En el amplio espectro de las ambiciones mundiales actuales de la Inteligencia Artificial, las aplicaciones de atención médica de Machine Learning parecen encabezar la lista de relevancia para las organizaciones.

Desde principios de 2013, Watson de IBM se ha utilizado en el campo de la medicina, y después de ganar una asombrosa serie de partidos contra el mejor jugador de Go vivo del mundo, el equipo de Google DeepMind decidió apoyar también las oportunidades médicas de sus tecnologías.

Aquí te compartimos algunas de las aplicaciones que tiene el ML en la medicina:

• Diagnóstico en imágenes médicas

La visión por computadora ha sido uno de los avances más notables, gracias al Machine Learning y Deep Learning, y es una aplicación de atención médica particularmente activa para el ML. La iniciativa InnerEye de Microsoft (iniciada en 2010) trabaja actualmente en herramientas de diagnóstico de imágenes.

El Deep Learning probablemente desempeñará un papel cada vez más importante en las aplicaciones de diagnóstico a medida que se vuelva más accesible, lo que sólo aumentará con la recolección de datos (incluidas formas ricas y variadas de imágenes médicas) se conviertan en parte del proceso de diagnóstico de IA.

• Consultas y sugerencias de tratamiento

El diagnóstico es un proceso muy complicado e involucra, al menos por ahora, existen un gran número de factores (desde el color del blanco de los ojos de un paciente hasta la comida que desayuna) que las máquinas no pueden clasificar y dar sentido actualmente; sin embargo, no hay dudas de que una máquina podría ayudar a los médicos a hacer las consideraciones correctas en el diagnóstico y el tratamiento, simplemente sirviendo como una extensión del conocimiento científico.

Eso es lo que busca el departamento de Oncología de Memorial Sloan Kettering (MSK) en su reciente asociación con IBM Watson. MSK tiene una gran cantidad de datos sobre pacientes con cáncer y tratamientos utilizados durante décadas, y puede presentar y sugerir ideas u opciones de tratamiento a los médicos para tratar casos de cáncer futuros únicos, extrayendo lo que funcionó mejor en el pasado. El tipo de herramienta que aumenta la inteligencia, aunque es difícil de vender en el bullicioso mundo de los hospitales, ya está en uso preliminar en la actualidad.

• Recopilación de datos médicos a escala/colaborativa

Hay un gran enfoque en agrupar datos de varios dispositivos móviles para agregar y dar sentido a más datos de salud en vivo. ResearchKit de Apple tiene como objetivo hacer esto en el tratamiento de la enfermedad de Parkinson y el síndrome de Asperger al permitir a los usuarios acceder a aplicaciones interactivas (una de las cuales aplica el Machine Learning para el reconocimiento facial) que evalúan sus condiciones a lo largo del tiempo; su uso de la aplicación alimenta los datos de progreso en curso en un grupo anónimo para su estudio futuro.

IBM está haciendo todo lo posible para adquirir todos los datos de salud que puede obtener, desde asociarse con Medtronic para dar sentido a los datos de diabetes e insulina en tiempo real, hasta comprar la compañía de análisis de salud Truven Health por $ 2.6 mil millones.

• Descubrimiento de medicamento

Las propias aplicaciones de salud de IBM han tenido iniciativas en el descubrimiento de fármacos desde sus inicios. Google también se ha lanzado a la refriega del descubrimiento de fármacos y se une a una serie de empresas que ya están recaudando y ganando dinero trabajando en el descubrimiento de fármacos con la ayuda del aprendizaje automático.

• Cirugía robótica

El robot da Vinci ha recibido la mayor parte de la atención en el espacio de la cirugía robótica. Éste dispositivo permite a los cirujanos manipular extremidades robóticas diestras para realizar cirugías con detalles finos y en espacios reducidos (y con menos temblores) de lo que sería posible con la mano humana sola.

Si bien no todos los procedimientos de cirugía robótica implican el Machine Learning, algunos sistemas utilizan la visión por computadora para identificar distancias o una parte específica del cuerpo (como identificar folículos pilosos para trasplante en la cabeza, en el caso de la cirugía de trasplante de cabello) . Además, el ML se utiliza en algunos casos para estabilizar el movimiento y el movimiento de las extremidades robóticas cuando se reciben instrucciones de los controladores humanos.

Aquí te compartimos una lista de aplicaciones que se verán en el futuro cercano:

• Medicina personalizada

En un futuro no muy lejano, con suerte, pocos pacientes recibirán exactamente la misma dosis de cualquier fármaco. De hecho, si sabemos lo suficiente sobre la genética y la historia del paciente, a pocos pacientes se les puede recetar el mismo fármaco.

La promesa de la medicina personalizada es un mundo en el que las recomendaciones de salud y los tratamientos de enfermedades de todos se adaptan en función de su historial médico, linaje genético, afecciones pasadas, dieta, niveles de estrés y más.

• Tratamiento o recomendación automática

En el video de diabetes creado por Medtronic e IBM (visible aquí), el propio Hooman Hakami de Medtronic afirma que en algún momento, Medtronic quiere que sus bombas de control de insulina funcionen de manera autónoma, monitoreando los niveles de glucosa en sangre e inyectando insulina según sea necesario, sin molestar al usuario.

Esto, por supuesto, es un microcosmos de una imagen mucho más amplia del tratamiento autónomo. Imagina una máquina que pudiera ajustar la dosis de analgésicos o antibióticos de un paciente mediante el seguimiento de datos sobre su sangre, dieta, sueño y estrés. En lugar de contar con seres humanos distraídos para recordar cuántas píldoras tomar, un pequeño «agente» de ML en la mesa de la cocina podría distribuir las píldoras, controlar cuántas toma y llamar a un médico si su condición parece grave.

• Mejora del rendimiento (más allá de la mejora)

Orreco e IBM anunciaron recientemente una asociación para impulsar el rendimiento deportivo, e IBM estableció una asociación similar con Under Armour en enero de 2016. Si bien la medicina occidental ha mantenido su enfoque principal en el tratamiento y la mejora de la enfermedad, existe una gran necesidad de salud proactiva. prevención e intervención, y la primera ola de dispositivos Internet of Things (en particular, el Fitbit) está impulsando estas aplicaciones.

Uno puede imaginar que la prevención de enfermedades o el rendimiento deportivo no serán las únicas aplicaciones de las aplicaciones que promueven la salud. El Machine Learning se puede implementar para rastrear el desempeño de los trabajadores o los niveles de estrés en el trabajo, así como para buscar mejoras positivas en los grupos de riesgo (no solo para aliviar los síntomas o curar los contratiempos).

imagen: Bermix Studio