\n<\/strong>Algoritmo:<\/strong> modelo computacional que define con precisi\u00f3n la transformaci\u00f3n de datos de entrada en datos de salida.
\nInteligencia artificial:<\/strong> conjunto de t\u00e9cnicas para la resoluci\u00f3n de problemas, que comprenden la automatizaci\u00f3n del razonamiento deductivo, t\u00e9cnicas probabil\u00edsticas y aprendizaje autom\u00e1tico, entre otras.
\nMachine learning<\/em><\/strong> (aprendizaje autom\u00e1tico):<\/strong> t\u00e9cnica de inteligencia artificial en la que se genera un modelo computacional a partir de la carga de datos a un programa, a menudo asociado a una respuesta esperable.\u00a0En el curso de diversas interacciones, el modelo tiende a aproximarse a las respuestas presentadas en los datos de entrenamiento al aprender los valores de una lista de par\u00e1metros. Cada m\u00e9todo de aprendizaje autom\u00e1tico define cu\u00e1les son los par\u00e1metros que deben aprenderse y c\u00f3mo transforman las entradas en salidas.
\nDeep learning<\/em><\/strong> (aprendizaje profundo):<\/strong> t\u00e9cnica moderna de aprendizaje autom\u00e1tico compuesta por la concatenaci\u00f3n de varios m\u00f3dulos (capas) de aprendizaje que cooperan entre s\u00ed.\u00a0Este tipo de modelo de aprendizaje autom\u00e1tico contiene una elevada cantidad de par\u00e1metros que deben ser aprendidos y requiere una gran cantidad de datos para su entrenamiento.
\nBig data<\/em><\/strong> (macrodatos):<\/strong>\u00a0t\u00e9cnica para el tratamiento de grandes cantidades de datos,\u00a0frecuentemente asociada al\u00a0deep learning<\/em>.
\nTransfer learning<\/em><\/strong> (aprendizaje por transferencia):<\/strong> modalidad de aprendizaje autom\u00e1tico en el que parte del entrenamiento se realiza en un dominio y, posteriormente, se lo adapta y\/o transfiere a otro dominio.\u00a0La primera parte, en la que el algoritmo aprende a completar conjuntos\u00a0de datos parciales, generalmente se lleva a cabo en forma autosupervisada, es decir, sin datos de salida. La segunda parte consiste en un ajuste para un conjunto espec\u00edfico de entradas y salidas.<\/p>\n
Fuentes<\/strong> Marcelo Finger (USP) y Alexandre Falc\u00e3o (UNICAMP)<\/p><\/div>\n La idea es que el algoritmo pueda tener acceso a una gran cantidad de datos y asimilarlos, detectar patrones y sugerir soluciones con mayor rapidez y un \u00edndice de acierto superior al de los seres humanos. Los expertos subrayan que esta \u00e1rea requiere de profesionales bien capacitados y recuerdan que los sistemas de IA no se est\u00e1n desarrollando para reemplazar a los m\u00e9dicos. \u201cEl prop\u00f3sito es valerse de la gran capacidad de la IA para analizar informaci\u00f3n, como aliada del m\u00e9dico a la hora de tomar decisiones\u201d, dice el economista y docente de inteligencia artificial en la salud Alexandre Dias Porto Chiavegatto Filho, director del Laboratorio de Big Data y An\u00e1lisis Predictivo en Salud (Labdaps), creado en 2017 en la Facultad de Salud P\u00fablica de la Universidad de S\u00e3o Paulo (USP), con el apoyo de la FAPESP.<\/p>\n El principal inversor mundial en investigaci\u00f3n en IA en el \u00e1mbito de la salud es la compa\u00f1\u00eda multinacional de tecnolog\u00eda Alphabet, del grupo Google. Tambi\u00e9n sobresalen el Instituto de Tecnolog\u00eda de Massachusetts (MIT) y las universidades Stanford y Harvard, en Estados Unidos, y las de Oxford y Cambridge, en el Reino Unido. En Brasil, la USP, la Universidad de Campinas (Unicamp) y la Universidad Federal de Minas Gerais (UFMG), se cuentan entre las que m\u00e1s se dedican a este campo de investigaci\u00f3n.<\/p>\n Seg\u00fan el informe \u201cArtificial intelligence index report 2022\u201d, de la Universidad Stanford, el sector privado invirti\u00f3 en 2021 en todo el mundo 11.300 millones de d\u00f3lares en investigaci\u00f3n e innovaci\u00f3n en IA para la medicina y la salud, lo que representa un incremento de un 40 % en comparaci\u00f3n con el a\u00f1o anterior. En los \u00faltimos cinco a\u00f1os, los recursos han ascendido a 28.900 millones de d\u00f3lares, lo que ha posicionado al segmento como el mayor receptor de inversi\u00f3n privada en IA, superando a otras actividades que tradicionalmente utilizan tecnolog\u00edas de la informaci\u00f3n, como el sector financiero y el comercio minorista. La visi\u00f3n por computadora, segmentando im\u00e1genes de \u00f3rganos, lesiones o tumores, fue una de las aplicaciones que despertaron mayor inter\u00e9s en la comunidad m\u00e9dica.<\/p>\n Uno de los desarrollos de IA de mayor repercusi\u00f3n es el software<\/em> AlphaFold, creado por la empresa DeepMind, propiedad de Google. El programa, elegido por la revista cient\u00edfica Science<\/em> como el descubrimiento del a\u00f1o en 2021, utiliza t\u00e9cnicas de deep learning <\/em>(aprendizaje profundo) en modelos de ensayos moleculares para resolver el problema denominado \u201cplegamiento de prote\u00ednas\u201d. Las prote\u00ednas est\u00e1n formadas por cadenas de amino\u00e1cidos que se pliegan espont\u00e1neamente y forman estructuras tridimensionales (3D); su formato tridimensional tiene relaci\u00f3n directa con la funci\u00f3n biol\u00f3gica que desempe\u00f1an. Es por ello que entender c\u00f3mo se forman las estructuras de las prote\u00ednas puede conducir a soluciones que van desde la comprensi\u00f3n de la base celular de la vida hasta el descubrimiento de f\u00e1rmacos y la cura de enfermedades. En el caso de AlphaFold, los cient\u00edficos solo necesitan introducir la secuencia de amino\u00e1cidos que define a determinada prote\u00edna y el programa presentar\u00e1 su estructura plegada. M\u00e1s de medio mill\u00f3n de investigadores han tenido acceso al programa para crear soluciones que van desde la lucha contra la contaminaci\u00f3n con pl\u00e1sticos hasta comprender la causa de la resistencia a los antibi\u00f3ticos.<\/p>\n Los desaf\u00edos futuros Los expertos tambi\u00e9n consideran que la IA a\u00fan necesita ganarse la confianza de la comunidad m\u00e9dica para que pueda ser vista como una t\u00e9cnica segura. \u201cEsta es una labor incipiente. A la tecnolog\u00eda de IA le llevar\u00e1 tiempo hasta ser incorporada a gran escala en la salud, tanto en Brasil como en el resto del mundo\u201d, reflexiona Chiavegatto. El primer desaf\u00edo por superarse es la calidad de la informaci\u00f3n que alimenta a los algoritmos. El sistema de salud genera muchos datos, pero poca informaci\u00f3n fidedigna. \u201cLos datos incompletos o inconsistentes general algoritmos incorrectos\u201d, dice el investigador.<\/p>\n Una sugerencia err\u00f3nea procedente de un sistema de IA para una ruta de tr\u00e1nsito o sobre una pel\u00edcula en streaming<\/em> genera malestar. Pero en el caso de la salud, puede inducir un error m\u00e9dico y poner en riesgo una vida. A cada nuevo sistema de IA en el \u00e1rea de la medicina le cabr\u00e1 la responsabilidad de demostrar la consistencia de sus algoritmos para generar la confianza necesaria.<\/p>\n El segundo reto que se le plantea a la ciencia de la computaci\u00f3n es demostrar que la IA es efectiva, es decir, que mejora la pr\u00e1ctica cl\u00ednica. \u201cA\u00fan no hay demostraciones cient\u00edficas que avalen que una prescripci\u00f3n m\u00e9dica recetada con ayuda de IA, por ejemplo, genera un tratamiento m\u00e1s adecuado\u201d, dice Chiavegatto.<\/p>\n Una de las l\u00edneas de trabajo del Labdaps es la selecci\u00f3n de datos para el entrenamiento de algoritmos. Un estudio reciente del laboratorio arrib\u00f3 a la conclusi\u00f3n de que los algoritmos entrenados con datos locales presentan un desempe\u00f1o superior a los que utilizan una base de informaci\u00f3n m\u00e1s amplia recabada en poblaciones con perfiles gen\u00e9ticos y socioecon\u00f3micos diferentes.<\/p>\n Deep Mind\u2009\/\u2009AlphaFold<\/span>Estructura tridimensional de prote\u00ednas, elaborada por el programa de inteligencia artificial AlphaFoldDeep Mind\u2009\/\u2009AlphaFold<\/span><\/p><\/div>\n El estudio se bas\u00f3 en el desarrollo de algoritmos con el prop\u00f3sito de predecir la mortalidad entre pacientes v\u00edctimas de covid-19. Se recolectaron datos de 16.236 personas en 18 hospitales de distintas regiones de Brasil entre marzo y agosto de 2020. Con esta informaci\u00f3n en su poder, los investigadores pusieron a prueba ocho estrategias diferentes para el desarrollo de modelos predictivos. Los mejores rendimientos se obtuvieron con aquellos que utilizaron datos locales; cuando se a\u00f1ad\u00edan datos de pacientes de otras regiones, la capacidad de previsi\u00f3n disminu\u00eda.<\/p>\n \u201cDemostramos que un algoritmo entrenado en S\u00e3o Paulo puede que no sea la mejor soluci\u00f3n de IA para aplicar en Bel\u00e9m [Par\u00e1] o en Salvador [Bah\u00eda]\u201d, explica Chiavegatto. Un art\u00edculo sobre el estudio ya ha sido presentado a una revista cient\u00edfica. \u201cSe trata de un tema de inter\u00e9s mundial, Muchos algoritmos desarrollados en un pa\u00eds tendr\u00e1n que ser reentrenados mediante t\u00e9cnicas de transfer learning<\/em>\u201d, pronostica el experto.<\/p>\n El aprendizaje por transferencia o transfer learning<\/em> es un problema de investigaci\u00f3n en el aprendizaje autom\u00e1tico centrado en almacenar el conocimiento adquirido al resolver un problema para aplicarlo a otro distinto pero relacionado.<\/p>\n Una iniciativa reciente para ampliar la inversi\u00f3n en IA en el \u00e1mbito de la salud en Brasil, surgi\u00f3 de una asociaci\u00f3n entre la FAPESP, el Ministerio de Ciencia, Tecnolog\u00eda e Innovaci\u00f3n (MCTI), el Ministerio de Comunicaciones y el Comit\u00e9 Gestor de Internet en Brasil (CGI.br). Mediante un concurso p\u00fablico culminado en 2021, se crearon seis Centros de Investigaci\u00f3n Aplicada (CPA, por sus siglas en portugu\u00e9s) en inteligencia artificial, centrados no solo en el sector de la salud, sino tambi\u00e9n en la agricultura, la industria y las ciudades inteligentes. Cada centro recibir\u00e1 1 mill\u00f3n de reales al a\u00f1o por un m\u00e1ximo de 10 a\u00f1os y una cifra id\u00e9ntica ser\u00e1 aportada por socios privados, totalizando hasta 20 millones por unidad de investigaci\u00f3n.<\/p>\n Dos de los nuevos CPA funcionar\u00e1n centrados espec\u00edficamente en la salud y reunir\u00e1n a investigadores que ya est\u00e1n desarrollando soluciones de IA en el sector. En Belo Horizonte (Minas Gerais), el Centro de Innovaci\u00f3n en Inteligencia Artificial para la Salud (Ciia-Sa\u00fade), con sede en la UFMG, agrupa a otras ocho instituciones y cuatro empresas asociadas. Operar\u00e1 en cinco ejes tem\u00e1ticos: prevenci\u00f3n y calidad de vida; diagn\u00f3stico, pron\u00f3stico y seguimiento; medicina terap\u00e9utica y personalizada; sistemas y gesti\u00f3n sanitarios, y epidemias y cat\u00e1strofes. \u201cA finales de a\u00f1o lanzaremos la primera convocatoria a la presentaci\u00f3n de proyectos\u201d, dice Ant\u00f4nio Luiz Pinho Ribeiro, m\u00e9dico y vicedirector del Ciia, quien tambi\u00e9n coordina el Centro de Telesalud del Hospital de Cl\u00ednicas de la UFMG.<\/p>\n El Centro de Telesalud realiza alrededor de 4.000 electrocardiogramas (ECG) por d\u00eda y los datos recogidos sirvieron como base para el desarrollo de dos investigaciones de IA en el \u00e1rea de las enfermedades cardiovasculares, generando art\u00edculos que salieron publicados en la revista cient\u00edfica Nature Communications<\/em>. En el primero, publicado en 2020, el equipo de investigaci\u00f3n del Telesalud present\u00f3 un sistema de diagn\u00f3stico autom\u00e1tico del ECG est\u00e1ndar, denominado ECG de 12 derivaciones, capaz de reconocer seis tipos de anomal\u00edas utilizando deep learning<\/em>, aprendizaje autom\u00e1tico profundo. La sensibilidad del m\u00e9todo, es decir, su capacidad para se\u00f1alar acertadamente cuando el paciente est\u00e1 enfermo, fue de un 80 %, y su especificidad, o sea, el acierto cuando el individuo no padece la enfermedad, a\u00fan mayor, de un 99 %.<\/p>\n L\u00e9o Ramos Chaves\u2009\/\u2009Revista Pesquisa FAPESP<\/span>Electrocardiograma: el an\u00e1lisis por IA puede determinar la edad del pacienteL\u00e9o Ramos Chaves\u2009\/\u2009Revista Pesquisa FAPESP<\/span><\/p><\/div>\n El segundo art\u00edculo, publicado en 2021, present\u00f3 un estudio que utiliz\u00f3 IA para crear un par\u00e1metro de la salud cardiovascular llamado ECG-edad. El sistema analiza el ECG y determina la edad probable del individuo a partir de la salud de su coraz\u00f3n. En teor\u00eda, las personas con un ECG-edad superior a su edad cronol\u00f3gica presentan un mayor riesgo de mortalidad a causa de problemas cardiovasculares. \u201cEs una informaci\u00f3n que puede utilizarse en la prevenci\u00f3n y el seguimiento m\u00e9dico\u201d, dice Ribeiro. \u201cPero el sistema de IA no est\u00e1 listo para su uso comercial, ya que a\u00fan se necesita validar si la informaci\u00f3n contribuye realmente a la gesti\u00f3n m\u00e9dica y al bienestar del paciente\u201d.<\/p>\n El otro CPA es el Brazilian Institute of Data Science (Bios), coordinado por la Unicamp, que agrupa a 12 organismos colaboradores, p\u00fablicos y privados, y est\u00e1 en fase de implementaci\u00f3n. El Bios funcionar\u00e1 en las \u00e1reas de la salud, agronegocio y m\u00e9todo, es decir, en el desarrollo de investigaci\u00f3n aplicada en ciencia de datos para varios segmentos de actividades. Seg\u00fan el m\u00e9dico obstetra y docente de la Unicamp Rodolfo Pacagnella, coordinador del \u00e1rea de salud del Bios, ya se han definido tres l\u00edneas de investigaci\u00f3n: salud femenina, diagn\u00f3stico de c\u00e1ncer de piel y diagn\u00f3stico de c\u00e1ncer de pulm\u00f3n. El c\u00e1ncer de piel es uno de los tumores de mayor incidencia a nivel mundial y la cient\u00edfica de la computaci\u00f3n Sandra Eliza Fontes de \u00c1vila, del Instituto de Computaci\u00f3n de la Unicamp, desarroll\u00f3 un software<\/em> capaz de detectar el del tipo melanoma, el m\u00e1s agresivo de estos tipos de neoplasias (lea en <\/em>Pesquisa FAPESP, edici\u00f3n n\u00ba 305<\/em><\/a>).<\/p>\n En el \u00e1rea de la salud femenina, Pacagnella coordina investigaciones que utilizan IA para reconocer patrones de riesgo de mortalidad materna y partos prematuros con miras a establecer estrategias predictivas. \u201cLa detecci\u00f3n precoz de un problema de salud posibilita realizar un seguimiento y un tratamiento m\u00e1s adecuado, y asimismo una mejora en la gesti\u00f3n de la red sanitaria. Nos permite saber con antelaci\u00f3n cu\u00e1ndo necesitaremos vacantes en las UTI de las maternidades y equipos m\u00e9dicos de guardia\u201d, ilustra Pacagnella.<\/p>\n Dos startups<\/em> financiadas por la FAPESP desarrollaron tecnolog\u00edas de IA que ya colaboran en el diagn\u00f3stico oncol\u00f3gico. La firma Onkos Diagn\u00f3sticos Moleculares, surgida del Supera Parque de Innovaci\u00f3n y Tecnolog\u00eda de Ribeir\u00e3o Preto, en el interior del estado de S\u00e3o Paulo, desarroll\u00f3 un examen gen\u00e9tico bautizado mirTHYpe, para perfeccionar la clasificaci\u00f3n de n\u00f3dulos tiroideos indeterminados. En casi un 25 % de los diagn\u00f3sticos, el examen tradicional, la punci\u00f3n aspiraci\u00f3n (Paaf), no consigue determinar si el tumor es maligno o benigno. En estos casos, se remite a todos los pacientes, por precauci\u00f3n, a una cirug\u00eda de diagn\u00f3stico, pero se ha demostrado que el 80 % de las mismas son innecesarias porque revelan n\u00f3dulos benignos. A los pacientes pueden quedarles secuelas como la necesidad de reposici\u00f3n hormonal de por vida.<\/p>\n La inteligencia artificial todav\u00eda debe ganarse la confianza de la comunidad m\u00e9dica antes de que pueda consider\u00e1rsela una t\u00e9cnica segura<\/p><\/blockquote>\n El mirTHYpe, lanzado en 2018, realiza una lectura del microARN, peque\u00f1as mol\u00e9culas reguladoras del ARN (\u00e1cido ribonucleico) de los n\u00f3dulos para determinar si la lesi\u00f3n es benigna o maligna, mediante inteligencia artificial. As\u00ed, pueden evitarse las cirug\u00edas innecesarias (lea en<\/em> Pesquisa FAPESP, edici\u00f3n n\u00ba 264<\/em><\/a>). Un estudio realizado por el equipo de investigaci\u00f3n de Onkos con 440 pacientes de 128 laboratorios que est\u00e1n utilizando el m\u00e9todo determin\u00f3 que el mirTHYpe influy\u00f3 en un 92 % de las decisiones que tomaron los m\u00e9dicos y redujo en un 75 % las cirug\u00edas innecesarias. El trabajo ha sido objeto de un art\u00edculo publicado en agosto de este a\u00f1o en la revista cient\u00edfica The Lancet Discovery Science (eBioMedicine<\/em>). \u201cCon una base de datos m\u00e1s amplia reunida en los \u00faltimos a\u00f1os, estamos reentrenando a nuestro algoritmo y creemos que as\u00ed podremos evitar hasta un 89 % de las cirug\u00edas diagn\u00f3sticas innecesarias\u201d, dice el bi\u00f3logo Marcos Tadeu dos Santos, fundador de Onkos.<\/p>\n La otra startup<\/em> es Harpia Health Solutions, cuya sede est\u00e1 ubicada en el Parque Tecnol\u00f3gico de S\u00e3o Jos\u00e9 dos Campos (S\u00e3o Paulo). Su equipo de investigadores y desarrolladores dise\u00f1\u00f3 una plataforma online<\/em> \u2013Delfos\u2013, que hospeda soluciones de IA y visi\u00f3n por computadora para proveer soporte al diagn\u00f3stico de estudios m\u00e9dicos por im\u00e1genes. \u201cFunciona como una segunda opini\u00f3n al radi\u00f3logo\u201d, dice el m\u00e1ster en ingenier\u00eda biom\u00e9dica Daniel Aparecido Vital, socio fundador de Harpia.<\/p>\n En la pr\u00e1ctica, la plataforma recibe los ex\u00e1menes a trav\u00e9s de una interfaz de programaci\u00f3n de aplicaciones (API) y en un plazo m\u00e1ximos de cinco minutos responde directamente al sistema de archivo e intercambio de im\u00e1genes radiol\u00f3gicas (Pacs\/Ris), en el que el radi\u00f3logo realiza el informe. En ese intervalo, la plataforma identifica anomal\u00edas y las clasifica autom\u00e1ticamente, generando un \u00edndice de selecci\u00f3n que permite priorizar los hallazgos an\u00f3malos que deben diagnosticarse. Simult\u00e1neamente, introduce en el sistema una imagen con indicaciones visuales de las anomal\u00edas.<\/p>\n \u201cEs un m\u00e9todo que genera productividad y asertividad en el diagn\u00f3stico, ya que le permite al radi\u00f3logo centrar su atenci\u00f3n en las anomal\u00edas detectadas, y as\u00ed disminuir los errores producto del cansancio en las extensas jornadas de trabajo\u201d, dice Vital. El primer servicio disponible es Delfos Mamografia, que lleva procesadas m\u00e1s de 72.000 mamograf\u00edas. La empresa tambi\u00e9n ha creado una soluci\u00f3n para radiograf\u00edas de t\u00f3rax, actualmente en fase de validaci\u00f3n.<\/p>\n Harpiahealth.com | Reproducci\u00f3n\u2009<\/span>La soluci\u00f3n Delfos Mamografia, de la startup Harpia: asistencia al diagn\u00f3stico de estudios por im\u00e1genes. La aplicaci\u00f3n Neonpass, de la firma Hoobox, centrada en la gesti\u00f3n de los hospitales (a la der.<\/em>)Harpiahealth.com | Reproducci\u00f3n\u2009<\/span><\/p><\/div>\n Los recursos de IA tambi\u00e9n se est\u00e1n utilizando para mejorar la administraci\u00f3n de los hospitales. Una de las tecnolog\u00edas creadas recientemente en Brasil con este prop\u00f3sito es Neonpass, que hace posible un seguimiento diario integral del paciente dentro de la unidad de salud. Esta innovaci\u00f3n, que ya se encuentra en uso en los hospitales S\u00edrio-Liban\u00eas y Albert Einstein, ambos en S\u00e3o Paulo, es un desarrollo de la empresa Hoobox, con el apoyo de la FAPESP.<\/p>\n \u201cHoy en d\u00eda, la rastreabilidad del paciente y del visitante se realiza mediante diferentes herramientas tecnol\u00f3gicas, cada una con sus requisitos y que, a menudo, no se comunican de manera adecuada\u201d, dice Paulo Pinheiro, socio fundador de la startup<\/em>. Un problema generado por esta situaci\u00f3n es que el paciente debe informar sus datos de identificaci\u00f3n en la recepci\u00f3n y luego vuelve a requer\u00edrsele lo mismo en las etapas de atenci\u00f3n posteriores. Adem\u00e1s, la jornada laboral discontinua, hace que se pierdan datos temporales, frecuencia y motivo de las visitas, por ejemplo, lo que compromete el flujo de atenci\u00f3n en la instituci\u00f3n.<\/p>\n \u201cNeonpass fue dise\u00f1ado como un bus o canal inform\u00e1tico que administra todas las interacciones con el paciente, sin p\u00e9rdida de datos y confiriendo mayor eficiencia operativa\u201d, describe Pinheiro. Entre las actividades que pueden ejecutarse figura el check-in <\/em>o registro de ingreso presencial y online<\/em>, el ingreso de visitantes y el uso de terminales de asistencia. El seguimiento genera informaci\u00f3n en tiempo real que les permite a los administradores saber cu\u00e1ntos pacientes y visitantes est\u00e1n en cada sector, cu\u00e1l recepci\u00f3n est\u00e1 m\u00e1s concurrida y cu\u00e1l es el tiempo promedio de espera para una consulta o procedimiento m\u00e9dico.<\/p>\n Hoobox est\u00e1 incorporando a Neonpass un nuevo m\u00f3dulo llamado Sadia, un sistema que utiliza visi\u00f3n computacional e IA para detectar el riesgo de que un paciente se caiga de la cama y de que se le produzcan \u00falceras por presi\u00f3n, que se incrementa cuando una persona pasa m\u00e1s de dos horas en una misma posici\u00f3n. La informaci\u00f3n es captada por una c\u00e1mara instalada en la cama y utiliza t\u00e9cnicas de aprendizaje autom\u00e1tico para identificar al paciente, predecir el riesgo de ca\u00edda y activar la asistencia pertinente de la enfermer\u00eda.<\/p>\n Asimismo, el sistema identifica la categor\u00eda del trabajador que realiza distintos procedimientos cerca de la cama, y contabiliza el total de horas de asistencia, generando informaci\u00f3n para los administradores del hospital. La soluci\u00f3n se ajusta a las directrices de la Ley General de Protecci\u00f3n de Datos (LGPD), asegurando que la totalidad de los datos se analizan y se descartan inmediatamente, para asegurar la privacidad de los pacientes. M\u00e1s de 100 camas ya est\u00e1n siendo monitoreadas con el sistema de Hoobox.<\/a><\/p>\n Al tiempo que pondera el potencial de la inteligencia artificial para mejorar la prestaci\u00f3n de la atenci\u00f3n de la salud y c\u00f3mo ayuda en el desarrollo de medicamentos, la Organizaci\u00f3n Mundial de la Salud (OMS) advierte sobre la necesidad de que los desarrolladores de soluciones tengan a la \u00e9tica y los derechos humanos como eje de sus preocupaciones.<\/p>\n El informe \u201c\u00c9tica y gobernanza de la inteligencia artificial en el \u00e1mbito de la salud\u201d, publicado en 2021, pone de relieve los riesgos que conlleva el uso anti\u00e9tico de los datos sanitarios, principalmente aquellos asociados a prejuicios que pueden codificarse en algoritmos, a la divulgaci\u00f3n de informaci\u00f3n que compromete la privacidad de los pacientes, a los riesgos de la ciberseguridad y a la garant\u00eda de transparencia, justificaci\u00f3n y comprensi\u00f3n de los datos generados.<\/p>\n \u201cPor mayor que sea el \u00edndice de aciertos de un algoritmo, el riesgo de errores sigue estando presente. Para tener una mayor confiabilidad, el algoritmo debe ser transparente, informar al m\u00e9dico no solamente de una decisi\u00f3n, sino los factores que se tuvieron en cuenta para llegar a la misma\u201d, dice el m\u00e9dico cl\u00ednico Ant\u00f4nio Luiz Pinho Ribeiro, vicedirector del Centro de Innovaci\u00f3n en Inteligencia Artificial para la Salud (Ciia-Sa\u00fade), con sede en Belo Horizonte (MG).<\/p>\n El m\u00e9dico obstetra Rodolfo Pacagnella, coordinador del \u00e1rea de salud del Brazilian Institute of Data Science (Bios), subraya la importancia de la representatividad de los datos utilizados para el desarrollo de los algoritmos. \u201cUn algoritmo entrenado para detectar el c\u00e1ncer de piel que utilice como base datos referentes a la poblaci\u00f3n noruega, \u00bffuncionar\u00e1 adecuadamente en Brasil?\u201d, plantea.<\/p>\n Pacagnella hace hincapi\u00e9 en la necesidad de que los algoritmos sean entrenados con datos abarcadores, que contemplen poblaciones con perfiles diversos, y que se tomen recaudos para evitar los sesgos raciales y socioecon\u00f3micos que los contaminen, generando distorsiones que pueden pasar desapercibidas en las soluciones de IA.<\/p>\n Otra de las preocupaciones tiene que ver con la recolecci\u00f3n de los datos que se utilizan en el aprendizaje autom\u00e1tico. \u201cUn algoritmo entrenado con datos perfectos, recabados en situaciones ideales en laboratorios acad\u00e9micos, no siempre refleja la realidad del sistema de salud. El programa de IA debe validarse en una situaci\u00f3n de uso real antes de pasar a estar disponible para su aplicaci\u00f3n comercial. Pero esto no siempre es lo que sucede\u201d, afirma.<\/div>\n Proyectos Art\u00edculos cient\u00edficos
\n<\/strong>A pesar de las cuantiosas inversiones que recibe y de los avances recientes, a\u00fan hay retos t\u00e9cnicos, \u00e9ticos y jur\u00eddicos que deber\u00e1n superarse para lograr una mayor difusi\u00f3n de estas herramientas. Una de las preocupaciones tiene que ver con la responsabilidad civil en funci\u00f3n de los errores de diagn\u00f3stico que involucran a los programas inform\u00e1ticos y a los algoritmos de la IA. Otra se refiere a la falta de \u00e9tica en el uso de la informaci\u00f3n, ya sea por la publicaci\u00f3n de datos que violen la privacidad de los pacientes o por el empleo de algoritmos que acent\u00faen los prejuicios y perpet\u00faen las desigualdades en el acceso a la salud (v\u00e9ase el recuadro<\/em><\/a>).<\/p>\n![\"\"](\"https:\/\/revistapesquisa.fapesp.br\/wp-content\/uploads\/2023\/04\/RPF-ia-saude-proteina-2022-12-1140.jpg\")
![\"\"](\"https:\/\/revistapesquisa.fapesp.br\/wp-content\/uploads\/2023\/04\/RPF-ia-saude-eletrocardiograma-2022-12-1140.jpg\")
![\"\"](\"https:\/\/revistapesquisa.fapesp.br\/wp-content\/uploads\/2023\/04\/RPF-ia-saude-aplicativo-neonpass-2022-12-1140.jpg\")
\n<\/strong>Los algoritmos deben ser transparentes y evitar sesgos a la hora de prestar ayuda a los m\u00e9dicos cuando estos deben tomar decisiones<\/em><\/p>\n
\n1.<\/strong> Bios \u2013 Brazilian Institute of Data Science (n\u00ba 20\/09838-0<\/a>); Modalidad <\/strong>Centros de Investigaciones en Ingenier\u00eda (CPE); Convenio<\/strong> MCTI\/MC; Investigador responsable<\/strong> Jo\u00e3o Marcos Travassos Romano (Unicamp); Inversi\u00f3n<\/strong> R$ 2.180.218,21.
\n2.<\/strong> Centro de Innovaci\u00f3n en Inteligencia Artificial para la Salud (Ciia-Sa\u00fade) (n\u00ba 20\/09866-4<\/a>); Modalidad<\/strong> Centros de Investigaciones en Ingenier\u00eda (CPE); Convenio<\/strong> MCTI\/MC; Investigador responsable<\/strong> Virg\u00edlio Augusto Fernandes Almeida (UFMG); Inversi\u00f3n<\/strong> R$ 1.659.839,04.
\n3.<\/strong> Clasificaci\u00f3n molecular de n\u00f3dulos tiroideos indeterminados mediante perfilado por microARN (n\u00ba 15\/07590-3<\/a>); Modalidad<\/strong> Investigaci\u00f3n Innovadora en Peque\u00f1as Empresas (Pipe); Investigador responsable<\/strong> Marcos Tadeu dos Santos (Onkos); Inversi\u00f3n<\/strong> R$ 832.545,15.
\n4.<\/strong> M\u00e9todos computacionales de aprendizaje autom\u00e1tico para la identificaci\u00f3n y clasificaci\u00f3n autom\u00e1tica de n\u00f3dulos mamarios y microcalcificaciones en los ex\u00e1menes de mamograf\u00eda digital (n\u00ba 19\/16514-0<\/a>); Modalidad<\/strong> Investigaci\u00f3n Innovadora en Peque\u00f1as Empresas (Pipe); Investigador responsable<\/strong> Daniel Aparecido Vital (Harpia); Inversi\u00f3n<\/strong> R$ 101.040,80.
\n5.<\/strong> Generaci\u00f3n ilimitada de im\u00e1genes de lesiones de piel por medio de redes generativas antag\u00f3nicas (n\u00ba 19\/19619-7<\/a>); Modalidad<\/strong> Beca doctoral; Investigadora responsable<\/strong> Sandra Eliza Fontes de Avila (Unicamp); Beneficiario<\/strong> Alceu Emanuel Bissoto; Inversi\u00f3n<\/strong> R$ 267.948,89.<\/p>\n
\n<\/strong>RIBEIRO, A. H. et al<\/em>. Automatic diagnosis of the 12-lead ECG using a deep neural network<\/a>. Nature Communications<\/strong>. 9 abr. 2020.
\nLIMA, E. M. et al<\/em>. Deep neural network-estimated electrocardiographic age as a mortality predictor<\/a>.\u00a0Nature Communications<\/strong>.\u00a025 ago. 2021.
\nSANTOS, M. T. et al<\/em>. Clinical decision support analysis of a microRNA-based thyroid molecular classifier: A real-world, prospective and multicentre validation study<\/a>. The Lancet Discovery Science<\/strong> (eBioMedicine). 30 jun. 2022.
\nJUMPER, J. et al<\/em>. Highly accurate protein structure prediction with AlphaFold. Science<\/strong>. 15 jul. 2021.<\/p>\n","protected":false},"excerpt":{"rendered":"Las tecnolog\u00edas dotadas de estos recursos ya se aplican en el \u00e1rea m\u00e9dica, pero a\u00fan deben superarse retos para llegar a su incorporaci\u00f3n a mayor escala en el pa\u00eds","protected":false},"author":538,"featured_media":473974,"comment_status":"closed","ping_status":"closed","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_exactmetrics_skip_tracking":false,"_exactmetrics_sitenote_active":false,"_exactmetrics_sitenote_note":"","_exactmetrics_sitenote_category":0,"footnotes":""},"categories":[192],"tags":[281,312,316],"coauthors":[1346],"class_list":["post-473973","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-tecnologia-es","tag-biotecnologia-es","tag-innovacion","tag-medicina-es","position_at_home-sumario"],"acf":[],"_links":{"self":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts\/473973","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/users\/538"}],"replies":[{"embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/comments?post=473973"}],"version-history":[{"count":4,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts\/473973\/revisions"}],"predecessor-version":[{"id":473991,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/posts\/473973\/revisions\/473991"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/media\/473974"}],"wp:attachment":[{"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/media?parent=473973"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/categories?post=473973"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/tags?post=473973"},{"taxonomy":"author","embeddable":true,"href":"https:\/\/revistapesquisa.fapesp.br\/es\/wp-json\/wp\/v2\/coauthors?post=473973"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}