{"id":375831,"date":"2024-02-22T14:00:00","date_gmt":"2024-02-22T13:00:00","guid":{"rendered":"https:\/\/medizinonline.com\/como-toman-decisiones-complejas-los-algoritmos\/"},"modified":"2024-04-08T07:37:54","modified_gmt":"2024-04-08T05:37:54","slug":"como-toman-decisiones-complejas-los-algoritmos","status":"publish","type":"post","link":"https:\/\/medizinonline.com\/es\/como-toman-decisiones-complejas-los-algoritmos\/","title":{"rendered":"\u00bfC\u00f3mo toman decisiones complejas los algoritmos?"},"content":{"rendered":"\n

La inteligencia artificial (IA) puede ayudar a detectar el c\u00e1ncer de piel en la pr\u00e1ctica cl\u00ednica diaria, pero un obst\u00e1culo es que las decisiones que toman los algoritmos a menudo no son comprensibles. Cient\u00edficos del Centro Alem\u00e1n de Investigaci\u00f3n del C\u00e1ncer han desarrollado ahora un sistema de apoyo basado en la IA para el diagn\u00f3stico del c\u00e1ncer de piel que ofrece explicaciones sobre las decisiones de los algoritmos. Con ello se pretende reforzar la confianza de los profesionales m\u00e9dicos en las aplicaciones de la IA.<\/strong><\/p>\n\n\n\n

Los melanomas son responsables de la mayor\u00eda de las muertes relacionadas con el c\u00e1ncer de piel en todo el mundo, pero son dif\u00edciles de distinguir de otros tumores cut\u00e1neos en una fase temprana. Los recientes avances en los sistemas de ayuda al diagn\u00f3stico basados en la IA pueden ayudar a los dermat\u00f3logos a diagnosticar melanomas y lunares con mayor precisi\u00f3n utilizando im\u00e1genes digitalizadas de lesiones sospechosas. Pero, \u00bfqu\u00e9 caracter\u00edsticas determinan el resultado de un sistema de IA? “La responsabilidad \u00faltima de un diagn\u00f3stico recae en el cl\u00ednico. Por ello, los dermat\u00f3logos se muestran justificadamente cautelosos a la hora de utilizar sistemas basados en la IA sin poder comprender sus decisiones”, explic\u00f3 el PD Dr. Titus Brinker, del Centro Alem\u00e1n de Investigaci\u00f3n Oncol\u00f3gica (DKFZ) [1]. “Nuestro objetivo era, por tanto, desarrollar un sistema de apoyo adaptado a la perspectiva de los dermat\u00f3logos a la hora de diagnosticar un melanoma y que explicara su proceso de toma de decisiones”, afirma el Dr. Brinker [1]. <\/p>\n\n

<\/p>\n\n

Estudio MELVEC en la Universidad de Basilea <\/strong>Los nuevos sistemas de fotograf\u00eda tridimensional de cuerpo entero basados en inteligencia artificial con an\u00e1lisis de software asistido por ordenador para la evaluaci\u00f3n del riesgo de los cambios pigmentarios de la piel tienen el potencial de mejorar la detecci\u00f3n precoz del melanoma maligno e influir as\u00ed positivamente en el pron\u00f3stico de la enfermedad. El estudio MELVEC de la Universidad de Basilea est\u00e1 investigando el uso de la \u00faltima fotograf\u00eda 3D de cuerpo entero para el cribado del melanoma. En concreto, el estudio analiza la eficacia del uso adicional de sistemas de an\u00e1lisis fotogr\u00e1fico basados en software de IA y su utilizaci\u00f3n en pacientes con alto riesgo de padecer (m\u00e1s) melanoma en la detecci\u00f3n precoz en comparaci\u00f3n con la norma actual, los controles cl\u00ednicos realizados por un dermat\u00f3logo. Adem\u00e1s de los posibles beneficios y la precisi\u00f3n de esta nueva tecnolog\u00eda en un entorno real, tambi\u00e9n se evaluar\u00e1 la aceptaci\u00f3n de este innovador procedimiento por parte de los pacientes y la carga emocional del c\u00e1ncer de piel, as\u00ed como la necesidad de apoyo psicol\u00f3gico en las distintas fases de la enfermedad. El estudio MELVEC lleva en marcha desde 2020 y ya ha incluido a m\u00e1s de 400 pacientes. <\/td><\/tr>
a [3 .4] <\/em><\/td><\/tr><\/tbody><\/table><\/figure>\n\n

“Inteligencia artificial explicable”<\/h3>\n\n

“Como continuaci\u00f3n de trabajos anteriores, hemos desarrollado nuestra IA explicable (XAI = inteligencia artificial explicable) <\/em>desarrollado de tal forma que proporciona explicaciones de tipo dermatol\u00f3gico relacionadas con las caracter\u00edsticas de zonas espec\u00edficas e individuales de la lesi\u00f3n”. [1]. En un estudio en tres fases, el equipo del Dr. Brinker investig\u00f3 los efectos sobre la precisi\u00f3n diagn\u00f3stica, la certeza diagn\u00f3stica y la confianza de los dermat\u00f3logos en el sistema explicativo [1,2]. Los investigadores tambi\u00e9n quer\u00edan saber qu\u00e9 factores fomentan la confianza de los m\u00e9dicos en esta tecnolog\u00eda. M\u00e1s de cien dermat\u00f3logos de 33 pa\u00edses participaron en el estudio. Los m\u00e9dicos diagnosticaron tres veces un panel de prueba de im\u00e1genes digitalizadas de diversas lesiones, bas\u00e1ndose \u00fanicamente en su experiencia, con la ayuda de un sistema de IA convencional y con la XAI. Como ya se ha documentado en estudios anteriores, el uso de un sistema de IA aument\u00f3 la precisi\u00f3n diagn\u00f3stica en la detecci\u00f3n del melanoma, pero \u00e9sta no pudo incrementarse a\u00fan m\u00e1s con el uso de la XAI. La confianza de los dermat\u00f3logos en sus propias decisiones tambi\u00e9n mejor\u00f3 con el apoyo de la IA, y volvi\u00f3 a aumentar significativamente al utilizar el sistema XAI. Los m\u00e9dicos confiaban especialmente en su propio diagn\u00f3stico si sus criterios de decisi\u00f3n coincid\u00edan en gran medida con los criterios enumerados por el XAI. “Los resultados ilustran que la XAI puede mejorar la confianza de los m\u00e9dicos en el diagn\u00f3stico y tiene el potencial de aumentar la aceptaci\u00f3n por parte de los profesionales m\u00e9dicos del uso de m\u00e9todos de IA”, afirma el Dr. Brinker, director del estudio. <\/p>\n\n

MedUni Viena: “Aprendizaje<\/strong>por refuerzo” para un mejor diagn\u00f3stico del c\u00e1ncer de<\/strong>piel Un equipo internacional de investigaci\u00f3n ha investigado el aprendizaje por refuerzo como m\u00e9todo para lograr una mayor precisi\u00f3n en los resultados de la IA mediante la incorporaci\u00f3n de criterios de decisi\u00f3n humanos.<\/strong> Los investigadores integraron criterios en forma de “tablas de recompensa” en el sistema de IA. Las tablas de recompensas son herramientas que incorporan las consecuencias positivas y negativas de los juicios cl\u00ednicos al proceso de toma de decisiones desde la perspectiva tanto de los m\u00e9dicos como de los pacientes. Sobre esta base, los resultados del diagn\u00f3stico de la IA no s\u00f3lo se calificaron como correctos o incorrectos, sino que tambi\u00e9n se recompensaron o penalizaron con un determinado n\u00famero de puntos positivos o negativos en funci\u00f3n de los efectos del diagn\u00f3stico o de las decisiones resultantes. Esto ha mejorado significativamente la precisi\u00f3n: La sensibilidad para los melanomas, por ejemplo, aument\u00f3 del 61,4% al 79,5% y para los carcinomas basocelulares del 79,4% al 87,1%. En general, la tasa de diagn\u00f3sticos correctos realizados por dermat\u00f3logos aument\u00f3 un 12%. El estudio se public\u00f3 en la revista Nature Medicine <\/em>.<\/td><\/tr>
seg\u00fan [6]<\/em><\/td><\/tr><\/tbody><\/table><\/figure>\n\n

La IA ya no es una “caja negra”<\/h3>\n\n

Las condiciones propuestas por la Comisi\u00f3n Europea para que las aplicaciones de la IA sean dignas de confianza incluyen la visi\u00f3n de conjunto, la transparencia y la responsabilidad. Si los algoritmos de IA son una “caja negra”, esto puede tener un impacto negativo en la aceptaci\u00f3n por parte del usuario. Sobre todo porque la medicina moderna propaga los diagn\u00f3sticos basados en pruebas como base para las decisiones terap\u00e9uticas. Por lo tanto, se desarroll\u00f3 la t\u00e9cnica de la inteligencia artificial explicable<\/em> (XAI) para aumentar la fiabilidad de las predicciones y juicios generados por la IA explicando c\u00f3mo se lleg\u00f3 a las conclusiones basadas en la IA. <\/p>\n\n

Literatura:<\/p>\n\n

    \n
  1. “La ayuda basada en IA para el diagn\u00f3stico del c\u00e1ncer de piel explica sus decisiones”, DKFZ, 17.01.2024. <\/li>\n\n\n\n
  2. Chanda T, et al: La IA explicable similar a la de un dermat\u00f3logo mejora la confianza en el diagn\u00f3stico del melanoma. Nature Communications 2024,DOI: 10.1038\/s41467-023-43095-4<\/li>\n\n\n\n
  3. “Aumento alarmante de los casos de c\u00e1ncer de piel: \u00bfLa fotograf\u00eda 3D de cuerpo entero asistida por IA al rescate?”, www.skincancer.ch\/newsletter-28,<\/a>(\u00faltimo acceso 21\/02\/2024)<\/li>\n\n\n\n
  4. “Objetivo del estudio”, www.hautkrebs-basel.ch,<\/a>(\u00faltima consulta: 21\/02\/2024).<\/li>\n\n\n\n
  5. Smuha NA: El enfoque de la UE sobre las directrices \u00e9ticas para una inteligencia artificial digna de confianza. Revista Internacional de Derecho Inform\u00e1tico; 2019; Vol. 20; iss. 4; 97-106. <\/li>\n\n\n\n
  6. Barata C, et al: Un modelo de aprendizaje por refuerzo para el apoyo a la toma de decisiones en c\u00e1ncer de piel basado en IA. Nat Med 2023; 29(8): 1941-1946.<\/li>\n<\/ol>\n\n

    <\/p>\n\n

    <\/p>\n\n

    DERMATOLOGIE PRAXIS 2024; 34(1): 29 (publicado el 25.2.24, antes de impresi\u00f3n)<\/em><\/p>\n","protected":false},"excerpt":{"rendered":"

    La inteligencia artificial (IA) puede ayudar a detectar el c\u00e1ncer de piel en la pr\u00e1ctica cl\u00ednica diaria, pero un obst\u00e1culo es que las decisiones que toman los algoritmos a menudo…<\/p>\n","protected":false},"author":7,"featured_media":375838,"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":"Diagn\u00f3stico del c\u00e1ncer de piel basado en la IA ","footnotes":""},"category":[11310,11475,11509,11336,11430,11552],"tags":[51209,72675,20065,74619,14179],"powerkit_post_featured":[],"class_list":["post-375831","post","type-post","status-publish","format-standard","has-post-thumbnail","category-dermatologia-y-venereologia","category-estudios","category-gestion-de-la-practica","category-oncologia","category-prevencion-y-asistencia-sanitaria","category-rx-es","tag-ai-es-2","tag-algoritmos-es","tag-diagnostico-del-cancer-de-piel","tag-explicaciones","tag-inteligencia-artificial-es","pmpro-has-access"],"acf":[],"publishpress_future_action":{"enabled":false,"date":"2026-04-28 14:57:13","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\/375831","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=375831"}],"version-history":[{"count":1,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/posts\/375831\/revisions"}],"predecessor-version":[{"id":375842,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/posts\/375831\/revisions\/375842"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/media\/375838"}],"wp:attachment":[{"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/media?parent=375831"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/category?post=375831"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/tags?post=375831"},{"taxonomy":"powerkit_post_featured","embeddable":true,"href":"https:\/\/medizinonline.com\/es\/wp-json\/wp\/v2\/powerkit_post_featured?post=375831"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}