David B. Olawade 1Ojima J. Wada2Anunciación de Clement David-Olawade 3Edward Kunonga 4Olawale Abaire 5Jonathan Ling6 *
- 1 Departamento de Salud Pública y Afines, Facultad de Salud, Deporte y Biociencias, Universidad de East London, Londres, Reino Unido
- 2 División de Desarrollo Sostenible, Fundación Qatar, Facultad de Ciencias e Ingeniería, Universidad Hamad Bin Khalifa, Doha, Qatar
- 3 Unidad de Endoscopia, NHS Trust, Hospitales Universitarios de Epsom y St. Helier, Carshalton, Reino Unido
- 4 Facultad de Salud y Ciencias de la Vida, Universidad de Teesside, Middlesbrough, Reino Unido
- 5 Departamento de Bioquímica, Universidad Adekunle Ajasin, Akungba-Akoko, Nigeria
- 6 Investigador independiente, Stockton-on-Tees, Reino Unido
La inteligencia artificial (IA) es una herramienta que evoluciona rápidamente y que está revolucionando muchos aspectos de la atención sanitaria. La IA se ha empleado predominantemente en la medicina y la administración de la atención sanitaria. Sin embargo, en la salud pública, el uso generalizado de la IA solo comenzó recientemente, con la llegada de la COVID-19.
Esta revisión examina los avances de la IA en la salud pública y los posibles desafíos que se avecinan. Algunas de las formas en que la IA ha ayudado a la prestación de servicios de salud pública son a través del modelado espacial, la predicción de riesgos, el control de la desinformación, la vigilancia de la salud pública, el pronóstico de enfermedades, el modelado de pandemias/epidemias y el diagnóstico de salud.
Sin embargo, la implementación de la IA en la salud pública no es universal debido a factores que incluyen infraestructura limitada, falta de comprensión técnica, escasez de datos y cuestiones éticas/de privacidad.
1. Introducción
La inteligencia artificial (IA) es un campo vasto que incluye una variedad de metodologías, como la visión por computadora, el procesamiento del lenguaje natural y el aprendizaje automático ( 1 ).
Estos métodos son útiles para el reconocimiento de patrones, la predicción y el análisis de datos a gran escala. La IA tiene el potencial de ser transformadora dentro del ámbito de la atención médica. La IA se ha aplicado al diagnóstico de enfermedades, ha ayudado a pronosticar el desarrollo de enfermedades infecciosas y ha encontrado nuevos objetivos de medicación ( 2 ).
La IA también se ha utilizado para guiar la interpretación de imágenes médicas y el descubrimiento y la administración de fármacos ( 3 ).
Sin embargo, durante la pandemia de COVID-19, hubo un cambio en la explotación de la IA de la medicina a la salud pública. Durante la pandemia, la IA fue fundamental para pronosticar la propagación de COVID-19, el rastreo de contactos, la farmacovigilancia y las pruebas y detección rápidas ( 4 , 5 ).
La implementación de algunas de estas herramientas informáticas de epidemiología ayudó a los esfuerzos globales para reducir la propagación del virus COVID-19 y mejorar la atención al paciente. La Tabla 1 destaca algunos ejemplos de cómo se empleó la IA para frenar la pandemia de COVID-19.TABLA 1
Cuadro 1. Medidas basadas en IA para mejorar el impacto de la pandemia de COVID-19.
Otras posibles ventajas de la IA para la salud pública incluyen una mayor eficacia, precisión y escalabilidad de los tratamientos de salud pública. La IA también puede ayudar a localizar nuevos conocimientos y patrones que los analistas humanos podrían pasar por alto ( 18 ). Sin embargo, existen importantes preocupaciones éticas y regulatorias que deben abordarse, como la privacidad de los datos y el sesgo en los sistemas de IA. Además, la explotación de la IA para mejorar la salud pública no se distribuye de manera uniforme en todo el mundo. Algunos de los principales factores que potencialmente impiden el avance de la IA en la salud pública son la disponibilidad/gobernanza de los datos, la disponibilidad de la infraestructura relacionada, la brecha de habilidades técnicas y la posibilidad de inequidad/sesgo debido a discrepancias en los datos ( 19 ).
Para garantizar que la tecnología se use de manera ética y responsable, los investigadores, los profesionales de la salud y los formuladores de políticas deben trabajar juntos para integrar la IA en los sistemas de atención médica. Este artículo revisa las tendencias recientes en IA para la salud pública y considera tanto los posibles beneficios como los desafíos de esta tecnología.
2. Métodos
Este estudio empleó un enfoque de revisión de alcance PRISMA (Preferred Reporting Items for Systematic Reviews and Meta-Analyses) para explorar exhaustivamente la aplicación de IA para mejorar la salud pública ( 20 , 21 ). Se buscaron cuidadosamente bases de datos electrónicas relevantes (por ejemplo, PubMed, Scopus, Web of Science) utilizando palabras clave apropiadas y términos de vocabulario controlado relacionados con IA y salud pública. Se realizó una selección inicial de títulos y resúmenes para identificar estudios potencialmente relevantes. Se recuperaron los artículos de texto completo de los estudios seleccionados y se evaluaron para la elegibilidad según los criterios de inclusión y exclusión predefinidos. Los criterios de inclusión abarcaron estudios que se centraron en la aplicación de IA en salud pública y se publicaron en inglés. Los criterios de exclusión incluyeron estudios no relacionados con la salud pública, estudios publicados en idiomas distintos del inglés y estudios que carecían de disponibilidad de texto completo. Los hallazgos se sintetizaron y presentaron en un formato narrativo que identificaba temas, tendencias y patrones clave relacionados con la aplicación de IA para mejorar la salud pública. Además, discutimos las implicaciones de estos hallazgos para la práctica de salud pública.
2.1 Historia de la IA en la salud pública
En la década de 1960 se inició la investigación en inteligencia artificial (IA), cuyo objetivo inicial era crear sistemas que pudieran imitar la inteligencia humana ( 22 ). Los sistemas expertos, que utilizaban el conocimiento de especialistas humanos para brindar asistencia en la toma de decisiones para el diagnóstico médico y la planificación del tratamiento, fueron el foco principal de las primeras aplicaciones de IA en la atención médica. Los sistemas expertos seguían siendo el foco principal de la investigación de IA en el sector de la atención médica en las décadas de 1980 y 1990, pero también se estaban investigando el aprendizaje automático y el procesamiento del lenguaje natural ( 23 ). Los investigadores pudieron comenzar a explorar el potencial de la IA en dominios como el diagnóstico médico, el descubrimiento de fármacos y la vigilancia de la salud pública como resultado de la disponibilidad de enormes bases de datos de información médica y sofisticados sistemas informáticos.
En la década de 2000 se produjeron avances en la visión artificial, el procesamiento del lenguaje natural y el aprendizaje automático que permitieron a los investigadores crear sistemas de IA cada vez más complejos que podían evaluar grandes cantidades de datos y anticipar resultados futuros ( 24 ). Debido a esto, se crearon sistemas de diagnóstico basados en IA, como los que analizan imágenes médicas y ayudan a identificar enfermedades como el cáncer. Además, las mejoras en la minería de texto y los métodos de procesamiento del lenguaje natural permitieron a los académicos utilizar la IA para evaluar grandes cantidades de datos no estructurados, como los registros médicos electrónicos, y extraer conclusiones reveladoras.
En los últimos años ha aumentado el interés por el uso de la IA en la salud pública, en particular en los campos de la modelización predictiva y la vigilancia de la salud pública. Los algoritmos de IA, por ejemplo, se han utilizado para pronosticar la propagación de enfermedades infecciosas como la COVID-19 o la gripe ( 25 ), lo que permite a los funcionarios de salud pública tomar medidas preventivas. También se han utilizado para analizar grandes cantidades de datos de las redes sociales y otras fuentes para detectar posibles brotes y monitorear la propagación de enfermedades. Además, la aplicación de la IA en la salud pública ha crecido para incluir nuevos campos como el desarrollo de medicamentos y el tratamiento personalizado ( 26 ) debido a la mayor accesibilidad a datos masivos y recursos informáticos sofisticados. En general, ha habido un crecimiento en la historia de la IA en la salud pública desde sistemas expertos primitivos a sistemas más avanzados que pueden examinar grandes volúmenes de datos y hacer predicciones.
El uso de IA en la atención sanitaria tiene una serie de ventajas potenciales para la salud pública, pero también existen preocupaciones éticas y legales como la privacidad y vigilancia de los datos, la seguridad, la transparencia, la imparcialidad y los sesgos de los algoritmos, así como el posible enigma filosófico de la función del juicio humano ( 27 – 29 ) que deben tenerse en cuenta para integrar esta tecnología en los sistemas de atención sanitaria.
2.2. Modelado predictivo
Para examinar los datos y pronosticar resultados futuros, el modelado predictivo combina modelos estadísticos y técnicas de aprendizaje automático. El modelado predictivo se ha utilizado en salud pública para prever la propagación de enfermedades infecciosas como COVID-19 y la gripe ( 30 , 31 ). Los modelos predictivos pueden encontrar patrones y tendencias que pueden guiar las medidas de salud pública examinando datos sobre epidemias anteriores y otros elementos pertinentes, como la demografía de la población y los patrones climáticos ( 32 ). Como el modelado predictivo tiene el potencial de mejorar nuestra capacidad para pronosticar la propagación de enfermedades infecciosas y guiar los tratamientos de salud pública, el modelado predictivo es una aplicación clave de la IA para la salud pública ( 25 ). La figura 1 ilustra un marco de modelado predictivo de la IA en la salud pública.FIGURA 1
Figura 1. Modelado predictivo de IA en salud pública.
El problema central que se debe resolver con el uso de la IA para el modelado predictivo, que abarca el pronóstico de enfermedades, la predicción de riesgos y el modelado espacial, es la mejora de la precisión, la eficiencia y la información procesable en la toma de decisiones de salud pública ( 33 , 34 ). Los métodos tradicionales en estos dominios a menudo enfrentan limitaciones para manejar la complejidad de los datos, identificar patrones y hacer predicciones precisas. Aquí es donde la IA surge como una solución transformadora para abordar estos desafíos y lograr resultados más efectivos.
La ausencia de una categorización y un resumen claros de los métodos tradicionales y de IA para el modelado predictivo, como el pronóstico de enfermedades, la predicción de riesgos y el modelado espacial, obstaculiza la toma de decisiones informada, la eficiencia, la accesibilidad y la colaboración en la investigación en el campo de la salud pública. La falta de una clasificación estructurada dificulta la selección de métodos, retrasa la implementación y disuade una adopción más amplia. Desarrollar una taxonomía estandarizada y resúmenes concisos para cada enfoque es crucial para mejorar el progreso del campo, lo que permite a los profesionales navegar por los métodos de manera eficiente, acelerar la toma de decisiones y facilitar la colaboración en la investigación ( 35 , 36 ).
2.2.1. Pronóstico de enfermedades
La previsión de enfermedades es una aplicación importante de la IA en la salud pública ( 37 ), ya que tiene el potencial de mejorar nuestra capacidad de anticipar la propagación de enfermedades infecciosas y, posteriormente, informar y dirigir las medidas de salud pública. Este es un componente crucial de la salud pública porque permite a los funcionarios prevenir brotes y actuar rápidamente si ocurren. Históricamente, el análisis de series de tiempo y otras técnicas estadísticas convencionales se utilizaban en la previsión de enfermedades ( 38 ). Sin embargo, con el desarrollo de la IA, ahora es posible utilizar algoritmos más complejos y evaluar una mayor variedad de datos para producir predicciones más precisas. La aplicación de algoritmos de aprendizaje automático es una de las principales tendencias en IA para la predicción de enfermedades ( 39 , 40 ). Estos algoritmos pueden examinar una variedad de fuentes de datos, incluidas las redes sociales y los registros médicos electrónicos, para encontrar patrones y pronosticar la propagación de enfermedades ( 41 ).
Otro avance en la IA para la predicción de enfermedades es la creciente accesibilidad a enormes cantidades de datos y recursos informáticos de última generación ( 42 ). Esto permite analizar conjuntos de datos masivos y variados, como registros médicos electrónicos, redes sociales y datos de sensores, para anticipar con mayor precisión el futuro y detectar patrones que antes eran difíciles de detectar. La capacidad de evaluar grandes volúmenes de datos, identificar patrones y tendencias y estimar resultados futuros son algunas de las posibles ventajas de la IA para la predicción de enfermedades en la salud pública. Esto puede servir para orientar las iniciativas de salud pública y detener o reducir la propagación de enfermedades infecciosas. Además, la aplicación de la IA a la predicción de enfermedades puede aumentar la eficacia y precisión de las predicciones, lo que en última instancia podría dar como resultado mejores resultados de salud para las personas y las comunidades. Sin embargo, existen limitaciones para utilizar la IA en la salud pública para la predicción de enfermedades ( 43 ). Como la precisión de las predicciones depende de la calidad y la integridad de los datos utilizados para entrenar los algoritmos, encontrar datos de alta calidad es un desafío clave. Además, al aplicar la IA en la salud pública, también hay que tener en cuenta consideraciones éticas y legales, en particular en lo que respecta a la seguridad y la privacidad de los datos.
Se prevé que el uso de la IA en la salud pública para la previsión de enfermedades se desarrolle aún más. La integración de la IA con otras tecnologías, como la Internet de las cosas (IoT) y los dispositivos portátiles, que pueden proporcionar datos en tiempo real y aumentar la precisión y la puntualidad de las predicciones, es un área que tiene el potencial de florecer. Además, se están desarrollando técnicas de IA explicable (XAI), que pueden aumentar la rendición de cuentas y la transparencia de los sistemas de previsión de enfermedades basados en IA al revelar cómo los algoritmos producen predicciones. La aplicación de la IA para la previsión personalizada de enfermedades, donde los algoritmos pueden examinar la información de los registros médicos electrónicos y otras fuentes para predecir el riesgo de enfermedad para pacientes particulares y guiar las decisiones de tratamiento, es otro campo con potencial de crecimiento. Además, la combinación de datos espaciales con la tecnología SIG (sistema de información geográfica) puede mejorar las predicciones a nivel local y guiar las intervenciones centradas en la previsión de enfermedades ( 44 ).
El problema central en la previsión de enfermedades es predecir con precisión la propagación y el impacto futuros de las enfermedades. Los métodos tradicionales basados en datos históricos y técnicas estadísticas pueden tener dificultades para capturar dinámicas complejas y patrones en evolución. La IA, en particular los algoritmos de aprendizaje automático y de aprendizaje profundo, abordan este problema analizando de manera eficiente grandes conjuntos de datos, identificando relaciones ocultas y detectando tendencias intrincadas ( 36 ). El objetivo es proporcionar alertas tempranas, información procesable y estrategias para mitigar los brotes de enfermedades. La IA se está utilizando para pronosticar la propagación de enfermedades como la COVID-19. Por ejemplo, Google AI ha desarrollado un modelo que puede predecir el número de casos de COVID-19 en una región determinada con hasta dos semanas de anticipación ( 45 , 46 ).
2.2.2. Predicción de riesgos
Un componente crucial de la salud pública es la predicción de riesgos, ya que permite acciones específicas de prevención o gestión de enfermedades. Las técnicas tradicionales de predicción de riesgos, como los cálculos manuales basados en datos clínicos y demográficos, pueden llevar tiempo y no siempre arrojar resultados fiables ( 47 ). La IA tiene el potencial de aumentar la eficacia y precisión de las predicciones de riesgos, lo que se traduce en mejores resultados para la salud pública. Grandes cantidades de datos, como los registros médicos electrónicos, pueden analizarse mediante algoritmos de aprendizaje automático para encontrar patrones y predecir la probabilidad de enfermedades. Además, estos algoritmos pueden examinar datos intrincados, incluida la genómica y las imágenes médicas, para encontrar patrones que puedan evaluar la probabilidad de una enfermedad.
Es probable que la predicción de riesgos mediante IA en el ámbito de la salud pública siga desarrollándose. La integración de la IA con otras tecnologías, como los dispositivos portátiles y la genómica, tiene el potencial de ofrecer predicciones más precisas al proporcionar datos más precisos y en tiempo real. Además, las herramientas de IA explicable (XAI) pueden ayudar a aumentar la rendición de cuentas y la apertura de los sistemas basados en IA al revelar cómo los algoritmos hacen predicciones y, de ese modo, promover la confianza en el uso de la IA en el ámbito de la atención sanitaria.
Para la predicción de riesgos, el problema central es identificar a las personas que tienen un riesgo elevado de desarrollar enfermedades específicas. Los enfoques tradicionales se basan en el análisis de datos demográficos y clínicos, que pueden no capturar por completo los factores de riesgo sutiles o las condiciones en evolución. Los métodos de IA, incluido el aprendizaje automático y el procesamiento del lenguaje natural, mejoran la predicción de riesgos al integrar diversas fuentes de datos, detectar relaciones no lineales e identificar patrones latentes ( 48 ). El objetivo es adaptar las intervenciones, asignar recursos y mejorar las estrategias de atención médica personalizadas. La IA se está utilizando para predecir el riesgo de eventos como ataques cardíacos, accidentes cerebrovasculares y accidentes automovilísticos. Por ejemplo, IBM Watson Health ha desarrollado un modelo que puede predecir el riesgo de ataque cardíaco con un 90% de precisión ( 49 ).
2.2.3. Modelado espacial
El modelado espacial (el análisis de información geográfica para reconocer patrones y tendencias en los resultados de salud) es un componente esencial de la salud pública, ya que permite localizar intervenciones en áreas con la mayor carga de enfermedades. Las técnicas de modelado espacial convencionales, como la recopilación y el análisis manual de datos, no siempre producen resultados precisos y pueden llevar mucho tiempo completarlas ( 50 ). La IA puede aumentar la eficacia y la precisión del modelado geográfico, mejorando los resultados de salud pública.
Los datos geográficos a gran escala, como las imágenes satelitales, pueden analizarse mediante algoritmos de aprendizaje automático para encontrar tendencias y pronosticar dónde se propagarán las enfermedades. Por ejemplo, estas técnicas se han utilizado para pronosticar el riesgo de dengue, incluidos los casos de dengue, la tasa, el momento pico y la intensidad máxima, así como los predictores del riesgo de dengue, incluida la tasa de picaduras de mosquitos ( 51-53 ) . La integración de los sistemas de información geográfica (SIG) con la IA es un avance más en el modelado espacial en salud pública. Esto permite el examen de conjuntos de datos masivos y variados, como datos de redes sociales y registros médicos electrónicos, en un contexto geográfico para generar pronósticos más precisos e identificar tendencias que antes eran difíciles de detectar. El uso de algoritmos de aprendizaje profundo para el modelado espacial en salud pública es otra tendencia emergente en IA. Estos algoritmos pueden examinar datos complicados, incluida la genética y las imágenes médicas, para encontrar patrones que puedan señalar el peligro de enfermedad en regiones específicas. Por ejemplo, un estudio utilizó esto para considerar cómo ciertas regiones cerebrales particulares están conectadas con trastornos neurológicos específicos ( 54 ). Otro estudio de trabajo lo utilizó para mejorar el diagnóstico de trastornos respiratorios tomando grabaciones de audio de la tos de los pacientes además de los informes de síntomas ( 55 ).
Gunasekeran et al. ( 56 ) realizaron una revisión sistemática de alcance centrada en las aplicaciones de salud digital para las respuestas de salud pública al COVID-19. Su revisión enfatiza el papel de la IA en el modelado predictivo. Al aprovechar los algoritmos de IA, los modelos predictivos pueden analizar grandes cantidades de datos, incluidos datos demográficos, registros de salud y factores ambientales. Estos modelos permiten pronosticar la propagación de enfermedades, identificar poblaciones de alto riesgo y desarrollar intervenciones específicas.
En el modelado espacial, el problema central gira en torno a descubrir patrones geográficos y tendencias en los resultados de salud. Los métodos tradicionales a menudo carecen de la capacidad de manejar la complejidad de los datos espaciales, identificar interacciones y hacer predicciones precisas a niveles locales. La IA, junto con los sistemas de información geográfica (SIG), ofrece soluciones mediante el uso de técnicas de aprendizaje automático y aprendizaje profundo. Esto permite la identificación de patrones espaciales intrincados, como grupos de enfermedades, y respalda la toma de decisiones basada en datos para intervenciones específicas (Bolus et al., 2019). La IA se está utilizando para modelar la propagación de enfermedades y otros fenómenos en el espacio. Por ejemplo, la Universidad de California, Berkeley, ha desarrollado un modelo que puede predecir la propagación de incendios forestales ( 57 ).
2.3 Historias clínicas electrónicas
La investigación y la práctica en salud pública se benefician enormemente de la información contenida en los registros médicos electrónicos (EHR, por sus siglas en inglés). Los registros digitales de información de salud del paciente, como el historial médico, el uso de recetas, los resultados de laboratorio y otra información pertinente, se guardan en EHR. Son más comunes en los entornos de atención médica, pero ofrecen una gran cantidad de información para la investigación y la práctica en salud pública. Sin embargo, la gran cantidad de datos en EHR puede dificultar el análisis manual, lo que requiere el desarrollo de nueva tecnología para extraer conclusiones de los datos. La IA tiene la capacidad de mejorar la eficacia y la precisión del procesamiento de datos de EHR, mejorando los resultados para la salud pública. Por ejemplo, para extraer datos clínicos del paciente, como signos vitales, resultados de laboratorio y prescripciones de medicamentos ( 58 , 59 ).
La aplicación de algoritmos de aprendizaje automático es uno de los temas principales de la IA para los registros médicos electrónicos en el ámbito de la salud pública. Estos algoritmos pueden analizar grandes cantidades de datos, como los registros médicos electrónicos, y detectar tendencias y anticipar cómo se propagarán las enfermedades. Los métodos de procesamiento del lenguaje natural (PLN) son otro desarrollo de la IA para los registros médicos electrónicos en el ámbito de la salud pública. Estos métodos pueden extraer datos de fuentes de texto no estructuradas, como las notas de los médicos, para comprender mejor el estado de salud de un paciente. El análisis de los registros médicos electrónicos utiliza cada vez más algoritmos de aprendizaje profundo, que pueden evaluar datos complejos y producir predicciones muy precisas. Estas fórmulas se han aplicado para pronosticar los resultados de los pacientes, incluidas las readmisiones en los hospitales, y pueden utilizarse para ayudar a desarrollar políticas de salud pública, por ejemplo, para determinar si grupos de población específicos se beneficiarían de intervenciones específicas (como las vacunas para grupos más vulnerables a enfermedades específicas prevenibles mediante vacunas). El uso de la IA en los registros médicos electrónicos puede aumentar la eficacia y la precisión de las predicciones, lo que en última instancia podría dar como resultado mejores resultados de salud tanto para las personas como para las comunidades.
Los algoritmos de IA son capaces de procesar grandes volúmenes de datos de EHR para extraer información valiosa. Esta información ayuda a identificar patrones de enfermedades, enfoques de tratamiento personalizados y detección temprana de brotes. Al aprovechar la IA en el análisis de EHR, los profesionales de la salud pueden tomar decisiones más informadas y brindar una atención optimizada ( 56 ).
Sin embargo, la aplicación de la IA en los registros médicos electrónicos en el ámbito de la salud pública no está exenta de desafíos. Como la precisión de las predicciones depende de la calidad y la integridad de los datos utilizados para entrenar los algoritmos, encontrar datos de alta calidad es una cuestión clave. Es esencial proteger la seguridad y la privacidad de los datos de los pacientes, y el uso de la IA en los registros médicos electrónicos debe cumplir leyes como la Ley de Portabilidad y Responsabilidad del Seguro Médico (HIPAA) en los EE. UU. La falta de uniformidad en los sistemas de registros médicos electrónicos también puede dificultar la interpretación de datos de diversas fuentes. Además, puede resultar complicado construir algoritmos de IA fiables para el análisis debido a la profundidad y diversidad de los datos de los registros médicos electrónicos, que incluyen texto no estructurado, fotografías y datos de series temporales.
Las predicciones futuras exigen que la IA para los registros médicos electrónicos en el sector de la salud pública se desarrolle aún más y alcance nuevas fronteras ( 60 ). El uso de la IA para la medicina personalizada, donde los algoritmos pueden examinar información de los registros médicos electrónicos y otras fuentes para pronosticar el riesgo de enfermedades y orientar las decisiones de tratamiento para pacientes específicos, es un campo con potencial de crecimiento.
La IA para los registros médicos electrónicos en el ámbito de la salud pública tiene el potencial de aumentar la eficacia y la precisión del análisis de datos, lo que se traduce en mejores resultados en materia de salud pública. Si bien el uso de la IA en el ámbito de la salud pública sigue presentando dificultades, como la necesidad de disponer de datos de alta calidad y cuestiones éticas, esta tecnología también presenta muchas ventajas potenciales. Los estudios futuros en este campo deberían centrarse en mejorar la precisión y la eficiencia de los algoritmos, abordar las cuestiones morales y legales y estandarizar las plataformas de registros médicos electrónicos.
La investigación que involucra registros médicos electrónicos (EHRs) combinados con técnicas de procesamiento del lenguaje natural (NLP) e inteligencia artificial (IA) ha ganado fuerza en los últimos años, con el objetivo de extraer información valiosa de los datos textuales no estructurados dentro de los EHR. Los métodos de NLP abarcan técnicas como el reconocimiento de entidades nombradas (NER) para identificar términos médicos, análisis de sentimientos para la retroalimentación del paciente y clasificación de texto para diagnósticos ( 61 ). Los métodos de IA, como el aprendizaje automático y el aprendizaje profundo, se emplean para predecir los resultados de las enfermedades, recomendar tratamientos y permitir la medicina personalizada mediante la integración de datos estructurados de EHR con información textual procesada por NLP. En particular, los modelos de aprendizaje profundo como las redes neuronales recurrentes (RNN) y las arquitecturas basadas en transformadores (por ejemplo, BERT) se destacan en el manejo de datos secuenciales y la captura de relaciones contextuales intrincadas dentro de las narrativas de EHR ( 62 , 63 ). Estos modelos facilitan la extracción precisa de información y la comprensión semántica del texto médico, lo cual es esencial para un análisis significativo.
La Tabla 2 incluye una lista recomendada de bases de datos públicas sobre registros médicos electrónicos. Estas bases de datos públicas proporcionan una base para que los investigadores apliquen técnicas de procesamiento del lenguaje natural (PLN) e inteligencia artificial a los registros médicos electrónicos, lo que permite avances en la predicción de enfermedades, recomendaciones de tratamientos, análisis de resultados de pacientes y más. Sin embargo, se deben respetar las consideraciones éticas y la privacidad de los datos cuando se trabaja con registros médicos electrónicos, lo que garantiza el manejo seguro de la información confidencial de los pacientes.CUADRO 2
Tabla 2. Listado recomendado de bases de datos públicas sobre HCE.
3. Diagnóstico
El diagnóstico es un componente crucial de la salud pública, ya que el diagnóstico rápido y preciso de las enfermedades es necesario para su tratamiento y gestión eficientes. Las técnicas de diagnóstico tradicionales, como las pruebas de laboratorio, pueden ser costosas y requerir mucho tiempo, y sus resultados pueden no ser siempre fiables. La IA tiene la capacidad de aumentar la velocidad y la precisión de los procedimientos de diagnóstico, mejorando los resultados para la salud pública.
Los algoritmos de aprendizaje automático pueden examinar e integrar volúmenes masivos de datos, incluidos resultados de pruebas de laboratorio e imágenes médicas, para encontrar patrones y pronosticar enfermedades. Los algoritmos de aprendizaje profundo, que pueden evaluar datos complejos y producir predicciones con alta precisión, son especialmente útiles para descifrar patrones en imágenes médicas como radiografías y tomografías computarizadas que podrían indicar la presencia de una enfermedad. El uso de métodos de procesamiento del lenguaje natural también se puede utilizar para extraer datos de textos médicos no estructurados, como notas médicas e informes médicos, para revelar patrones de datos que puedan predecir enfermedades.
La IA puede mejorar la velocidad y precisión de los procedimientos de diagnóstico, mejorando tanto la salud del individuo como de la comunidad en su conjunto ( 64 ). El costo de las pruebas de laboratorio y otros procedimientos de diagnóstico también se puede reducir mediante el uso de la IA en el diagnóstico, con la supervisión de expertos humanos. La aplicación de la IA para el diagnóstico en la salud pública no está exenta de inconvenientes. Como la precisión de las predicciones depende de la calidad y la integridad de los datos utilizados para entrenar los algoritmos, encontrar datos de alta calidad puede ser un desafío. Además, las pruebas de rendimiento, la validación y las comparaciones con las técnicas de diagnóstico convencionales deben compararse con las extraídas de los sistemas de diagnóstico basados en IA. Otra dificultad es el requisito de un volumen considerable de datos etiquetados, que podrían no estar siempre disponibles. Los médicos también pueden necesitar capacitación para comprender cómo los algoritmos de diagnóstico basados en IA obtienen sus resultados para explicar sus pronósticos a los pacientes o a los responsables de las políticas.
El diagnóstico médico ha experimentado un cambio transformador con la integración de métodos de IA, como las redes neuronales convolucionales (CNN), los modelos basados en transformadores, los enfoques basados en procesamiento del lenguaje natural (PLN) y más, para analizar diversas modalidades de datos como ecografías, rayos X, tomografías computarizadas, resonancias magnéticas e imágenes fisiológicas. Esta convergencia de técnicas avanzadas de IA y datos médicos multimodales ha mejorado significativamente la precisión y la velocidad del diagnóstico y las recomendaciones de tratamientos personalizados ( 56 ).
Los métodos basados en CNN se destacan en el análisis de imágenes y han revolucionado el diagnóstico por imágenes médicas. Al aprender automáticamente las características jerárquicas de las imágenes, las CNN permiten la identificación de patrones, anomalías y anormalidades en radiografías, tomografías computarizadas y resonancias magnéticas ( 65 ). La capacidad de capturar relaciones espaciales dentro de las imágenes ha permitido mejorar la detección, localización y clasificación de enfermedades. Originalmente diseñados para el procesamiento del lenguaje natural, los modelos basados en transformadores como BERT y sus variantes se han adaptado para el diagnóstico médico ( 63 ).
Estos modelos se destacan en la captura de relaciones contextuales, lo que permite una comprensión integral de informes de texto médicos, notas clínicas e informes radiológicos. Su aplicación mejora la toma de decisiones y ayuda a diagnosticar enfermedades complejas. Los métodos basados en PNL desempeñan un papel crucial en la extracción de información valiosa de los datos textuales en registros médicos, historias de pacientes y artículos de investigación. El reconocimiento de entidades nombradas (NER) y el análisis de sentimientos ayudan a comprender las experiencias de los pacientes e identificar términos médicos críticos, lo que facilita un diagnóstico preciso y recomendaciones de tratamiento.
El uso de la IA en el diagnóstico de salud pública tiene el potencial de aumentar la velocidad y precisión de los procedimientos de diagnóstico, mejorando los resultados para la salud de la población. Si bien existen ciertas limitaciones en el uso de la IA en la salud pública, como la necesidad de datos de alta calidad y cuestiones éticas, también existen muchas ventajas potenciales para esta tecnología. La investigación futura en este campo debería concentrarse en la creación de algoritmos más precisos y efectivos, la resolución de problemas morales y legales y la ampliación de la accesibilidad de los datos etiquetados para el entrenamiento de modelos de IA. El desarrollo de metodologías de IA explicables para sistemas de diagnóstico puede contribuir a aumentar la confianza pública en el uso de la IA en la atención médica y para el desarrollo de políticas de salud pública, y en la mejora de la precisión de los sistemas.
3.1 Vigilancia de la salud pública
La vigilancia de la salud pública siempre ha dependido de la recopilación e interpretación manual de datos, que requiere mucho trabajo y es propensa a errores ( 66 ). La IA se ha convertido en una potente herramienta para la vigilancia de la salud pública ( 67 , 68 ) debido al aumento de la cantidad de datos relacionados con la salud que se producen, incluidos los de los registros médicos electrónicos (EHR), las redes sociales y los datos de los sensores ( 69 , 70 ). En comparación con los enfoques convencionales, los sistemas de IA pueden evaluar grandes cantidades de datos y con mayor rapidez, e identificar tendencias y dar una advertencia anticipada de posibles brotes y epidemias de enfermedades ( 71 ).
Los Centros para el Control y la Prevención de Enfermedades (CDC) están utilizando IA para rastrear la propagación de COVID-19. Los CDC han desarrollado un sistema que utiliza IA para analizar datos de una variedad de fuentes, incluidos registros médicos electrónicos, redes sociales y datos de viajes. Este sistema se puede utilizar para identificar posibles brotes y rastrear la propagación del virus en tiempo real ( 72 , 73 ).
La infodemiología y la infovigilancia, basadas en técnicas de inteligencia artificial y minería de datos, permiten analizar el comportamiento de búsqueda, los patrones de comunicación en las redes sociales y las tendencias de publicación. Estos métodos basados en inteligencia artificial brindan información en tiempo real sobre las tendencias de las enfermedades, los sentimientos del público y la desinformación. Las autoridades de salud pública pueden aprovechar esta información para la detección temprana, la planificación de la respuesta y las estrategias de comunicación efectivas ( 74–76 ) .
La capacidad de evaluar cantidades masivas de datos, reconocer patrones y tendencias y pronosticar son algunas de las ventajas potenciales de la IA para la vigilancia de la salud pública ( 49 , 77 ). Esto puede servir para guiar las iniciativas de salud pública y detener o reducir la propagación de enfermedades infecciosas ( 23 ). Además, la aplicación de la IA a la vigilancia de la salud pública puede aumentar la eficacia y precisión de las predicciones ( 78 ), lo que en última instancia podría resultar en mejores resultados de salud tanto para las personas como para las comunidades. Como los datos para la vigilancia de la salud pública con frecuencia provienen de numerosas fuentes y pueden tener diferentes formatos, la integración y la gestión de los datos pueden ser complejas ( 79-81 ) . La precisión de las predicciones puede verse afectada como resultado , ya que puede ser difícil combinar los datos y verificar su consistencia. Además, pueden surgir problemas de sesgo y discriminación de la aplicación de la IA en la vigilancia de la salud pública ( 82 , 83 ). Por ejemplo, si los datos utilizados para entrenar algoritmos están sesgados, es probable que las predicciones del algoritmo también lo estén. Esto es especialmente problemático para la vigilancia de la salud pública ( 84 ), ya que las proyecciones inexactas pueden dar lugar a una distribución desigual de los recursos y tener efectos perjudiciales en las comunidades marginadas.
3.2. Desafíos de la IA para la salud pública
Para permitir la aplicación segura y exitosa de esta IA en la salud pública, se deben resolver varias dificultades. Estas incluyen preocupaciones éticas y legales, particularmente en relación con la seguridad y privacidad de los datos ( 26 , 68 , 85 ). Si bien HIPAA en los Estados Unidos establece pautas para el uso y distribución de información médica protegida (PHI) ( 86 ), con pautas similares en funcionamiento en la Unión Europea (Reglamento General de Protección de Datos, GDPR) y el Reino Unido (Ley de Protección de Datos de 2018) con garantizar la privacidad de los datos es crucial para establecer la confianza en el uso de IA para apoyar el desarrollo de políticas y prácticas de atención médica ( 87 ). Las implicaciones éticas de preocupaciones que incluyen sesgo y discriminación en sistemas basados en IA, que pueden dañar desproporcionadamente a las personas vulnerables, también son una preocupación.
Por otra parte, la precisión y la eficiencia de los sistemas basados en IA dependen de la precisión y la integridad de los datos utilizados para entrenar los algoritmos ( 88 ). La ausencia de transparencia y comprensibilidad en los sistemas basados en IA es uno de los principales problemas que enfrentan las aplicaciones de IA en la salud pública. A los responsables de las políticas les puede resultar difícil comprender cómo el algoritmo llegó a sus conclusiones como resultado ( 89 , 90 ), y esto también podría fomentar el escepticismo sobre el uso de IA en la salud pública ( 91 , 92 ).
No obstante, a raíz de la COVID-19 surgieron varias directrices que podrían considerarse un recurso para la aplicación de la IA en la salud pública. Entre ellas, se incluye el documento Pilares de la OMS ( 93 ) para la planificación y orientación operativas, que proporciona un marco para que los países se preparen y respondan ante una emergencia de salud pública. Incluye varias secciones sobre el uso de la IA en la salud pública. Entre ellas, se incluye el
Pilar 1: Coordinación, planificación y seguimiento a nivel de país, que propone el uso de la IA para rastrear la propagación de enfermedades, identificar posibles brotes y coordinar la respuesta a una emergencia de salud pública.
El Pilar 2, centrado en la vigilancia, los equipos de respuesta rápida y la investigación de casos, explora el uso de la IA para recopilar datos sobre brotes de enfermedades, identificar e investigar casos y rastrear la eficacia de las intervenciones.
En la Cumbre Mundial sobre IA para la Salud de 2021 se analizaron consideraciones similares. En ella se formularon una serie de recomendaciones para el uso de la IA en la salud pública, entre ellas la creación de capacidad para el uso de la IA en la salud pública y la promoción de un uso ético y responsable de la IA en la salud pública. Estas estrategias deben estar en consonancia con el documento de pilares de la OMS y basarse en investigaciones basadas en pruebas. Estas son solo algunas de las numerosas directrices que han surgido a raíz de la COVID-19 y que podrían considerarse un recurso para la aplicación de la IA en la salud pública. Estas directrices proporcionan un marco que los países pueden utilizar para prepararse y responder a una emergencia de salud pública y destacan el potencial de la IA para mejorar la salud pública.
Abordar la seguridad de los datos y la protección de la privacidad es primordial para la aplicación exitosa de la IA en la salud pública. Si bien el uso de datos de pacientes de múltiples centros es inevitable para modelos de IA robustos y generalizables, garantizar la privacidad del paciente y la seguridad de los datos sigue siendo fundamental. Los esfuerzos colaborativos que involucran la colaboración y el intercambio de datos a través de técnicas como el aprendizaje federado ofrecen soluciones potenciales a estos desafíos ( 94 , 95 ). La utilización de datos de pacientes de múltiples centros mejora la diversidad y la exhaustividad de los modelos de IA, lo que da como resultado algoritmos más precisos y adaptables. Sin embargo, esta práctica debe ir acompañada de rigurosos protocolos de desidentificación, agregación y anonimización de datos para salvaguardar la privacidad del paciente. El cumplimiento de regulaciones como HIPAA (Ley de Portabilidad y Responsabilidad del Seguro Médico) garantiza que la información confidencial del paciente esté protegida adecuadamente ( 86 ). La colaboración y el intercambio de datos permiten la puesta en común de conocimientos de múltiples fuentes sin centralizar los datos confidenciales. El aprendizaje federado, un enfoque descentralizado, permite que los modelos de IA se entrenen en varios centros sin compartir datos sin procesar. En cambio, los modelos se actualizan de forma colaborativa utilizando datos almacenados localmente, lo que minimiza los riesgos de privacidad. Esta técnica garantiza que los datos permanezcan dentro de su institución de origen y, al mismo tiempo, contribuye al desarrollo de un modelo de IA colectivo y potente ( 95 ). A pesar de sus beneficios, el aprendizaje federado enfrenta desafíos, como lidiar con la heterogeneidad entre conjuntos de datos, ineficiencias de comunicación y garantizar la convergencia de modelos. Los investigadores están trabajando activamente para superar estos obstáculos mediante avances algorítmicos.
4. Implicaciones de la IA para el desarrollo de políticas de salud pública
La IA puede ser una herramienta valiosa para el desarrollo de políticas de salud pública. La capacidad de reunir diversos conjuntos de datos permite obtener información que de otro modo sería difícil de obtener con los métodos tradicionales. Los algoritmos se pueden emplear de manera iterativa, con lo que se pueden monitorear los resultados de las políticas y, posteriormente, fundamentar y mejorar las políticas futuras.
El aprovechamiento de esta información permitirá desarrollar políticas más específicas, impactantes y oportunas. La IA tiene mucho que ofrecer a los responsables de las políticas, pero, como todas las tecnologías nuevas, la confianza y la educación sobre cómo usarla de manera eficaz y responsable son fundamentales para su futura adopción y utilidad.
