La inteligencia artificial, una herramienta para la Salud Digital

Julio Elvis Valero Cajahuanca, Fernando Viterbo Sinche Crispin, Rafael Edwin Gordillo Flores, Alfredo César Larios Franco

Resumen


El constante avance tecnológico ha permitido la evolución de la práctica médica, generando el concepto denominado salud digital, que consiste en incorporar las tecnologías de información y comunicación a los productos, servicios y procesos de atención sanitaria. Una de las herramientas que permiten este avance es la Inteligencia Artificial (IA), una rama de la informática que desarrolla algoritmos capaces de aprender de los datos y utilizar lo aprendido en la toma de decisiones tal y como lo haría un ser humano. Este estudio se identifica cómo la investigación, las decisiones de diagnóstico, el tratamiento en pacientes y la planificación para la prevención y control de la salud están siendo optimizados gracias a la implementación de la IA, mostrando análisis cuantitativos al nivel de interés y aplicación asociado a estos cuatro procesos con respecto a las enfermedades que más afectan a la población de Perú y Latinoamérica.

Palabras clave


Inteligencia Artificial, IA, Salud Digital, Investigación, Diagnóstico, Tratamiento, Planificación sanitaria

Texto completo:

PDF

Referencias


Alipanahi B., Delong A., Weirauch M. & Frey B. (2015). Predicting the sequence specificities of DNA- and RNA-binding proteins by deep learning. Nature Biotechnoly; 33:831–838. https://doi.org/10.1038/nbt.3300.

Bhinder B., Gilvary C., Madhukar N., & Elemento O. (2021). Artificial Intelligence in Cancer Research and Precision Medicine. Cancer discovery; 11(4):900–915. https://doi.org/10.1158/2159-8290.CD-21-0090.

Boden, M. (2017). Inteligencia artificial. Ediciones Turner. ISBN: 9788416714223.

Chan H., Samala R., Hadjiiski L., & Zhou C. (2020). Deep Learning in Medical Image Analysis. Advances in experimental medicine and biology; 1213:3–21. https://doi.org/10.1007/978-3-030-33128-3_1.

Cheerla A. & Gevaert O. (2019). Deep learning with multimodal representation for pancancer prognosis prediction. Bioinformatics;35(14): i446–i454. https://doi.org/10.1093/bioinformatics/btz342.

de Miguel Beriain I. (2020). Should we have a right to refuse diagnostics and treatment planning by artificial intelligence?. Medicine, health care, and philosophy; 23(2):247–252. https://doi.org/10.1007/s11019-020-09939-2.

Dembrower K., Wåhlin E., Liu Y., Salim M., Smith K., Lindholm P., et al. (2020). Effect of artificial intelligence-based triaging of breast cancer screening mammograms on cancer detection and radiologist workload: a retrospective simulation study. The Lancet. Digital health; 2(9):e468–e474. https://doi.org/10.1016/S2589-7500(20)30185-0.

Erickson B., Korfiatis P., Akkus Z., & Kline T. (2017). Machine Learning for Medical Imaging. Radiographics: a review publication of the Radiological Society of North America, Inc; 37(2):505–515. https://doi.org/10.1148/rg.2017160130.

Fatehi F., Samadbeik M., & Kazemi A. (2020). What is Digital Health? Review of Definitions. Studies in health technology and informatics; 275:67–71. https://doi.org/10.3233/SHTI200696.

Hamet P. & Tremblay J. (2017). Artificial intelligence in medicine. Metabolism: clinical and experimental: 69S:S36–S40. https://doi.org/10.1016/j.metabol.2017.01.011.

Hosny A., Parmar C., Quackenbush J., Schwartz L., & Aerts H. (2018). Artificial intelligence in radiology. Nature reviews. Cancer; 18(8):500–510. https://doi.org/10.1038/s41568-018-0016-5.

Komorowski M., Celi L., Badawi O., Gordon A. & Faisal A. (2018). The Artificial Intelligence Clinician learns optimal treatment strategies for sepsis in intensive care. Nature medicine; 24(11):1716–1720. https://doi.org/10.1038/s41591-018-0213-5.

Microsoft (2020). World Mosquito. Disponible en: https://news.microsoft.com/es-xl/features/vencer-a-la-fiebre-del-dengue-la-ia-impulsa-la-lucha-global-contra-las-enfermedades-transmitidas-por-mosquitos/ (Acceso diciembre 2020).

Neri E., Coppola F., Miele V., Bibbolino C. & Grassi R. (2020). Artificial intelligence: Who is responsible for the diagnosis? La Radiología médica; 125(6):517–521. https://doi.org/10.1007/s11547-020-01135-9.

Organización Mundial de la Salud (2020a). Dengue y dengue grave. Nota de prensa. Disponible en: https://www.who.int/es/news-room/fact-sheets/detail/dengue-and-severe-

Abril-Junio 2021, Vol. LXI (2): 307-317

dengue#:~:text=El%20n%C3%BAmero%20de%20casos%20de,pasaron%20de%20960%20a%204032. (Acceso diciembre 2020).

Organización Mundial de la Salud (2020b). Informe mundial sobre el paludismo. Nota informativa. Disponible en: https://cdn.who.int/media/docs/default-source/malaria/world-malaria-reports/world-malaria-report-2020-briefing-kit-sp.pdf?sfvrsn=a6de03a5_11. (Acceso enero 2021).

Organización Mundial de la Salud (2020c). VIH/Sida. Disponible en: https://www.who.int/es/news-room/fact-sheets/detail/hiv-aids#:~:text=Debido%20a%20las%20deficiencias%20en,millones%20de%20personas%20se%20infectaron. (Acceso enero 2021).

Organización Mundial de la Salud (2021). Enfermedades Crónicas. Disponible en: https://www.who.int/topics/chronic_diseases/es/#:~:text=Las%20enfermedades%20cr%C3%B3nicas%20son%20enfermedades,del%2063%25%20de%20las%20muertes. (Acceso enero 2021).

Organización Panamericana de la Salud (2016). Enfermedades infecciosas desatendidas en las Américas: Historias de éxito e innovación para llegar a los más necesitados. ISBN 9789275318966. Disponible en: https://iris.paho.org/handle/10665.2/31399. (Acceso octubre 2020).

Organización Panamericana de la Salud (2021). Investigaciones. Disponible en: https://www.paho.org/es/temas/investigaciones#:~:text=Las%20asociaciones%20p%C3%BAblico%2Dprivadas%20y,por%20s%C3%AD%20solas%20son%20insuficientes. (Acceso diciembre 2021).

Ploug T. & Holm S. (2020). The right to refuse diagnostics and treatment planning by artificial intelligence. Medicine, Health Care and Philosophy; 23(1):107-114. https://doi.org/10.1007/s11019-019-09912-8.

Rouhiainen L. (2018). Inteligencia artificial. Madrid: Alienta Editorial. Disponible en: https://static0planetadelibroscom.cdnstatics.com/libros_contenido_extra/40/39308_Inteligencia_artificial.pdf. (Acceso Febrero 2021).

Rusk, N. (2016). Deep learning. Nature Methods; 13(1): 35. https://doi.org/10.1038/nmeth.3707.

Scavuzzo J., Trucco F., Espinosa M., Tauro C., Abril M., Scavuzzo C., et al. (2018). Modeling Dengue vector population using remotely sensed data and machine learning. Acta tropica; 185:167–175. https://doi.org/10.1016/j.actatropica.2018.05.003.

Siddiqui A., Ladas J. & Lee J. (2020). Artificial intelligence in cornea, refractive, and cataract surgery. Current opinion in ophthalmology; 31(4):253–260. https://doi.org/10.1097/ICU.0000000000000673.

Thomas P., CastrodaSilva B., Andrew G., Barto A., Giguere S., Brun Y., et al. (2019). Preventing undesirable behavior of intelligent machines. Science;366(6468):999–1004. https://doi.org/10.1126/science.aag3311.

Torres K., Bachman C., Delahunt C., Alarcon J., Alava F., Gamboa D., et al. (2018). Automated microscopy for routine malaria diagnosis: a field comparison on Giemsa-stained blood films in Peru. Malaria journal; 17(1):339. https://doi.org/10.1186/s12936-018-2493-0.

Turing, A., & Haugeland, J. (1950). Computing machinery and intelligence (p 29-56). Cambridge, MA: MIT Press.

Uc-Cetina V., Brito-Loeza C. & Ruiz-Piña H. (2015). Chagas Parasite Detection in Blood Images Using AdaBoost. Computational and Mathematical Methods in Medicine:139681. https://doi.org/10.1155/2015/139681.

Vaishya R., Javaid M., Khan I. & Haleem A. (2020). Artificial Intelligence (AI) applications for COVID-19 pandemic. Diabetes & metabolic syndrome;14(4):337–339. https://doi.org/10.1016/j.dsx.2020.04.012.

Villalta F. & Rachakonda G. (2019). Advances in preclinical approaches to Chagas disease drug discovery. Expert opinion on drug discovery; 14(11):1161–1174. https://doi.org/10.1080/17460441.2019.1652593.

Zhou J., Theesfeld C., Yao K., Chen K., Wong A., & Troyanskaya O. (2018). Deep learning sequence-based ab initio prediction of variant effects on expression and disease risk. Nature genetics; 50(8):1171–1179. https://doi.org/10.1038/s41588-018-0160-6.


Enlaces refback

  • No hay ningún enlace refback.


Bookmark and Share


Copyright (c) 2021 Boletín de Malariología y Salud Ambiental