Una Visión General de la Inteligencia Artificial en Neurología

MD. Experto en Gerencia y Auditoría de Calidad, líder
sectorial en entidades del aseguramiento,

Citando a Hipócrates: «La vida es corta, el arte largo, la oportunidad pasajera, la experiencia traicionera y el juicio difícil», la práctica de la neurología se ha enfrentado a muchos desafíos desde que Jean-Martin Charcot estableció sus principios sagrados en 1882.  A pesar de los innumerables progresos en la práctica médica en los últimos 55 años, la transición epidemiológica (envejecimiento de la población debido a la reducción de la natalidad y de la mortalidad) plantea un desafío enorme para la neurología: las enfermedades neurológicas son una causa cada vez más frecuente de mortalidad y discapacidad, y su cuidado implica alto costo para los pacientes y sus familias, así como para los sistemas de salud en general (1). Se considera como inteligencia artificial (IA) a las herramientas computacionales que pueden sustituir a la inteligencia humana en el desempeño de ciertas tareas (Salud, 2021). Esta tecnología avanza a un ritmo vertiginoso, muy similar al crecimiento exponencial experimentado por la tecnología de bases de datos a fines del siglo XX. La forma de ejecutar la medicina no será la que tradicionalmente conocemos, incluida la educación/formación médica, que deberá también adaptarse a las nuevas realidades, ya que lo que se demandará a los nuevos médicos será no solo nuevos contenidos sino un modelo digital. Dentro de la Medicina, existe, particularmente, un gran potencial para la aplicación de IA especialmente en campos como la neurología. La IA promete revolucionar esta especialidad en forma inimaginable. Existen numerosos ejemplos de usos exitosos de las herramientas de IA, en particular se han utilizado 3 tipos de desarrollos y enfoques: (2)

1) Modelos de IA como herramienta pronóstica luego del diagnóstico,
2) Modelos de aprendizaje profundo como visión de máquina para el análisis de datos en radiología y anatomía patológica.
3) Modelos de aprendizaje de máquina para la asistencia en el proceso diagnóstico.

Para su implementación en el campo médico, estos sistemas de IA deben cumplir ciertos requisitos (6):

1. Utilidad (comodidad y facilidad de uso) 2. Trazabilidad (el proceso de decisión debe ser trazable desde los datos hasta el diagnóstico/tratamiento) 3. Evaluabilidad (el sistema debe poder ser evaluado externamente) 4. Posibilidad de derivación (banderas rojas que requieran de la intervención de un humano) 5. Flexibilidad (adaptación a los requerimientos de cada paciente).

La integración de la IA en el entorno clínico ambulatorio o prehospitalario puede influir en el enfoque de tratamiento de los pacientes. En particular, las personas con un perfil de riesgo o pacientes con enfermedades crónicas podrán evaluar mejor su estado de salud en la vida cotidiana utilizando dispositivos inteligentes o wearables tanto visibles como invisibles. Con la detección temprana de los parámetros de riesgo, es posible reaccionar mejor ante posibles emergencias (4).

Hay más de 600 enfermedades relacionadas con el sistema nervioso, siendo las más frecuentes la enfermedad de Parkinson (EP), la enfermedad de Alzheimer (EA), esclerosis múltiple (EM), epilepsia, demencia, cefaleas, infecciones, accidente cerebrovascular, lesiones cerebrales traumáticas y tumores entre otras. Hasta el momento estas enfermedades neurológicas son identificadas inicialmente mediante la historia clínica y la exploración neurológica. Herramientas procedentes de la IA tienen un amplio espectro de utilidad en este campo ya que pueden apoyar el diagnóstico híbrido de eventos como un accidente cerebrovascular a partir de imágenes, retinopatías a través del análisis automático de fundoscopias o fotografías retinianas, interpretar el electroencefalograma (EEG) para predecir crisis convulsivas, predecir la conversión de un deterioro cognitivo leve en demencia de Alzheimer, clasificar las enfermedades neurodegenerativas etc.

Un interesante ejemplo es el uso de aprendizaje de máquina para la detección temprana de estados demenciales basados en el análisis de los periodos de afectación cognitiva leve (deterioro cognitivo leve o DCL). Estos modelos utilizan datos de neuroimagen, como la tomografía por emisión de positrones (PET) y la resonancia magnética (RM), junto con métodos avanzados de procesamiento de datos. El entrenamiento de estos modelos puede también incorporar técnicas de aprendizaje de transferencia, el cual permite “reciclar” set de datos de entrenamiento previamente ejecutados en otras tareas para optimizar el rendimiento de estos (7).

En conclusión, Las nuevas investigaciones derivadas de analítica avanzada y modelos de IA, así como en nuevas tecnologías incluyendo la monitorización remoto visible e invisible beneficiarán tanto a pacientes como a médicos. Será posible navegar mejor por la avalancha de datos multifuente en salud, minimizar los errores y realizar predicciones precisas e individuales. En última instancia, el tiempo de trabajo en la computadora se reduce y hay más tiempo para el paciente nuevamente, de modo que podremos utilizar las tecnologías disponibles para devolver un poco más de humanidad al tratamiento y a la interacción con el paciente. Es probable que la práctica clínica cambie en un futuro próximo para incorporar la IA como herramienta complementaria. El médico debe estar preparado para cambiar la percepción de la IA del apocalipsis a la oportunidad. Sir William Osler dijo una vez: «La medicina es la ciencia de la incertidumbre y el arte de la probabilidad. Escuche, escuche, escuche, el paciente le está diciendo el diagnóstico». La IA está escuchando

Figura 1. Forma convencional de la práctica de la Medicina Clínica frente al uso de la inteligencia artificial (IA). TC: Tomografía computarizada, RM: resonancia magnética, SPECT: tomografía computarizada por emisión de fotón único, PET: tomografía por emisión de positrones, EEG: electroencefalografía, EMG: electromiografía, PEs: potenciales evocados. (Salud, 2021)

Referencias

  1. Bruno V. Introducción a la neurología global. Neurol Arg. 2016; 8:227–8, http://dx.doi.org/10.1016/j.neuarg.2016.02.010–
  2. Obermeyer Z, Emanuel EJ. Predicting the future-big data, machine learning, and clinical medicine. N Engl J Med. 2016;375:1216–9, http://dx.doi.org/10.1056/NEJMp1606181
  3. fernández Slezak D, Dorra F, Varela F, Alessandroc L, Brunod VA Farez MF. Inteligencia artificial y neurología: la revolución al acecho. Documento de posición. NeurolArg. 2017;9(2):134–136.
  4. Künstliche Intelligenz in der Neurointensivmedizin N. Schweingrubercorresponding author and C. Gerloff https://www.ncbi.nlm.nih.gov/pmc/articles/PMC7829030/
  5. Artificial Intelligence shaping the future of neurology practice P W Vinny 1, V Y Vishnu 2, M V Padma Srivastava 3 https://pubmed.ncbi.nlm.nih.gov/34305279/
  6. Inteligencia Artificial en el campo de la Salud. Un nuevo paradigma: aspectos clínicos, éticos y legales Colección de bioética y derecho sanitario ISBN: 978-84-18568-02-2 Año: 2021
  7. Valverde et al. Transfer Learning in Magnetic Resonance Brain Imaging: A Systematic Review. J Imaging 2021 Apr 1;7(4):66.doi: 10.3390/jimaging7040066.

Deja una respuesta

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Salir /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Salir /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Salir /  Cambiar )

Conectando a %s

A %d blogueros les gusta esto: