáncer de mama se implementan actualmente en la mayoría de los países desarrollados, pues han demostrado aumentar la detección temprana de la enfermedad, lo que conduce a un mejor pronóstico y reducción en las tasas de mortalidad.³

Por décadas, la mastografía ha sido la herramienta de primera línea en la detección del cáncer de mama, con más de 200 millones de mujeres examinadas cada año en todo el mundo. Sin embargo, aún existen limitantes en la sensibilidad y especificidad de las máquinas, incluso con los avances tecnológicos más recientes. De hecho, durante un cribado, hasta 30% a 40% de los cánceres de mama pueden no ser detectados.³

Debido al creciente interés en la implementación de la IA en la imagenología médica, se han desarrollado múltiples algoritmos basados en deep learning, los cuales se han aplicado a la mastografía digital. Investigaciones preliminares demuestran que los sistemas basados en inteligencia artificial para interpretar mastografías pueden mejorar la eficiencia de los radiólogos en cuanto a sensibilidad, especificidad y tiempo.³

Tal es el caso de MammoScreen®, una solución diseñada para identificar riesgos de cáncer de mama en mastografías digitales bidimensionales, en regiones donde existe sospecha de su presencia, así como evaluar la probabilidad de malignidad. Dicho sistema toma como dato de entrada el set completo de cuatro vistas que comprenden la mastografía (imágenes craneocaudales izquierda y derecha; y mediolateral oblicua) y entrega una serie de tomas posicionales con un puntaje de sospecha asociado.³

El sistema combina dos grupos de redes neuronales convolucionales profundas (el grupo “imagen” interpreta las mamografías y les asigna un puntaje, y el grupo “lesión” detecta regiones de interés y determina si el hallazgo es una calcificación o lesión de tejido blando) con un módulo de agregación³ y, basándose en distintos casos interpretados por radiólogos expertos, además del uso de avanzadas técnicas de deep learning, las redes neuronales de MammoScreen® detectan y caracterizan resultados sospechosos.⁴

El módulo de agregación, por su parte, combina las predicciones de ambos grupos para formar la imagen de predicción final. Asigna un nuevo valor al hallazgo más significativo, y en el resto se obtienen resultados que varían de acuerdo con su relevancia. De esta forma se asegura la óptima integración entre ambas partes, de modo que un resultado fuertemente positivo –o negativo– es posible solo cuando los dos grupos coinciden totalmente.³

Con ayuda de la inteligencia artificial, el software reúne diferentes familias de algoritmos de aprendizaje automatizado –machine learning– para llevar a cabo una amplia variedad de tareas como detección de hallazgos, interpretación del nivel de sospecha y relación de hallazgos desde múltiples puntos de vista. De igual forma, el algoritmo de la solución vincula la caracterización de la malignidad del tumor, al nivel de la mastografía, con los hallazgos específicos.⁴

Las herramientas tecnológicas enfocadas en la IA siguen encontrando una infinidad de aplicaciones como son el 3D, machine o deep learning, imagenología y telesimulación, entre otros, con el fin de no solo detectar un diagnóstico certero, sino crear otros tipos de combinaciones para generar algoritmos que, unidos a los datos clínicos y a las imágenes, puedan dar una predicción exacta, lo que se traduzca en un buen tratamiento para el paciente.¹

Conoce cómo se aplica la IA a la atención médica en: La evolución de las prótesis inteligentes y el tacto artificial.

La alta incidencia de enfermedades crónicas y la falta de adherencia (o adherencia inadecuada) a los tratamientos farmacológicos y no farmacológicos por parte de los pacientes representan graves problemas en términos de salud pública, constituyendo un desafío creciente para las diferentes instituciones y profesionales de la salud involucrados.¹

En promedio, uno de cada tres pacientes abandona su tratamiento antes de lo recomendado² y entre el 30% y el 50% de los medicamentos recetados para enfermedades crónicas no se toman según las indicaciones.³ De hecho, más del 30% de los pacientes nunca recogen su primera prescripción.²

Lamentablemente estas cifras contribuyen a que haya decenas de miles de decesos al año. Para dar un ejemplo, en Europa 200 mil muertes prematuras anuales están relacionadas con la falta de adherencia.² 

El incumplimiento de los planes terapéuticos definidos puede provocar complicaciones clínicas además de estrés físico y emocional causado por la necesidad de hospitalizaciones sucesivas, lo que conduce a implicaciones económicas y financieras, incluso a nivel de los sistemas de salud.¹

La adherencia es un comportamiento repetido y continuo, si los pacientes no siguen su tratamiento necesitan algo que los ayude a cambiar sus hábitos. El uso de intervenciones conductuales basadas en la evidencia y la teoría puede influir en la salud del paciente.⁴

Los avances en tecnología y ciencias del comportamiento nos brindan herramientas para pasar de pensar en cómo tratar la enfermedad a cómo tratar a las personas.⁴

Las ciencias del comportamiento en acción

Dentro de las ciencias del comportamiento podemos encontrar el marco COM-B, el cual divide todos los factores que influyen en la falta de adherencia en tres grupos: capacidad, oportunidad y motivación. Es, a su vez, la base para decidir cómo abordar el problema tomando en cuenta las condiciones particulares de cada paciente.⁵ 

Las capacidades que influyen en la falta de adherencia pueden ser físicas como falta de destreza o deglución, y psicológicas como problemas de memoria, déficit de conocimiento o imposibilidad de planificación.⁵

En cuanto a la falta de oportunidades que afecta la adherencia, estas se dividen en sociales –por ejemplo, fallas en la comunicación con el profesional de la salud o falta de apoyo– y físicas, como problemas de acceso a la salud o financieros.⁵

Las motivaciones se dividen en reflexivas, es decir, creencias negativas sobre la enfermedad y el tratamiento, y automáticas, entendidas como depresión, emociones y hábitos. Estas son las causas que más influyen en que los pacientes sigan o no el tratamiento.⁵

El rol de los profesionales de la salud

Entre los factores que contribuyen a la falta de adherencia se encuentra la incredulidad en el tratamiento, la falta de motivación y el deterioro de la relación entre el profesional de la salud y el paciente.¹

Los pacientes se adhieren cuando encuentran algún sentido tangible de que el medicamento prescrito o el cambio de hábitos contribuirán a resultados positivos relativamente inmediatos.¹

Por ejemplo, con los medicamentos hipoglucémicos el cumplimiento óptimo del tratamiento está estrechamente relacionado con una relación de confianza entre los profesionales de la salud y los pacientes.¹

La complicidad entre el paciente y el médico (la sensación del paciente de que sus necesidades y preocupaciones, durante las consultas médicas, fueron escuchadas y atendidas) predice la calidad de la adherencia al tratamiento farmacológico a largo plazo, contribuyendo a la prevención de complicaciones y, cuando se establece, a una mayor eficacia en su control.¹

Los sistemas de salud deben evolucionar hacia una mayor eficiencia que garantice  seguimiento clínico, farmacéutico y social a todos los pacientes, y adecuado a cada necesidad, así como minimizar las posibles complicaciones naturales y económicas que comprometan la calidad y esperanza de vida de los pacientes.¹

Descubre el papel que jugó el monitoreo remoto durante la pandemia.

Internet de las cosas (IoT, por sus siglas en inglés) se refiere a aquellos sistemas informáticos presentes en todo lo que nos rodea: desde ropa y accesorios hasta vehículos y electrodomésticos, e incluso en partes del cuerpo humano.¹ 

En esta nueva era digital en la que numerosos objetos adquieren mayor capacidad de cómputo y toman consciencia del entorno mejorando su poder de procesamiento y su independencia energética, la hiperconectividad entre personas y aparatos (dispositivos) abrirá la puerta hacia la total integración entre el mundo físico y los entornos virtuales creados por el hombre.¹

Para el sector salud, esta interacción digital que trasciende la relación meramente instrumental con la tecnología representa nuevos escenarios que modifican la práctica asistencial, la educación y la investigación.¹ 

Aquí podemos encontrar innovaciones como los wearables, la telemedicina, la computación en la nube (cloud computing), mHealth, Augmented Personalized Healthcare (APH) y big data. Aunque muchas de estas tecnologías que están relacionadas o son dependientes del IoT se encuentran aún en fases incipientes, aquellas que ya están en marcha muestran un enorme potencial.¹ 

Monitoreo gracias al Internet de las cosas

Un ejemplo de esto se encuentra en mHealth (mobile health), definida como la práctica médica y de salud pública apoyada por smartphones, equipos de monitorización de pacientes, tabletas, asistentes personales digitales y otros dispositivos móviles.¹ 

El uso de mHealth en epidemiología y salud pública se destaca en la recolección de datos clínicos y comunitarios, monitoreo de signos vitales en tiempo real y el envío de mensajes de texto para solicitud de ambulancias, por mencionar algunos.¹ 

La incorporación de los wearables (accesorios “vestibles” que se llevan en el cuerpo) extiende las funciones y beneficios de esta tecnología hasta la detección de arritmias y la medición de funciones corporales y la actividad física, así como el monitoreo constante de los niveles de glucosa o cualquier otro marcador biométrico en el cuerpo humano.¹

Beneficios de recopilar datos

Por su parte, la APH pretende potenciar el cuidado de la salud al sacar provecho 

de los datos personalizados obtenidos mediante el IoT con el uso de sensores, wearables, aplicaciones móviles, Electronic Medical Records (EMRs) e incluso las redes sociales (social media), utilizando técnicas de inteligencia artificial (AI, por sus siglas en inglés) para mejorar la salud y el bienestar poblacional.¹

El Internet de las cosas y la cuarta revolución industrial pintan un escenario totalmente disruptivo, especialmente en relación con la salud pública y la epidemiología, el cual estará lleno de retos y oportunidades para lograr una medicina más eficiente, asequible y precisa.¹ 

Prueba de ello es el sistema PIC-ING-2236 de “IoT aplicado en la telemedicina”, una solución costo-efectiva para el monitoreo de la enfermedad pulmonar obstructiva crónica (EPOC) desarrollada por el grupo de investigación en telemedicina de la Universidad Militar Nueva Granada (España).²

Este sistema consiste en la medición constante de la temperatura corporal, saturación de oxígeno y frecuencia cardíaca de los pacientes mediante sensores de bajo costo, con el propósito de analizar y emitir alarmas de prevención temprana.²

El proyecto se basa en el uso del IoT para el registro, almacenamiento y procesamiento de señales que son enviadas a un Hub-IoT, el cual controla el acceso a la información en tiempo real para generar valores promedio, críticos e históricos que estarán disponibles en la nube, así como a través de una app móvil o una plataforma web.²

La solución –que por ahora es solo un proyecto de investigación, pero podría ser hasta 50% más económica que otros productos comerciales– incorpora un sensor de temperatura Exsense y un pulsioxímetro simple (modelo JZK-301), interconectados con tarjetas madre/procesadores Arduino-Raspberry Pi, los cuales son controlados por programas de código abierto (open source) Raspbian, Arduino 101, NetBeans IDE 8.1 y Ubuntu server 16.10, además de una plataforma eHealth, útil para realizar aplicaciones biométricas en telemedicina.²

La mayor ventaja de este dispositivo/sistema/interfaz es la gestión eficiente de un gran volumen de datos a través de la nube, así como la posible aplicación de técnicas de inteligencia artificial para caracterizar y crear estándares predictivos que reporten a los profesionales de la salud sobre cualquier cambio inesperado en signos vitales o condiciones que puedan poner en riesgo la salud de los pacientes. Todo en tiempo real.²

Conoce más sobre el monitoreo remoto, una aplicación práctica del Internet de las cosas.

Durante la pandemia de COVID-19, el monitoreo remoto de pacientes estuvo asociado a cifras positivas en comparación con personas que no accedieron a esta ventaja: 87% menos de hospitalizaciones, 77% menos muertes y una reducción de más de 11 mil dólares en los costos por paciente.¹

La tecnología se ha desarrollado al punto de que el paciente puede realizar sus actividades cotidianas en el hogar mientras registra sus signos vitales esenciales, como frecuencia cardíaca, frecuencia respiratoria, presión arterial y temperatura. También existen dispositivos que miden otros parámetros esenciales, por ejemplo, los niveles de glucosa en sangre y la actividad del sistema nervioso.²

El registro de datos vía remota no solo ayuda a monitorear continuamente a personas con padecimientos graves, sino también a detectar una enfermedad de manera temprana y así evitar empeoramiento y muertes prematuras.²

Otras ventajas son la reducción de hospitalizaciones y los costos que ello implica, lecturas más precisas, atención médica de emergencia, servicio para pacientes con problemas de movilidad e intervenciones médicas no invasivas,² así como disminuir la carga de trabajo de los profesionales de la salud.¹

Retos y evolución del monitoreo remoto

Los sistemas tradicionales recopilan datos mediante sensores adheridos al cuerpo, lo cual plantea dificultades en términos de movilidad para el paciente y sus actividades cotidianas. Dado que este tipo de dispositivos influyen en la comodidad, los datos fisiológicos se pueden ver afectados.²

Si bien hay muchas situaciones en las que son necesarias intervenciones invasivas o con contacto, la investigación se ha orientado a buscar nuevos métodos para obtener datos fisiológicos de la forma menos invasiva posible y sin contacto.²

Además, aunque el monitoreo remoto ha avanzado a lo largo de los años, existen algunas carencias significativas que marcan el rumbo de las nuevas investigaciones, como los problemas de seguridad y privacidad.²

Aplicaciones prácticas de monitoreo remoto de salud

La tecnología de monitoreo remoto de pacientes va desde sensores adheridos al cuerpo hasta sensores ambientales en el entorno, así como nuevos avances de recopilación de datos sin contacto, ya que solo requieren que el paciente esté presente a unos pocos metros del sensor.²

Blumio es un sensor portátil en forma de brazalete que se puede cargar durante todo el día y que utiliza un radar para medir directamente los movimientos de la pared arterial y otros signos vitales. Esto se complementa con un motor de análisis predictivo que identifica anomalías de la presión arterial y a través de este monitoreo remoto puede atender la preeclampsia durante el embarazo.³

Otro ejemplo es Neurvesta, un dispositivo portátil no invasivo que permite a los médicos detectar alteraciones en el sistema de equilibrio vestibular y luego aplicar neuroestimulación correctiva para ayudar a restaurar el equilibrio interrumpido.³

Abbott está desarrollando un sensor dual para la presencia de glucosa en la sangre, así como para ayudar a reducir la frecuencia con la que se producen episodios de cetoacidosis diabética.⁴

Conoce la importancia del Internet de las cosas para el futuro del monitoreo remoto.