{"id":327365,"date":"2021-11-25T03:00:00","date_gmt":"2021-11-25T02:00:00","guid":{"rendered":"https:\/\/medizinonline.com\/oportunidades-y-riesgos-de-la-ia\/"},"modified":"2023-01-12T14:09:24","modified_gmt":"2023-01-12T13:09:24","slug":"oportunidades-y-riesgos-de-la-ia","status":"publish","type":"post","link":"https:\/\/medizinonline.com\/es\/oportunidades-y-riesgos-de-la-ia\/","title":{"rendered":"Oportunidades y riesgos de la IA"},"content":{"rendered":"\n

El t\u00e9rmino inteligencia artificial se remonta a la d\u00e9cada de 1950. Siglo XX y engloba un conjunto de tecnolog\u00edas que permiten a un ordenador emular las caracter\u00edsticas t\u00edpicas de la inteligencia humana. Al principio, se depositaron grandes esperanzas en estas tecnolog\u00edas y se realizaron los primeros intentos de implantarlas en la medicina. Al principio de la En el siglo XXI, la investigaci\u00f3n sobre la IA en medicina fue m\u00e1s bien silenciosa debido a los resultados inicialmente aleccionadores. Sin embargo, varios desarrollos importantes allanaron el camino para el avance de la tecnolog\u00eda.<\/strong><\/p>\n\n\n\n

El t\u00e9rmino inteligencia artificial se remonta a la d\u00e9cada de 1950 y engloba un conjunto de tecnolog\u00edas que permiten a un ordenador emular las caracter\u00edsticas t\u00edpicas de la inteligencia humana [1]. Al principio, se depositaron grandes esperanzas en estas tecnolog\u00edas y se realizaron los primeros intentos de implantarlas en la medicina. Algunos ejemplos de los a\u00f1os setenta son los programas para la identificaci\u00f3n de bacterias en enfermedades infecciosas [2] o para el pron\u00f3stico de enfermedades coronarias [3]. En la d\u00e9cada de 1990 se produjo una cierta desilusi\u00f3n: un editorial [4] de la famosa revista New England Journal of<\/em> Medicine otorg\u00f3 a los programas de diagn\u00f3stico asistido por ordenador disponibles en aquella \u00e9poca una calificaci\u00f3n de “C”, que corresponde aproximadamente a un “3” en el sistema de clasificaci\u00f3n suizo. Estos programas produc\u00edan un diagn\u00f3stico falso en un 30-50% de los casos, lo que dificultaba su uso y aceptaci\u00f3n en la cl\u00ednica. A principios del siglo XXI, la investigaci\u00f3n sobre la inteligencia artificial en medicina era m\u00e1s bien silenciosa debido a los resultados inicialmente aleccionadores. Sin embargo, varios desarrollos importantes allanaron el camino para el avance de la tecnolog\u00eda.<\/p>\n\n

Aprendizaje profundo<\/h2>\n\n

Por un lado, se ha producido una expansi\u00f3n constante del uso de historiales m\u00e9dicos electr\u00f3nicos. Los ordenadores obtuvieron as\u00ed acceso a grandes conjuntos de datos m\u00e9dicos. La gran cantidad de datos permiti\u00f3 crear y seguir desarrollando una nueva generaci\u00f3n de programas de inteligencia artificial. Estos programas se desarrollaron en la d\u00e9cada de 2010 y ahora se resumen bajo el t\u00e9rmino Aprendizaje Profundo <\/em>. Se trata de algoritmos basados en redes neuronales artificiales que pueden reconocer patrones en grandes cantidades de datos con gran precisi\u00f3n. Sorprendentemente -y con gran importancia para la medicina- estos programas tienen una capacidad extraordinaria para reconocer estructuras en im\u00e1genes [5]. En comparaci\u00f3n directa con los observadores humanos, se ha demostrado que los ordenadores rinden mucho mejor en el reconocimiento de patrones en im\u00e1genes, por debajo de la tasa de error humano del 5% [6]. Un grupo de investigaci\u00f3n de la Universidad de Stanford (California) aplic\u00f3 la tecnolog\u00eda del aprendizaje profundo <\/em>al campo de la dermatolog\u00eda en 2017. En un trabajo pionero, se demostr\u00f3 que los ordenadores est\u00e1n a la altura de los dermat\u00f3logos en la detecci\u00f3n de lesiones cut\u00e1neas malignas [6]. Desde esta publicaci\u00f3n hace cuatro a\u00f1os, ha habido una proliferaci\u00f3n de nuevos trabajos que informan de resultados similares en una amplia gama de campos de diagn\u00f3stico (por ejemplo, en patolog\u00eda o radiolog\u00eda [7\u201310]). Paralelamente al reconocimiento de im\u00e1genes -y con una importancia igualmente trascendental para la medicina-, la tecnolog\u00eda de aprendizaje profundo<\/em>tambi\u00e9n ha propiciado avances en el reconocimiento del habla en los \u00faltimos a\u00f1os [11]. Esto significa que los ordenadores pueden comprender y analizar cada vez m\u00e1s datos m\u00e9dicos escritos en lenguaje natural (informes de alta, de diagn\u00f3stico, etc.) o incluso escribir textos por s\u00ed mismos [12]. En resumen, se puede decir lo siguiente: Gracias a las historias cl\u00ednicas electr\u00f3nicas, el ordenador tiene un acceso m\u00e1s amplio a los datos m\u00e9dicos que siguen estando predominantemente en forma no estructurada (im\u00e1genes o texto). Una tecnolog\u00eda (Deep Learning<\/em> ) puede procesar eficazmente estos datos no estructurados y, de este modo, est\u00e1 capacitada para emular cada vez m\u00e1s las actividades m\u00e9dicas (diagn\u00f3stico, decisi\u00f3n terap\u00e9utica o redacci\u00f3n de un informe de salida).<\/p>\n\n

Hasta qu\u00e9 punto y en qu\u00e9 plazo influir\u00e1n estas nuevas tecnolog\u00edas en la medicina sigue siendo una cuesti\u00f3n abierta. En la pr\u00f3xima secci\u00f3n exploraremos estas cuestiones y prestaremos especial atenci\u00f3n a las oportunidades y los riesgos de la inteligencia artificial en la pr\u00e1ctica m\u00e9dica diaria (Tab. 1)<\/span>.<\/p>\n\n

\"\"<\/figure>\n\n

Uso de la IA en la pr\u00e1ctica cl\u00ednica diaria: \u00bfcompetencia para el m\u00e9dico?<\/h2>\n\n

En la actualidad existe un inter\u00e9s creciente por utilizar la inteligencia artificial (IA) para complementar, mejorar o incluso sustituir la inteligencia diagn\u00f3stica del m\u00e9dico. Los defensores de la IA esperan que estas tecnolog\u00edas puedan mejorar la eficacia del diagn\u00f3stico, as\u00ed como su precisi\u00f3n (con menos infradiagn\u00f3sticos y sobrediagn\u00f3sticos) [13].<\/p>\n\n

Sin embargo, otros han argumentado que esto crear\u00e1 una carga adicional de informaci\u00f3n durante una hora de consulta ya sobrecargada. Podr\u00eda hacer muy poco para mejorar los resultados de los pacientes, los niveles de estr\u00e9s de los m\u00e9dicos o la situaci\u00f3n financiera del servicio sanitario. Estos argumentos se basan a veces en la experiencia con sistemas existentes que apoyan a los m\u00e9dicos en actividades como la detecci\u00f3n de interacciones farmacol\u00f3gicas y que a menudo no convencen debido a falsas alarmas o intervenciones no pertinentes [14].<\/p>\n\n

Sin embargo, con una nueva generaci\u00f3n de sistemas de IA, cabe esperar que \u00e9stos se establezcan en la pr\u00e1ctica cl\u00ednica diaria a m\u00e1s largo plazo. La raz\u00f3n radica principalmente en la capacidad de estos sistemas para estudiar un n\u00famero ilimitado de casos y perfeccionar as\u00ed un algoritmo de diagn\u00f3stico. Un radi\u00f3logo, por ejemplo, tiene acceso durante su formaci\u00f3n y tambi\u00e9n su actividad profesional a un gran n\u00famero de im\u00e1genes radiol\u00f3gicas, aunque luego limitadas, que puede utilizar para perfeccionar sus habilidades de diagn\u00f3stico. En cambio, los ordenadores tienen acceso potencialmente a todas las im\u00e1genes radiol\u00f3gicas adquiridas en uno o varios hospitales. De este modo, el ordenador puede recurrir a las im\u00e1genes radiol\u00f3gicas y los hallazgos de cientos de radi\u00f3logos, emulando de forma eficaz, aunque indirecta, sus conocimientos colectivos. Un solo radi\u00f3logo tiene as\u00ed una desventaja frente a un ordenador.<\/p>\n\n

Estas nuevas generaciones de sistemas de IA no tienen por qu\u00e9 funcionar de forma aut\u00f3noma (sin supervisi\u00f3n m\u00e9dica), pues ya se utilizan en oftalmolog\u00eda para el diagn\u00f3stico de la retinopat\u00eda diab\u00e9tica [9]. M\u00e1s bien, la IA servir\u00e1 de apoyo a las actividades m\u00e9dicas, por ejemplo en los sistemas de IA radiol\u00f3gica que priorizan las im\u00e1genes radiol\u00f3gicas pendientes de evaluaci\u00f3n en funci\u00f3n de la gravedad de fondo o en los sistemas de asistencia<\/em> basados en IA que alertan al radi\u00f3logo de una fractura en la imagen de rayos X y aumentan de forma demostrable la precisi\u00f3n del diagn\u00f3stico [17]. Si los especialistas realmente aceptar\u00e1n y utilizar\u00e1n esta ayuda de la IA sigue siendo una cuesti\u00f3n abierta en este momento. En cualquier caso, los no especialistas, los m\u00e9dicos de cabecera, los m\u00e9dicos en formaci\u00f3n y el resto del personal m\u00e9dico se ver\u00e1n capacitados por la IA para realizar por s\u00ed mismos ex\u00e1menes diagn\u00f3sticos complejos.<\/p>\n\n

No obstante, cabe se\u00f1alar aqu\u00ed que un sistema de IA nunca podr\u00e1 sustituir por completo al m\u00e9dico, ya que el sistema carece por el momento de empat\u00eda y compasi\u00f3n por el paciente. Un m\u00e9dico debe comprender el contexto del paciente y asumir las circunstancias tanto sociales como psicol\u00f3gicas con empat\u00eda, cuidado y compasi\u00f3n. Se pueden ense\u00f1ar conocimientos expl\u00edcitos sobre el valor predictivo de los s\u00edntomas a un sistema de IA, pero que aprenda a ganarse la confianza de una persona es poco probable en este momento.<\/p>\n\n

Mejorar la calidad de la medicina<\/h2>\n\n

Sin embargo, aplicados correctamente, los sistemas de IA podr\u00edan suponer un aumento de la calidad de la atenci\u00f3n m\u00e9dica. Los sistemas de IA no se fatigan y garantizan un rendimiento diagn\u00f3stico constante independientemente de la hora del d\u00eda o del volumen de pacientes. La IA puede supervisar los procesos m\u00e9dicos en segundo plano y tomar medidas correctivas. Siendo optimistas, la IA podr\u00eda suponer un importante ahorro de tiempo y mejorar as\u00ed la calidad de la relaci\u00f3n m\u00e9dico-paciente. En concreto, los m\u00e9dicos podr\u00edan dejar los ex\u00e1menes rutinarios a la IA y dedicar m\u00e1s tiempo a hablar con los pacientes. Un ejemplo de la pr\u00e1ctica del m\u00e9dico de cabecera ser\u00eda el asesoramiento a un paciente con diabetes mellitus de tipo 2. Actualmente, los m\u00e9dicos de cabecera dedican mucho tiempo a recopilar informaci\u00f3n de diversas fuentes, por ejemplo, leyendo los informes de alta de pacientes ambulatorios u hospitalizados, analizando los an\u00e1lisis de sangre de los \u00faltimos meses y consultando directrices cl\u00ednicas. En cambio, los sistemas de asistencia por IA podr\u00edan preparar autom\u00e1ticamente lo m\u00e1s importante e indicar los riesgos y las medidas en funci\u00f3n del perfil de riesgo individual del paciente. As\u00ed, los sistemas de IA tambi\u00e9n podr\u00edan desempe\u00f1ar un papel importante en la prevenci\u00f3n. Estos sistemas podr\u00edan sugerir consultas de forma proactiva si determinan que un paciente con diabetes mellitus de tipo 2 presenta un mayor riesgo de desarrollar una complicaci\u00f3n diab\u00e9tica concreta y justifica una intervenci\u00f3n.<\/p>\n\n

La IA en el GP<\/h2>\n\n

Los sistemas basados en la IA tambi\u00e9n aportan conocimientos de diagn\u00f3stico de apoyo a la atenci\u00f3n primaria. Una imagen de una lesi\u00f3n cut\u00e1nea es suficiente para diagnosticar su etiolog\u00eda mediante un sistema de IA. Las im\u00e1genes podr\u00edan captarse en una consulta de medicina general y enviarse a un sistema de IA especializado en dermatolog\u00eda para su an\u00e1lisis oportuno [6]. Los pacientes con bajo riesgo recibir\u00edan tranquilidad inmediata, mientras que los pacientes con mayor riesgo de melanoma podr\u00edan ser remitidos a un dermat\u00f3logo inmediatamente y no tendr\u00edan que esperar mucho, ya que los especialistas s\u00f3lo ven casos seleccionados. Este concepto no s\u00f3lo se limita al campo de la dermatolog\u00eda, sino tambi\u00e9n a la interpretaci\u00f3n de muchos otros datos complejos de los pacientes, por ejemplo las exploraciones de retina, las radiograf\u00edas o las im\u00e1genes de ultrasonidos. Muchas de estas im\u00e1genes pronto podr\u00e1n recogerse y analizarse con equipos relativamente baratos y con IA. Un buen ejemplo es una nueva generaci\u00f3n de peque\u00f1os aparatos de ultrasonidos que se conectan directamente al tel\u00e9fono inteligente y pueden analizar una gran variedad de sistemas org\u00e1nicos a trav\u00e9s de la IA [18].<\/p>\n\n

Otras aplicaciones tambi\u00e9n son relevantes. Por ejemplo, los nuevos enfoques para la detecci\u00f3n de interacciones farmacol\u00f3gicas basados en algoritmos de aprendizaje<\/em> profundo muestran potencial. La polifarmacia es un problema creciente en medicina de familia que conlleva un alto riesgo de interacciones farmacol\u00f3gicas adversas. Los sistemas de IA que apoyan al m\u00e9dico pueden desempe\u00f1ar un papel importante en la detecci\u00f3n y tambi\u00e9n en la prevenci\u00f3n (Fig. 1)<\/span> [15,16].<\/p>\n\n

Sin embargo, un obst\u00e1culo para la implantaci\u00f3n segura y generalizada de los sistemas de IA en las consultas de los m\u00e9dicos de cabecera y en muchos otros \u00e1mbitos de la medicina es la introducci\u00f3n de datos, a menudo inadecuada. En la sanidad, el proceso rara vez est\u00e1 automatizado y a menudo depende de los m\u00e9dicos, que carecen del tiempo necesario para introducir los datos. Sin datos correctos y actualizados, los sistemas de IA no disponen de la informaci\u00f3n necesaria para generar un algoritmo de trabajo que permita tomar decisiones correctas [19]. Especialmente en medicina general, a\u00fan son necesarios muchos esfuerzos para mejorar la situaci\u00f3n de los datos en consecuencia.<\/p>\n\n

\u00a0<\/h2>\n\n

\"\"<\/h2>\n\n

\u00a0<\/h2>\n\n

La naturaleza de caja negra y el sesgo sistem\u00e1tico de la IA<\/h2>\n\n

El desarrollo de algoritmos de aprendizaje profundo<\/em>proporciona a los ordenadores la capacidad de explorar asociaciones cada vez m\u00e1s complejas. Los algoritmos de aprendizaje<\/em>profundo se basan en la idea de un cerebro “informatizado”. Sin embargo, los procesos neuronales que tienen lugar en el sistema no siempre son comprensibles para los humanos (la IA es una “caja negra”). Esto dificulta la interpretaci\u00f3n de los resultados. Esto, a su vez, puede conducir a una reducci\u00f3n de la confianza hacia el sistema y dificultar as\u00ed la integraci\u00f3n en la pr\u00e1ctica cl\u00ednica [19]. Adem\u00e1s, un sistema de IA s\u00f3lo es tan bueno como los datos que se le proporcionan; si los datos son defectuosos o est\u00e1n distorsionados, pueden contener sesgos sistem\u00e1ticos. De este modo, aumenta el riesgo de que se produzca un error sistem\u00e1tico en el sistema de IA. Por ejemplo, los pacientes con un estatus socioecon\u00f3mico bajo pueden recibir menos pruebas diagn\u00f3sticas y medicamentos para enfermedades cr\u00f3nicas y tener un acceso limitado a la atenci\u00f3n sanitaria. Por tanto, un sistema de IA s\u00f3lo dispone de una cantidad limitada de informaci\u00f3n sobre esta poblaci\u00f3n de pacientes y puede sugerir una intervenci\u00f3n necesaria m\u00e1s tarde que en el caso de los pacientes que visitan al m\u00e9dico con regularidad [20].<\/p>\n\n

Por otra parte, los profesionales m\u00e9dicos no son inmunes a los prejuicios. La toma de decisiones cl\u00ednicas suele depender en parte de un conjunto de “reglas emp\u00edricas” y algoritmos. Sheringham et al. [21] demostr\u00f3, por ejemplo, que los m\u00e9dicos de cabecera brit\u00e1nicos no ten\u00edan m\u00e1s probabilidades de diagnosticar c\u00e1ncer a los pacientes con s\u00edntomas de alto riesgo que a los pacientes con s\u00edntomas de bajo riesgo. Tambi\u00e9n se ha demostrado que pacientes con los mismos s\u00edntomas son tratados o aclarados de forma diferente [21].<\/p>\n\n

Un sistema de IA puede sintetizar e interpretar potencialmente de forma objetiva todos los datos disponibles en la historia cl\u00ednica electr\u00f3nica, lo que resulta imposible para el m\u00e9dico debido a la ingente cantidad de datos. La interacci\u00f3n entre el m\u00e9dico y la IA es sin\u00e9rgica y encierra la oportunidad de mitigar los prejuicios y lograr una mejor atenci\u00f3n al paciente.<\/p>\n\n

Datos abiertos: implicaciones para la IA, la protecci\u00f3n de datos y la seguridad<\/h2>\n\n

Los datos abiertos son una tendencia cada vez m\u00e1s importante tambi\u00e9n en la atenci\u00f3n sanitaria. Una de las principales ventajas de los datos abiertos es que los datos procedentes de ensayos cl\u00ednicos y otras fuentes pueden utilizarse, reanalizarse, compartirse y combinarse con otros datos. Los datos abiertos facilitan la colaboraci\u00f3n cient\u00edfica, enriquecen la investigaci\u00f3n, mejoran la capacidad anal\u00edtica para tomar decisiones y garantizan un progreso mucho m\u00e1s r\u00e1pido de la medicina. Por ejemplo, MIMIC-IV es un conjunto de datos que contiene datos sanitarios no identificables de m\u00e1s de 60.000 pacientes de cuidados intensivos del Centro M\u00e9dico Beth Israel Deaconess entre 2008 y 2019 y est\u00e1 a disposici\u00f3n del p\u00fablico [22].<\/p>\n\n

Los datos abiertos est\u00e1n alimentando la IA, que depende de conjuntos de datos de pacientes muy amplios. Este aspecto conducir\u00e1 inevitablemente a una convergencia de los sistemas sanitarios, al menos a nivel de datos, de modo que en la red de hospitales se recojan datos suficientes para la IA. Esta “transparencia de los datos” podr\u00eda tener otros efectos positivos a largo plazo, como un mejor control de los costes en el sistema sanitario.<\/p>\n\n

La dependencia de los datos tambi\u00e9n tiene sus inconvenientes. Los datos m\u00e9dicos contienen informaci\u00f3n muy sensible que debe protegerse por motivos de protecci\u00f3n de datos y, a primera vista, representan una barrera importante para los Datos Abiertos. As\u00ed pues, el uso de Datos Abiertos requiere un cuidadoso equilibrio entre el libre acceso y la privacidad del paciente. Para hacer frente a estos retos de seguridad y protecci\u00f3n de datos, hay que hacer gran hincapi\u00e9 en las salvaguardas legales (“acuerdos de uso de datos”), los algoritmos avanzados de encriptaci\u00f3n y la pseudoanonimizaci\u00f3n de los datos personales. Los sistemas de IA en general deben garantizar la protecci\u00f3n y la seguridad de los datos y establecer normas de buena gobernanza [23].<\/p>\n\n

Conclusi\u00f3n<\/h2>\n\n

El uso de sistemas de IA en la pr\u00e1ctica m\u00e9dica para un diagn\u00f3stico y una terapia m\u00e1s eficaces requiere la aceptaci\u00f3n y el apoyo de los m\u00e9dicos. Antes de utilizarla, hay que asegurarse de que la combinaci\u00f3n IA-m\u00e9dico aporta un beneficio a la atenci\u00f3n al paciente, entre otras cosas reduciendo la carga de trabajo de los m\u00e9dicos y sin crear incertidumbre en los pacientes. Lo que se necesita ahora es una investigaci\u00f3n sobre la IA que examine de forma hol\u00edstica e ilumine sistem\u00e1ticamente las consecuencias para la pr\u00e1ctica cl\u00ednica diaria.<\/p>\n\n

Mensajes para llevarse a casa<\/h2>\n\n
    \n
  • La inteligencia artificial es un campo en expansi\u00f3n que tendr\u00e1 un gran impacto en la medicina del ma\u00f1ana.<\/li>\n\n\n\n
  • Una comprensi\u00f3n b\u00e1sica de la inteligencia artificial es crucial para su correcta aplicaci\u00f3n en la pr\u00e1ctica cl\u00ednica.<\/li>\n\n\n\n
  • El apoyo de la actividad m\u00e9dica por la inteligencia artificial conlleva una mejora potencial de la calidad y una reducci\u00f3n del tiempo.<\/li>\n\n\n\n
  • La inteligencia artificial no es infalible. Nuevos sistemas prometedores son objeto de investigaci\u00f3n en la actualidad, pero siguen teniendo dificultades de implantaci\u00f3n en una aplicaci\u00f3n cl\u00ednica amplia.<\/li>\n<\/ul>\n\n

    Agradecimiento<\/em><\/strong><\/p>\n\n

    Agradecemos al Dr. Lukas Bachmann su revisi\u00f3n constructiva del art\u00edculo.<\/em><\/p>\n\n

    Literatura:<\/p>\n\n

      \n
    1. McCarthy J, Minsky ML, Rochester N, Shannon CE: A Proposal for the Dartmouth Summer Research Project on Artificial Intelligence, 31 de agosto de 1955. Revista AI 1955; 27(4): 12.<\/li>\n\n\n\n
    2. Shortliffe EH, Buchanan BG: Un modelo de razonamiento inexacto en medicina. Biociencias matem\u00e1ticas 1975; 23(3): 351-379.<\/li>\n\n\n\n
    3. Rosati RA, McNeer JF, Starmer CF, et al: Un nuevo sistema de informaci\u00f3n para la pr\u00e1ctica m\u00e9dica. Arch Intern Med 1975; 135(8): 1017-1024.<\/li>\n\n\n\n
    4. Kassirer JP: Un bolet\u00edn de notas sobre el diagn\u00f3stico asistido por ordenador-la nota: C. N Engl J Med 1994; 330(25): 1824-1825.<\/li>\n\n\n\n
    5. Langlotz CP, Allen B, Erickson BJ, et al: A Roadmap for Foundational Research on Artificial Intelligence in Medical Imaging: Del taller NIH\/RSNA\/ACR\/The Academy 2018. Radiolog\u00eda 2019; 291(3): 781-791.<\/li>\n\n\n\n
    6. Esteva A, Kuprel B, Novoa RA, et al: Clasificaci\u00f3n del c\u00e1ncer de piel a nivel dermatol\u00f3gico con redes neuronales profundas. Nature 2017; 542(7639): 115-118.<\/li>\n\n\n\n
    7. Kooi T, Litjens G, van Ginneken B, et al: Aprendizaje profundo a gran escala para la detecci\u00f3n asistida por ordenador de lesiones mamogr\u00e1ficas. Med Image Anal 2017; 35: 303-312.<\/li>\n\n\n\n
    8. Gulshan V, Peng L, Coram M, et al: Desarrollo y validaci\u00f3n de un algoritmo de aprendizaje profundo para la detecci\u00f3n de la retinopat\u00eda diab\u00e9tica en fotograf\u00edas del fondo de ojo. JAMA 2016; 316(22): 2402-2410.<\/li>\n\n\n\n
    9. De Fauw J, Ledsam JR, Romera-Paredes B, et al: Aprendizaje profundo cl\u00ednicamente aplicable para el diagn\u00f3stico y la derivaci\u00f3n en enfermedades de la retina. Nat Med 2018; 24(9): 1342-1350.<\/li>\n\n\n\n
    10. van der Laak J, Litjens G, Ciompi F: Aprendizaje profundo en histopatolog\u00eda: el camino hacia la cl\u00ednica. Nat Med 2021; 27(5): 775-784.<\/li>\n\n\n\n
    11. Li Y, Rao S, Solares JRA et al: BEHRT: Transformador para historias cl\u00ednicas electr\u00f3nicas. Sci Rep 2020; 10(1): 7155.<\/li>\n\n\n\n
    12. Nooralahzadeh F, Gonzalez NP, Frauenfelder T, et al: Generaci\u00f3n progresiva de informes radiol\u00f3gicos basada en transformadores. arXiv preprint arXiv:210209777; 2021.<\/li>\n\n\n\n
    13. Summerton N, Cansdale M.: Inteligencia artificial y diagn\u00f3stico en la pr\u00e1ctica general. Br J Gen Pract 2019; 69(684): 324-325.<\/li>\n\n\n\n
    14. Embi PJ, Leonard AC: Evaluaci\u00f3n de la fatiga por alertas a lo largo del tiempo ante las alertas de ensayos cl\u00ednicos basadas en la HCE: resultados de un estudio controlado aleatorizado. J Am Med Inform Assoc 2012; 19(e1): e145-148.<\/li>\n\n\n\n
    15. Schwarz K, Allam A, Gonz\u00e1lez NAP, Krauthammer M: AttentionDDI: m\u00e9todo de aprendizaje profundo basado en la atenci\u00f3n siamesa para la predicci\u00f3n de interacciones entre f\u00e1rmacos. ArXiv. 2020; abs\/2012.13248.<\/li>\n\n\n\n
    16. Moriarty F, Hardy C, Bennett K, et al: Tendencias e interacci\u00f3n de la polifarmacia y la prescripci\u00f3n potencialmente inadecuada en atenci\u00f3n primaria durante 15 a\u00f1os en Irlanda: un estudio transversal repetido. BMJ Open 2015; 5(9): e008656.<\/li>\n\n\n\n
    17. Rainey C, McConnell J, Hughes C, et al: Artificial intelligence for diagnosis of fractures on plain radiographs: A scoping review of current literature. Medicina basada en la inteligencia 2021; 5: 100033.<\/li>\n\n\n\n
    18. Buonsenso D, Pata D, Chiaretti A: Brote de COVID-19: menos estetoscopio, m\u00e1s ultrasonidos. Lancet Respir Med 2020; 8(5): e27.<\/li>\n\n\n\n
    19. Liaw W, Kakadiaris IA: Inteligencia artificial en atenci\u00f3n primaria: una rama escondida a plena vista. Ann Fam Med 2020; 18(3): 194-195.<\/li>\n\n\n\n
    20. Obermeyer Z, Powers B, Vogeli C, Mullainathan S.: Disecci\u00f3n del sesgo racial en un algoritmo utilizado para gestionar la salud de las poblaciones. Science 2019; 366(6464): 447-453.<\/li>\n\n\n\n
    21. Sheringham J, Sequeira R, Myles J, et al: Variaciones en las decisiones de los m\u00e9dicos de cabecera para investigar la sospecha de c\u00e1ncer de pulm\u00f3n: un experimento factorial mediante vi\u00f1etas multimedia. BMJ Qual Saf 2017; 26(6): 449-459.<\/li>\n\n\n\n
    22. Johnson ABL, Pollard T, Horng S, et al: MIMIC-IV (versi\u00f3n 1.0). PhysioNet0 2021; doi: 10.13026\/s6n6-xd98.<\/li>\n\n\n\n
    23. Kobayashi S, Kane TB, Paton C: Las implicaciones para la privacidad y la seguridad de los datos abiertos en la atenci\u00f3n sanitaria. Yearb Med Inform 2018; 27(1): 41-47.<\/li>\n<\/ol>\n\n

      PR\u00c1CTICA GP 2021; 16(11): 6-10<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

      El t\u00e9rmino inteligencia artificial se remonta a la d\u00e9cada de 1950. Siglo XX y engloba un conjunto de tecnolog\u00edas que permiten a un ordenador emular las caracter\u00edsticas t\u00edpicas de la…<\/p>\n","protected":false},"author":7,"featured_media":113270,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"pmpro_default_level":"","cat_1_feature_home_top":false,"cat_2_editor_pick":false,"csco_eyebrow_text":"Inteligencia artificial en medicina","footnotes":""},"category":[22619,11478,11288,11430,11552],"tags":[18523,18524,11758,14179],"powerkit_post_featured":[],"class_list":["post-327365","post","type-post","status-publish","format-standard","has-post-thumbnail","category-formacion-cme","category-formacion-continua","category-medicina-interna-general","category-prevencion-y-asistencia-sanitaria","category-rx-es","tag-aprendizaje-profundo","tag-datos-abiertos","tag-formacion-cme","tag-inteligencia-artificial-es","pmpro-has-access"],"acf":[],"publishpress_future_action":{"enabled":false,"date":"2026-05-02 12:48:07","action":"change-status","newStatus":"draft","terms":[],"taxonomy":"category","extraData":[]},"publishpress_future_workflow_manual_trigger":{"enabledWorkflows":[]},"wpml_current_locale":"es_ES","wpml_translations":[],"_links":{"self":[{"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/posts\/327365","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/users\/7"}],"replies":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/comments?post=327365"}],"version-history":[{"count":1,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/posts\/327365\/revisions"}],"predecessor-version":[{"id":327366,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/posts\/327365\/revisions\/327366"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/media\/113270"}],"wp:attachment":[{"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/media?parent=327365"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/category?post=327365"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/tags?post=327365"},{"taxonomy":"powerkit_post_featured","embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/powerkit_post_featured?post=327365"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}