Explorando el aprendizaje automático: perspectivas para una enfermería innovadora Por: MCMI. Ivan Daniel Maya Castro¹, MASS. Paola Victoria López Estrada²
Facultad de Enfermería

1. Universidad Autónoma de Tamaulipas
2. Clínica de Medicina Familiar y EQ ISSSTE Tampico

Imagen de portada. Aplicación de la inteligencia artificial y el aprendizaje automático en salud. Creada con Playground AI.

La inteligencia artificial y el aprendizaje automático

En los últimos años hemos presenciado un notable incremento en la aplicación de la inteligencia artificial (IA) en diversos ámbitos de nuestra vida, tanto personal como profesional y académica^(1–3). Herramientas como ChatGPT, Perplexity y Playground, entre otras, están contribuyendo de manera significativa a la simplificación de tareas cotidianas. Este avance tecnológico está transformando nuestra interacción con la tecnología y nuestra aproximación a los desafíos diarios.

Este crecimiento en la implementación de la IA no sería posible sin los avances en el campo del Aprendizaje Automático o Machine Learning (ML), una vertiente de la IA que se enfoca en el desarrollo de algoritmos y modelos capaces de aprender o detectar patrones a partir de datos, y de mejorar su desempeño con el tiempo.⁽⁴⁾

El aprendizaje automático o Machine Learning (ML) se puede clasificar en dos categorías principales: a) aprendizaje supervisado y b) aprendizaje no supervisado. En el aprendizaje supervisado el/la investigador/a etiqueta los datos con un resultado deseado, lo que permite al algoritmo aprender a predecir este resultado. En otras palabras, el o la investigadora proporciona al algoritmo ejemplos de entrada y salida esperada. Por ejemplo, si estamos entrenando un modelo para reconocer imágenes de gatos y perros, se le proporcionarán imágenes de gatos etiquetadas como "gato" e imágenes de perros etiquetadas como "perro". El algoritmo luego aprende a asociar características específicas de las imágenes con las etiquetas correspondientes, lo que le permite hacer predicciones precisas sobre nuevas imágenes que no ha visto antes. El aprendizaje supervisado se utiliza comúnmente en problemas de clasificación (donde las salidas son categorías predefinidas) y regresión (donde las salidas son valores numéricos continuos).

Por otro lado, en el aprendizaje no supervisado, el algoritmo infiere patrones o estructuras en el conjunto de datos sin una guía externa, ya que no se lleva a cabo el proceso de etiquetado por parte del investigador. Es decir, el aprendizaje no supervisado implica entrenar un algoritmo sin datos etiquetados, lo que significa que el o la investigadora no proporciona información sobre las salidas deseadas. En lugar de eso, el algoritmo debe descubrir patrones o estructuras dentro de los datos por sí mismo. Por ejemplo, en un conjunto de datos de pacientes de un hospital, el algoritmo podría detectar diferentes grupos de pacientes con características similares, como edad, síntomas y resultados de pruebas. Este tipo de aprendizaje se utiliza comúnmente en tareas como la agrupación (donde el objetivo es dividir los datos en grupos homogéneos) y la reducción de dimensionalidad (donde el objetivo es representar los datos en un espacio de menor dimensión mientras se conserva la información importante). Algunos de los algoritmos más empleados incluyen el análisis de componentes principales (PCA) y el algoritmo k-medias.⁽⁵⁾

Aplicaciones de la IA en el campo de la salud

En el ámbito de salud, este avance tecnológico ha adquirido una importancia cada vez mayor, siendo las herramientas basadas en IA cada vez más utilizadas. Entre estas aplicaciones, se destaca su uso para:

• la interpretación de resultados clínicos;
• el apoyo en la toma de decisiones médicas;
• la redacción de informes;
• además, estas herramientas están siendo empleadas para proporcionar información relevante tanto para el personal de salud como para los pacientes, contribuyendo así a una atención medica más personalizada⁽⁶⁾.

Continuando con la exploración sobre el impacto de la inteligencia artificial (IA) en la salud, es esencial resaltar el papel fundamental que desempeña el aprendizaje automático (ML, por sus siglas en inglés). El ML se ha utilizado ampliamente en la clasificación, subclasificación y detección de pacientes en diversas enfermedades, basándose en sus características clínicas, sociodemográficas y/o genéticas⁽⁷⁾. Además, se emplea en el desarrollo de fármacos para identificar compuestos potenciales en períodos de tiempo más cortos, lo que impulsa la eficiencia en la investigación de tratamientos para diversas enfermedades.⁽⁸⁾ Otras aplicaciones incluyen el diagnóstico de enfermedades mediante el análisis de imágenes radiológicas⁽⁹⁾, datos recopilados de los pacientes⁽¹⁰⁾ o la identificación de biomarcadores ⁽¹¹⁾. Por último, el ML se utiliza para predecir la respuesta al tratamiento, lo que resulta especialmente útil cuando existen múltiples opciones terapéuticas para un determinado problema de salud. Esta capacidad predictiva no solo ayuda a reducir el riesgo de complicaciones al anticipar la mejor opción de tratamiento para el paciente, sino que también optimiza los recursos médicos al evitar tratamientos innecesarios o menos efectivos, favoreciendo la precisión en el campo de la medicina de.⁽¹²⁾

El aprendizaje automático y su impacto potencial en enfermería también son dignos de mención. La incorporación del ML ha revolucionado la forma en que se gestionan los datos, facilitando tareas de manera más eficiente. En el ámbito de la enfermería, esta innovación tecnológica promete ofrecer varios avances significativos. Dado que la enfermería desempeña un papel integral en el sistema de atención médica, siendo fundamental para el cuidado y bienestar de los pacientes, se busca constantemente mejorar la atención brindada y optimizar los procesos clínicos.

Una de las áreas donde el ML podría tener un impacto significativo en enfermería es en la gestión de los datos clínicos. Al permitir el análisis eficiente y preciso de grandes volúmenes de datos de pacientes, se pueden identificar signos, síntomas, patrones o tendencias. Esto facilitaría la toma de decisiones clínicas informadas y la detección temprana de cambios en el estado de salud de los pacientes, lo que a su vez permitiría anticipar riesgos potenciales y prever complicaciones. Además, el análisis de datos basado en ML podría contribuir a la personalización de los planes de cuidado para cada paciente, teniendo en cuenta sus necesidades específicas y características individuales en tiempo real. Esto implica la identificación precisa de diagnósticos, intervenciones y resultados esperados de enfermería que se alineen con los objetivos terapéuticos del paciente en ese momento.

No solo en el ámbito clínico se pueden utilizar los algoritmos de ML, también en lo administrativo, ya que se pueden emplean para optimizar los procesos para la programación de turnos, la gestión del material o medicamento y la asignación de recursos necesarios para cada área o servicio, logrando una mejora en la eficiencia operativa en los entornos de atención.

Consideraciones éticas en cuanto al uso de la IA en el campo de la salud

Si bien hemos resaltado numerosas ventajas que ofrece el aprendizaje automático (ML) tanto en el ámbito de la salud como en el de la enfermería, es crucial reconocer y abordar los desafíos e implicaciones éticas asociadas. No podemos pasar por alto la importancia de la privacidad y la seguridad de los datos, los cuales deben ser manejados mediante medidas que garanticen la confidencialidad y protección contra accesos no autorizados o mal uso de esta información.

Además, al emplear algoritmos, es imperativo validar constantemente la interpretación y la fiabilidad de los resultados para asegurar su precisión y utilidad clínica. Tanto pacientes como personal de salud deben estar conscientes y comprender cómo funcionan estos algoritmos. Para el personal, esto implica proporcionar educación y formación adecuadas, mientras que para los pacientes, significa seguir manteniendo autonomía en cuanto a las decisiones sobre su salud.

Por último, es crucial clarificar la responsabilidad en la toma de decisiones basadas en algoritmos, garantizando la transparencia, equidad y justicia en su desarrollo y aplicación. Es fundamental que tanto los desarrolladores como las y los usuarios de estas tecnologías sean transparentes en cuanto a su funcionamiento y sus posibles implicaciones, asegurando que se utilicen de manera ética y responsable en el ámbito de la salud y la enfermería.

---

Referencias:

1. ESEP. Inteligencia Artificial En La Vida Cotidiana: Aplicaciones Útiles [Internet]. 2023 [citado el 25 de marzo de 2024]. Disponible en: https://esep.com.ar/la-inteligencia-artificial-en-la-vida-cotidiana-aplicaciones-utiles-en-la-vida-diaria/
2. Herrera Camarillo L. IBERO. 2023 [citado el 25 de marzo de 2024]. ¿Qué es la Inteligencia Artificial y cómo permea en nuestra vida cotidiana? Disponible en: https://ibero.mx/prensa/que-es-la-inteligencia-artificial-y-como-permea-en-nuestra-vida-cotidiana
3. Sánchez Vera MDM. La inteligencia artificial como recurso docente: usos y posibilidades para el profesorado. EDUCAR [Internet]. el 31 de octubre de 2023 [citado el 25 de marzo de 2024];60(1):33–47. Disponible en: https://educar.uab.cat/article/view/v60-n1-sanchez
4. Maisueche Cuadrado A. Utilización del Machine Learning en la industria 4.0 [Internet]. [citado el 25 de marzo de 2024]. Disponible en: https://core.ac.uk/works/46500168
5. Stack Sánchez PAS. Métodos de aprendizaje supervisado y no supervisado para la estimación de microestructura cerebral en datos de DWMR [Internet]. [Guanajuato, México]: Centro de investiación en Matemáticas; 2021. Disponible en: https://cimat.repositorioinstitucional.mx/jspui/bitstream/1008/1129/1/TE%20835.pdf
6. Liu J, Wang C, Liu S. Utility of ChatGPT in Clinical Practice. J Med Internet Res. el 28 de junio de 2023;25: e48568.
7. Castillo C, Valdiviezo-Diaz P. Aprendizaje automático para clasificar pacientes infectados por COVID-19 sobre un conjunto de datos balanceado - ProQuest. Revista Ibérica de Sistemas e Tecnologias de Informação [Internet]. mayo de 2023 [citado el 30 de marzo de 2024];(E58):330–43. Disponible en: https://www.proquest.com/openview/3432b6eca246ed8c2f2e4df6f6ea84d8/1?pq-origsite=gscholar&cbl=1006393
8. Nayarisseri A, Khandelwal R, Tanwar P, Madhavi M, Sharma D, Thakur G, et al. Artificial Intelligence, Big Data and Machine Learning Approaches in Precision Medicine & Drug Discovery. Curr Drug Targets. 2021;22(6):631–55.
9. Erickson BJ, Korfiatis P, Akkus Z, Kline TL. Machine Learning for Medical Imaging. Radiogr Rev Publ Radiol Soc N Am Inc. 2017;37(2):505–15.
10. Song C, Jiang ZQ, Hu LF, Li WH, Liu XL, Wang YY, et al. A machine learning-based diagnostic model for children with autism spectrum disorders complicated with intellectual disability. Front Psychiatry. 2022; 13:993077.
11. Kulkarni NN, Bairagi VK. Extracting Salient Features for EEG-based Diagnosis of Alzheimer’s Disease Using Support Vector Machine Classifier. IETE J Res [Internet]. el 2 de enero de 2017 [citado el 30 de marzo de 2024];63(1):11–22. Disponible en: https://doi.org/10.1080/03772063.2016.1241164
12. Yoosuf N, Maciejewski M, Ziemek D, Jelinsky SA, Folkersen L, Müller M, et al. Early prediction of clinical response to anti-TNF treatment using multi-omics and machine learning in rheumatoid arthritis. Rheumatol Oxf Engl. el 11 de abril de 2022;61(4):1680–9.