Fronteras de la Medicina
On octubre 30, 2021 by adminIntroducción
La expresión «Tecnología Médica» se utiliza ampliamente para referirse a una serie de herramientas que pueden permitir a los profesionales de la salud ofrecer a los pacientes y a la sociedad una mejor calidad de vida realizando diagnósticos tempranos, reduciendo las complicaciones, optimizando el tratamiento y/o proporcionando opciones menos invasivas, y reduciendo la duración de la hospitalización. Mientras que, antes de la era móvil, las tecnologías médicas se conocían principalmente como dispositivos médicos clásicos (por ejemplo, prótesis, stents, implantes), la aparición de los smartphones, los wearables, los sensores y los sistemas de comunicación ha revolucionado la medicina con la capacidad de contener herramientas potenciadas por la inteligencia artificial (IA) (como las aplicaciones) en tamaños muy reducidos (1). La IA ha revolucionado las tecnologías médicas y puede entenderse comúnmente como la parte de las ciencias de la computación que es capaz de tratar problemas complejos con muchas aplicaciones en áreas con enorme cantidad de datos pero poca teoría (2).
Las tecnologías médicas inteligentes (es decir, Las tecnologías médicas inteligentes (es decir, impulsadas por la IA) han sido acogidas con entusiasmo por la población en general, en parte porque permiten un modelo de medicina de las 4P (Predictiva, Preventiva, Personalizada y Participativa) y, por tanto, la autonomía del paciente, de una forma que no era posible (3); los teléfonos inteligentes se están convirtiendo, por ejemplo, en el elemento de referencia para rellenar y distribuir una historia clínica personal electrónica (4), monitorizar las funciones vitales con biosensores (5) y ayudar a alcanzar un cumplimiento terapéutico óptimo (6), lo que otorga al paciente el protagonismo en el proceso de atención. El desarrollo de las tecnologías médicas inteligentes está permitiendo el desarrollo de un nuevo campo en la medicina: la medicina aumentada, es decir, el uso de las nuevas tecnologías médicas para mejorar diferentes aspectos de la práctica clínica. Varios algoritmos basados en la IA han sido aprobados en la última década por la Administración de Alimentos y Medicamentos (FDA) y, por tanto, podrían aplicarse. La medicina aumentada no sólo es posible gracias a las tecnologías basadas en la IA, sino también a otras herramientas digitales, como los sistemas de navegación quirúrgica para la cirugía asistida por ordenador (7) o las herramientas de realidad virtual para la cirugía, el tratamiento del dolor y los trastornos psiquiátricos (8-10).
Aunque el campo de la medicina aumentada parece tener éxito entre los pacientes, puede encontrarse con cierta resistencia por parte de los profesionales de la salud, en particular los médicos: en relación con este fenómeno, cabe señalar cuatro razones ampliamente discutidas. En primer lugar, la falta de preparación en cuanto al potencial de la medicina digital se debe a la evidente falta de formación básica y continua en relación con esta disciplina (11). En segundo lugar, la temprana digitalización de los procesos sanitarios, muy diferente de la promesa de la medicina aumentada, vino acompañada de un fuerte aumento de la carga administrativa vinculada principalmente a las historias clínicas electrónicas (12), que ha llegado a conocerse como uno de los principales componentes del agotamiento de los médicos (13). En tercer lugar, se teme cada vez más el riesgo de que la IA sustituya a los médicos (14), aunque la opinión actual y mayoritaria en la literatura es que la IA complementará la inteligencia de los médicos en el futuro (15, 16). En cuarto lugar, la actual falta mundial de un marco jurídico que defina el concepto de responsabilidad en caso de adopción o rechazo de las recomendaciones de los algoritmos deja al médico expuesto a posibles consecuencias jurídicas cuando utiliza la IA (17).
En cuanto a la falta de formación en medicina digital, varias facultades de medicina privadas están preparando a sus futuros líderes médicos para el reto de la medicina aumentada, ya sea asociando el plan de estudios de medicina con el de ingeniería o implementando la alfabetización y el uso de la salud digital en un plan de estudios actualizado (18).
El objetivo de este artículo es resumir los desarrollos recientes de la IA en medicina, proporcionar los principales casos de uso en los que las tecnologías médicas potenciadas por la IA ya pueden utilizarse en la práctica clínica, y las perspectivas sobre los retos y riesgos a los que se enfrentan los profesionales e instituciones sanitarias mientras implementan la medicina aumentada, tanto en la práctica clínica como en la educación de los futuros líderes médicos.
Aplicaciones actuales de la inteligencia artificial en medicina
2.1. Cardiología
2.1.1. Fibrilación auricular
La detección temprana de la fibrilación auricular fue una de las primeras aplicaciones de la IA en medicina. AliveCor recibió la aprobación de la FDA en 2014 para su aplicación móvil Kardia que permitía una monitorización y detección de fibrilación auricular basada en el smartphone. El reciente estudio REHEARSE-AF (19) demostró que la monitorización remota del ECG con Kardia en pacientes ambulatorios tiene más probabilidades de identificar la fibrilación auricular que la atención rutinaria. Apple también ha obtenido la aprobación de la FDA para su Apple Watch 4, que permite adquirir fácilmente el ECG y detectar la fibrilación auricular, que puede compartirse con el profesional de su elección a través de un teléfono inteligente (20). Se han abordado varias críticas a las tecnologías de ECG vestibles y portátiles (21), destacando las limitaciones de su uso, como la tasa de falsos positivos originada por artefactos de movimiento, y las barreras en la adopción de la tecnología vestible en los pacientes de edad avanzada que son más propensos a sufrir fibrilación auricular.
2.1.2. Riesgo cardiovascular
Aplicada a las historias clínicas electrónicas de los pacientes, la IA se ha utilizado para predecir el riesgo de enfermedad cardiovascular, por ejemplo el síndrome coronario agudo (22) y la insuficiencia cardíaca (23) mejor que las escalas tradicionales. Sin embargo, recientes revisiones exhaustivas (24) han informado de cómo los resultados pueden variar en función del tamaño de la muestra utilizada en el informe de investigación.
2.2. Medicina pulmonar
La interpretación de las pruebas de función pulmonar se ha reportado como un campo prometedor para el desarrollo de aplicaciones de IA en medicina pulmonar. Un estudio reciente (25) informó de cómo el software basado en IA proporciona una interpretación más precisa y sirve como herramienta de apoyo a la decisión en el caso de la interpretación de los resultados de las pruebas de función pulmonar. El estudio recibió varias críticas, una de las cuales (26) informaba de cómo la tasa de diagnósticos precisos en los neumólogos participantes en el estudio era considerablemente inferior a la media del país.
2.3. Endocrinología
La monitorización continua de la glucosa permite a los pacientes con diabetes ver en tiempo real las lecturas de la glucosa intersticial y proporciona información sobre la dirección y la tasa de cambio de los niveles de glucosa en sangre (27) Medtronic recibió la aprobación de la FDA para su sistema Guardian para la monitorización de la glucosa, que está emparejado con un smartphone (28). En 2018, la empresa se asoció con Watson (IA desarrollada por IBM) para su sistema Sugar.IQ con el fin de ayudar a sus clientes a prevenir mejor los episodios de hipoglucemia basándose en la medición repetida. La monitorización continua de la glucosa en sangre puede permitir a los pacientes optimizar su control de la glucosa en sangre y reducir el estigma asociado a los episodios de hipoglucemia; sin embargo, un estudio centrado en la experiencia de los pacientes con la monitorización de la glucosa informó de que los participantes, si bien expresaban confianza en las notificaciones, también declaraban sentimientos de fracaso personal a la hora de regular el nivel de glucosa (27).
2.4. Nefrología
La inteligencia artificial se ha aplicado en varios ámbitos de la nefrología clínica. Por ejemplo, se ha demostrado su utilidad para la predicción del descenso de la tasa de filtración glomerular en pacientes con enfermedad renal poliquística (29), y para establecer el riesgo de nefropatía IgA progresiva (30). Sin embargo, una reciente revisión informa de cómo en este momento la investigación está limitada por el tamaño de la muestra necesaria para la inferencia (31).
2.5. Gastroenterología
La especialidad de gastroenterología se beneficia de una amplia gama de aplicaciones de IA en entornos clínicos. Los gastroenterólogos han utilizado redes neuronales convolucionales, entre otros modelos de aprendizaje profundo, para procesar imágenes de endoscopia y ecografía (32) y detectar estructuras anormales como pólipos colónicos (33). Las redes neuronales artificiales también se han utilizado para diagnosticar la enfermedad por reflujo gastroesofágico (34) y la gastritis atrófica (35), así como para predecir los resultados de la hemorragia gastrointestinal (36), la supervivencia del cáncer de esófago (37), la enfermedad inflamatoria intestinal (38) y la metástasis en el cáncer colorrectal (39) y el carcinoma de células escamosas del esófago (40).
2.6. Neurología
2.6.1. Epilepsia
Los dispositivos inteligentes de detección de convulsiones son tecnologías prometedoras que tienen el potencial de mejorar el manejo de las convulsiones a través de la monitorización ambulatoria permanente. Empatica recibió la aprobación de la FDA en 2018 para su wearable Embrace, que asociado a captores electrodérmicos puede detectar crisis de epilepsia generalizada e informar a una aplicación móvil que es capaz de alertar a los familiares cercanos y al médico de confianza con información complementaria sobre la localización del paciente (41). Un informe centrado en la experiencia de los pacientes, reveló que, a diferencia de los wearables de monitorización cardíaca, los pacientes que padecen epilepsia no tenían barreras en la adopción de dispositivos de detección de convulsiones, y reportaron un alto interés en el uso de wearables (42).
2.6.2. Evaluación de la marcha, la postura y el temblor
Los sensores portátiles han demostrado ser útiles para evaluar cuantitativamente la marcha, la postura y el temblor en pacientes con esclerosis múltiple, enfermedad de Parkinson, parkinsonismo y enfermedad de Huntington (43).
2.7. Diagnóstico computacional del cáncer en histopatología
Paige.ai ha recibido el estatus de avance de la FDA por un algoritmo basado en IA que es capaz de diagnosticar el cáncer en histopatología computacional con gran precisión, permitiendo al patólogo ganar tiempo para centrarse en las diapositivas importantes (44).
2.8. Imagen médica y validación de tecnologías basadas en IA
Un esperado meta-análisis comparó los rendimientos del software de aprendizaje profundo y de los radiólogos en el campo del diagnóstico basado en imágenes (45): aunque el aprendizaje profundo parece ser tan eficiente como el radiólogo para el diagnóstico, los autores señalaron que el 99% de los estudios no tenían un diseño fiable; además, solo una milésima parte de los trabajos que se revisaron validaron sus resultados haciendo que los algoritmos diagnosticaran imágenes médicas procedentes de otras poblaciones de origen. Estos resultados apoyan la necesidad de una amplia validación de las tecnologías basadas en la IA a través de ensayos clínicos rigurosos (5).
Discusión: Retos y direcciones futuras de la inteligencia artificial en medicina
3.1. La validación de las tecnologías basadas en la IA: ¿Hacia una crisis de replicación?
Uno de los retos centrales de la aplicación de la IA en medicina en los próximos años será la validación clínica de los conceptos y herramientas centrales recientemente desarrollados. Aunque muchos estudios ya han introducido la utilidad de la IA con claras oportunidades basadas en resultados prometedores, es probable que varias limitaciones bien reconocidas y frecuentemente reportadas de los estudios de IA compliquen dicha validación. A continuación abordaremos tres de dichas limitaciones, así como proporcionaremos posibles formas de superarlas.
En primer lugar, la mayoría de los estudios que comparan la eficiencia de la IA frente a los clínicos se encuentran con un diseño poco fiable y se sabe que carecen de replicación primaria, es decir, la validación de los algoritmos desarrollados en muestras procedentes de otras fuentes distintas a la utilizada para entrenar los algoritmos (45). Esta dificultad podría superarse en la era de la ciencia abierta, ya que los datos abiertos y los métodos abiertos están destinados a recibir cada vez más atención como mejores prácticas en la investigación. Sin embargo, la transición a la ciencia abierta podría resultar difícil para las empresas de IA médica que desarrollan software como negocio principal.
En segundo lugar, se sabe que los estudios que informan de la aplicación de la IA en la práctica clínica son limitados debido a los diseños retrospectivos y a los tamaños de las muestras; dichos diseños incluyen potencialmente un sesgo de selección y de espectro, es decir, los modelos se desarrollan para ajustarse de forma óptima a un conjunto de datos determinado (este fenómeno también se conoce como sobreajuste), pero no replican los mismos resultados en otros conjuntos de datos (32). La reevaluación y calibración continuas tras la adopción de algoritmos de los que se sospecha que se ajustan en exceso deberían ser necesarias para adaptar el software a la fluctuación de la demografía de los pacientes (46). Además, existe un consenso cada vez mayor en cuanto a la necesidad de desarrollar algoritmos diseñados para adaptarse a comunidades más amplias teniendo en cuenta los subgrupos (47).
En tercer lugar, se conocen pocos estudios que comparen la IA y los médicos clínicos basándose en los mismos conjuntos de datos; incluso en ese escenario, se han realizado críticas que apuntan a una tasa de precisión diagnóstica inferior a la esperada en los médicos especializados. (26). Oponer IA y clínicos es, aunque está bien representado en la literatura científica, probablemente no la mejor manera de abordar la cuestión del rendimiento en la pericia médica: varios estudios están abordando ahora la interacción entre clínicos y algoritmos (47), ya que la combinación de inteligencia humana y artificial supera a cualquiera de las dos por separado.
3.2. Implicaciones éticas del seguimiento continuo
La tecnología médica es uno de los mercados más prometedores del siglo XXI, con un valor de mercado estimado que se acerca rápidamente al billón de dólares en 2019. Un porcentaje cada vez mayor de los ingresos se debe a la venta al por menor de dispositivos médicos (como los de monitorización cardíaca) a una población más joven, que no es el principal perfil de consumidor objetivo (porque es menos probable que aparezcan problemas de salud como la fibrilación auricular). Debido a este fenómeno, el Internet de las Cosas (IoT) está redefiniendo el concepto de individuo saludable como una combinación del yo cuantificado (indicadores personales codificados en el smartphone o el wearable) y una serie de parámetros de estilo de vida proporcionados por el wearable (seguimiento de la actividad, control del peso, etc.).
Además, en el último par de años varias empresas de wearables han cerrado importantes acuerdos con compañías de seguros o gobiernos para organizar una distribución a gran escala de estos productos: este tipo de iniciativas tienen como objetivo principal inducir el cambio de estilo de vida en grandes poblaciones. Mientras los países occidentales siguen evolucionando hacia sistemas de salud centrados en la responsabilidad individual del paciente hacia su propia salud y bienestar, las implicaciones éticas de la monitorización médica continua con dispositivos médicos a través de la Internet de las cosas se discuten con frecuencia. Por ejemplo, la monitorización continua y las violaciones de la privacidad tienen el potencial de aumentar el estigma en torno a los enfermos crónicos o a los ciudadanos más desfavorecidos (48) y, posiblemente, de penalizar a aquellos ciudadanos que no son capaces de adoptar nuevas normas de estilo de vida saludable, por ejemplo, reduciendo el acceso al seguro médico y a la atención sanitaria; poco o ningún debate se ha centrado en estos escollos potenciales y cruciales en la elaboración de políticas sanitarias.
En este marco tecno-político, la cuestión de la protección y la propiedad de los datos se vuelve cada vez más crucial, aunque tiene más de dos décadas (49). En la bibliografía se describen varias actitudes respecto a la propiedad de los datos: aunque algunos trabajos defienden la propiedad común de los datos de los pacientes para beneficiarse de los enfoques de la medicina personalizada (50, 51), el consenso se está decantando por la propiedad del paciente, ya que tiene efectos positivos en su compromiso y puede mejorar el intercambio de información si se establece un acuerdo de uso de los datos entre el paciente y los profesionales sanitarios (52).
3.3. La necesidad de formar médicos aumentados La necesidad de educar a los médicos aumentados
Varias universidades han comenzado a crear nuevos planes de estudios de medicina, entre ellos el de médico-ingeniero (18), para responder a la necesidad de educar a los futuros líderes médicos ante los retos de la inteligencia artificial en medicina (53). Estos planes de estudios contemplan un mayor enfoque de las ciencias duras (como la física y las matemáticas), y la adición de ciencias computacionales, codificación, algoritmia e ingeniería mecatrónica. Estos «médicos aumentados» contarían tanto con una experiencia clínica como con conocimientos digitales para resolver los problemas sanitarios modernos, participar en la definición de estrategias digitales para las instituciones sanitarias, gestionar la transición digital, educar a los pacientes y a los compañeros.
La sociedad, así como las instituciones sanitarias, podrían beneficiarse de estos profesionales como red de seguridad para cualquier proceso que incluya la IA en la medicina, pero también como impulso de la innovación y la investigación. Aparte de la educación médica básica, es necesario implementar programas educativos continuos en relación con la medicina digital y dirigidos a los médicos graduados, para permitir el reciclaje en este campo en crecimiento. En la mayoría de los hospitales de vanguardia de todo el mundo, estos expertos tienen la misión de ser Chief Medical Information Officer (CMIO).
3.4. La promesa de la inteligencia clínica ambiental: Evitar la deshumanización por parte de la tecnología
Como informan varios estudios (12, 13), las historias clínicas electrónicas pueden ser una importante carga administrativa y una fuente de burnout, fenómeno cada vez más presente en los médicos, tanto en formación como capacitados. Aunque las soluciones de inteligencia artificial, como el Procesamiento del Lenguaje Natural, son cada vez más capaces de ayudar al médico a elaborar historias clínicas completas, se necesitan más soluciones para resolver el problema del tiempo cada vez mayor que se destina a la atención indirecta del paciente.
La inteligencia clínica ambiental (ACI) se entiende como un entorno digital sensible, adaptable y con capacidad de respuesta que rodea al médico y al paciente (54) y que es capaz, por ejemplo, de analizar la entrevista y rellenar automáticamente la historia clínica electrónica del paciente. Hay varios proyectos en marcha para desarrollar un ACI, que sería una aplicación crucial de la inteligencia artificial en medicina y muy necesaria para resolver los problemas modernos de la plantilla de médicos.
Una de las grandes barreras para la adopción de tecnologías médicas inteligentes en los médicos es el temor a una deshumanización de la medicina. Esto se debe principalmente a la creciente carga administrativa (12) impuesta a los médicos. Sin embargo, tecnologías modernas como la ICA y el procesamiento del lenguaje natural están destinadas a resolver el problema de la carga administrativa y ayudarán a los médicos a centrarse más en el paciente.
3.5. ¿Sustituirán los médicos a la inteligencia artificial?
Como se ha debatido recientemente en la literatura (15, 16) lo más probable es que los médicos no sean sustituidos por la inteligencia artificial: las tecnologías médicas inteligentes existen como apoyo al médico para mejorar la gestión del paciente. Sin embargo, como han indicado estudios recientes (45), es frecuente que se establezcan comparaciones entre las soluciones de inteligencia artificial y los médicos, como si ambas partes estuvieran en competencia. Los estudios futuros deberían centrarse en la comparación entre los médicos que utilizan soluciones de inteligencia artificial y los médicos que no cuentan con la ayuda de dichas aplicaciones, y ampliar esas comparaciones a los ensayos clínicos traslacionales; sólo entonces se aceptará la inteligencia artificial como complemento de los médicos. Los profesionales de la salud se encuentran hoy en día en una posición privilegiada, para poder acoger la evolución digital y ser los principales impulsores del cambio, aunque es necesaria una importante revisión de la formación médica para dotar a los futuros líderes de las competencias necesarias para ello.
Conclusión
La implementación de la inteligencia artificial en la práctica clínica es un área de desarrollo prometedora, que evoluciona rápidamente junto con los otros campos modernos de la medicina de precisión, la genómica y la teleconsulta. Mientras que el progreso científico debe seguir siendo riguroso y transparente en el desarrollo de nuevas soluciones para mejorar la asistencia sanitaria moderna, las políticas sanitarias deben centrarse ahora en abordar las cuestiones éticas y financieras asociadas a esta piedra angular de la evolución de la medicina.
Contribuciones de los autores
Todos los autores enumerados han realizado una contribución sustancial, directa e intelectual al trabajo, y lo han aprobado para su publicación.
Conflicto de intereses
Los autores declaran que la investigación se llevó a cabo en ausencia de cualquier relación comercial o financiera que pudiera interpretarse como un potencial conflicto de intereses.
1. Steinhubl SR, Muse ED, Topol EJ. El campo emergente de la salud móvil. Sci Trans Med. (2015) 7:283rv3. doi: 10.1126/scitranslmed.aaa3487
PubMed Abstract | CrossRef Full Text | Google Scholar
2. Peng Y, Zhang Y, Wang L. Artificial intelligence in biomedical engineering and informatics: an introduction and review. Artif Intell Med. (2010) 48:71-3. doi: 10.1016/j.artmed.2009.07.007
PubMed Abstract | CrossRef Full Text | Google Scholar
3. Orth M, Averina M, Chatzipanagiotou S, Faure G, Haushofer A, Kusec V, et al. Opinion: redefining the role of the physician in laboratory medicine in the context of emerging technologies, personalised medicine and patient autonomy (‘4P medicine’). J Clin Pathol. (2019) 72:191-7. doi: 10.1136/jclinpath-2017-204734
PubMed Abstract | CrossRef Full Text | Google Scholar
4. Abdulnabi M, Al-Haiqi A, Kiah MLM, Zaidan AA, Zaidan BB, Hussain M. Un marco distribuido para el intercambio de información de salud utilizando tecnologías de teléfonos inteligentes. J Biomed Informat. (2017) 69:230-50. doi: 10.1016/j.jbi.2017.04.013
PubMed Abstract | CrossRef Full Text | Google Scholar
5. Topol EJ. Una década de innovación en medicina digital. Sci Trans Med. (2019) 11:7610. doi: 10.1126/scitranslmed.aaw7610
PubMed Abstract | CrossRef Full Text | Google Scholar
6. Morawski K, Ghazinouri R, Krumme A, Lauffenburger JC, Lu Z, Durfee E, et al. Asociación de una aplicación de teléfono inteligente con la adherencia a la medicación y el control de la presión arterial: el ensayo clínico aleatorio MedISAFE-BP. JAMA Int Med. (2018) 178:802-9. doi: 10.1001/jamainternmed.2018.0447
PubMed Abstract | CrossRef Full Text | Google Scholar
7. Overley SC, Cho SK, Mehta AI, Arnold PM. Navegación y robótica en la cirugía espinal: ¿dónde estamos ahora? Neurosurgery. (2017) 80:S86-99. doi: 10.1093/neuros/nyw077
PubMed Abstract | CrossRef Full Text | Google Scholar
8. Tepper OM, Rudy HL, Lefkowitz A, Weimer KA, Marks SM, Stern CS, et al. Realidad mixta con HoloLens: donde la realidad virtual se encuentra con la realidad aumentada en la sala de operaciones. Plast Reconstruct Surg. (2017) 140:1066-70. doi: 10.1097/PRS.0000000000003802
PubMed Abstract | CrossRef Full Text | Google Scholar
9. Mishkind MC, Norr AM, Katz AC, Reger GM. Revisión del tratamiento con realidad virtual en psiquiatría: evidencia frente a la difusión y uso actual. Curr Psychiat Rep. (2017) 19:80. doi: 10.1007/s11920-017-0836-0
PubMed Abstract | CrossRef Full Text | Google Scholar
10. Malloy KM, Milling LS. The effectiveness of virtual reality distraction for pain reduction: a systematic review. Clin Psychol Rev. (2010) 30:1011-8. doi: 10.1016/j.cpr.2010.07.001
PubMed Abstract |CrossRef Full Text | Google Scholar
11. Haag M, Igel C, Fischer MR, Sociedad Alemana de Educación Médica (GMA) «Digitalización-Aprendizaje y Enseñanza Asistida por Tecnología» grupo de trabajo conjunto «Enseñanza y Aprendizaje en Medicina Mejorado por Tecnología (TeLL)» de la asociación alemana de informática médica biometría y epidemiología (gmds) y la Sociedad Alemana de Informática (GI). Enseñanza digital y medicina digital: se necesita una iniciativa nacional. GMS J Med Educ. (2018) 35:Doc43. doi: 10.3205/zma001189
PubMed Abstract | CrossRef Full Text | Google Scholar
12. Chaiyachati KH, Shea JA, Asch DA, Liu M, Bellini LM, Dine CJ, et al. Evaluación de la asignación del tiempo de hospitalización entre los residentes de medicina interna de primer año utilizando observaciones de tiempo-movimiento. JAMA Int Med. (2019) 179:760-7. doi: 10.1001/jamainternmed.2019.0095
PubMed Abstract | CrossRef Full Text | Google Scholar
13. West CP, Dyrbye LN, Shanafelt TD. Physician burnout: contributors, consequences and solutions. J Int Med. (2018) 283:516-29. doi: 10.1111/joim.12752
PubMed Abstract | CrossRef Full Text | Google Scholar
14. Shah NR. La atención sanitaria en 2030: ¿la inteligencia artificial sustituirá a los médicos? Ann Int Med. (2019) 170:407-8. doi: 10.7326/M19-0344
PubMed Abstract | CrossRef Full Text | Google Scholar
15. Topol EJ. Medicina de alto rendimiento: la convergencia de la inteligencia humana y artificial. Nat Med. (2019) 25:44-56. doi: 10.1038/s41591-018-0300-7
PubMed Abstract | CrossRef Full Text | Google Scholar
16. Verghese A, Shah NH, Harrington RA. Lo que este ordenador necesita es un médico: humanismo e inteligencia artificial. JAMA. (2018) 319:19-20. doi: 10.1001/jama.2017.19198
PubMed Abstract | CrossRef Full Text | Google Scholar
17. Price WN, Gerke S, Cohen IG. Potential liability for physicians using artificial intelligence. JAMA. (2019) 322:1765-6. doi: 10.1001/jama.2019.15064
CrossRef Full Text | Google Scholar
18. Briganti G. Nous Devons Former des Médecins ≪ augmentés ≫. Le Specialiste. (2019) Disponible en línea en: https://www.lespecialiste.be/fr/debats/nous-devons-former-des-medecins-laquo-nbsp-augmentes-raquo.html (consultado el 26 de octubre de 2019).
Google Scholar
19. Halcox JPJ, Wareham K, Cardew A, Gilmore M, Barry JP, Phillips C, et al. Evaluación del muestreo del ritmo cardíaco a distancia utilizando el monitor cardíaco AliveCor para detectar la fibrilación auricular: el estudio REHEARSE-AF. Circulation. (2017) 136:1784-94. doi: 10.1161/CIRCULATIONAHA.117.030583
PubMed Abstract | CrossRef Full Text | Google Scholar
20. Turakhia MP, Desai M, Hedlin H, Rajmane A, Talati N, Ferris T, et al. Justificación y diseño de un estudio a gran escala basado en una app para identificar arritmias cardíacas utilizando un smartwatch: el estudio del corazón de la manzana. Ame Heart J. (2019) 207:66-75. doi: 10.1016/j.ahj.2018.09.002
PubMed Abstract | CrossRef Full Text | Google Scholar
21. Raja JM, Elsakr C, Roman S, Cave B, Pour-Ghaz I, Nanda A, et al. Reloj de Apple, wearables y ritmo cardíaco: ¿dónde estamos? Ann Trans Med. (2019) 7:417. doi: 10.21037/atm.2019.06.79.
PubMed Abstract | CrossRef Full Text | Google Scholar
22. Huang Z, Chan TM, Dong W. Predicción MACE del síndrome coronario agudo a través de la clasificación de remuestreo reforzado utilizando registros médicos electrónicos. J Biomed Inform. (2017) 66:161-70. doi: 10.1016/j.jbi.2017.01.001
PubMed Abstract | CrossRef Full Text | Google Scholar
23. Mortazavi BJ, Downing NS, Bucholz EM, Dharmarajan K, Manhapra A, Li SX, et al. Analysis of machine learning techniques for heart failure readmissions. Circ Cardiovasc Qual Outcomes. (2016) 9:629-40. doi: 10.1161/CIRCOUTCOMES.116.003039
PubMed Abstract | CrossRef Full Text | Google Scholar
24. Dorado-Díaz PI, Sampedro-Gómez J, Vicente-Palacios V, Sánchez PL. Aplicaciones de la inteligencia artificial en cardiología. El futuro ya está aquí. Revista Española de Cardiología. (2019) 72:1065-75. doi: 10.1016/j.rec.2019.05.014
PubMed Abstract | CrossRef Full Text | Google Scholar
25. Topalovic M, Das N, Burgel PR, Daenen M, Derom E, Haenebalcke C, et al. La inteligencia artificial supera a los neumólogos en la interpretación de las pruebas de función pulmonar. Eur Respirat J. (2019) 53:1801660. doi: 10.1183/13993003.01660-2018.
PubMed Abstract | CrossRef Full Text | Google Scholar
26. Delclaux C. No es necesario que los neumólogos interpreten las pruebas de función pulmonar. Eur Respirat J. (2019) 54:1900829. doi: 10.1183/13993003.00829-2019
PubMed Abstract | CrossRef Full Text | Google Scholar
27. Lawton J, Blackburn M, Allen J, Campbell F, Elleri D, Leelarathna L, et al. Experiencias de pacientes y cuidadores sobre el uso de la monitorización continua de la glucosa para apoyar el autocontrol de la diabetes: estudio cualitativo. BMC Endocrine Disord. (2018) 18:12. doi: 10.1186/s12902-018-0239-1
PubMed Abstract | CrossRef Full Text | Google Scholar
28. Christiansen MP, Garg SK, Brazg R, Bode BW, Bailey TS, Slover RH, et al. Accuracy of a fourth-generation subcutaneous glucose sensor. Diabet Technol Therapeut. (2017) 19:446-56. doi: 10.1089/dia.2017.0087
PubMed Abstract | CrossRef Full Text | Google Scholar
29. Niel O, Boussard C, Bastard P. Artificial intelligence can predict GFR decline during the course of ADPKD. Am J Kidney Dis Off J Natl Kidney Found. (2018) 71:911-2. doi: 10.1053/j.ajkd.2018.01.051
PubMed Abstract | CrossRef Full Text | Google Scholar
30. Geddes CC, Fox JG, Allison ME, Boulton-Jones JM, Simpson K. An artificial neural network can select patients at high risk of developing progressive IgA nephropathy more accurately than experienced nephrologists. Nephrol Dialysis, Transplant. (1998) 13:67-71.
PubMed Abstract | Google Scholar
31. Niel O, Bastard P. Artificial intelligence in nephrology: core concepts, clinical applications, and perspectives. Am J Kidney Dis. (2019) 74:803-10. doi: 10.1053/j.ajkd.2019.05.020
PubMed Abstract | CrossRef Full Text | Google Scholar
32. Yang YJ, Bang CS. Application of artificial intelligence in gastroenterology. World J Gastroenterol. (2019) 25:1666-83. doi: 10.3748/wjg.v25.i14.1666
PubMed Abstract | CrossRef Full Text | Google Scholar
33. Fernández-Esparrach G, Bernal J, López-Cerón M, Córdova H, Sánchez-Montes C, Rodríguez de Miguel C, et al. Exploración del potencial clínico de un método de detección automática de pólipos colónicos basado en la creación de mapas de energía. Endoscopy. (2016) 48:837-42. doi: 10.1055/s-0042-108434
PubMed Abstract | CrossRef Full Text | Google Scholar
34. Pace F, Buscema M, Dominici P, Intraligi M, Baldi F, Cestari R, et al. Las redes neuronales artificiales son capaces de reconocer a los pacientes con enfermedad por reflujo gastroesofágico únicamente sobre la base de datos clínicos. Eur J Gastroenterol Hepatol. (2005) 17:605-10. doi: 10.1097/00042737-200506000-00003
PubMed Abstract | CrossRef Full Text | Google Scholar
35. Lahner E, Grossi E, Intraligi M, Buscema M, Corleto VD, Delle Fave G, et al. Posible contribución de las redes neuronales artificiales y el análisis discriminante lineal en el reconocimiento de pacientes con sospecha de gastritis corporal atrófica. World J Gastroenterol. (2005) 11:5867-73. doi: 10.3748/wjg.v11.i37.5867
PubMed Abstract | CrossRef Full Text | Google Scholar
36. Das A, Ben-Menachem T, Cooper GS, Chak A, Sivak MV, Gonet JA, et al. Predicción del resultado en la hemorragia gastrointestinal inferior aguda basada en una red neuronal artificial: validación interna y externa de un modelo predictivo. Lancet. (2003) 362:1261-6. doi: 10.1016/S0140-6736(03)14568-0
PubMed Abstract | CrossRef Full Text | Google Scholar
37. Sato F, Shimada Y, Selaru FM, Shibata D, Maeda M, Watanabe G, et al. Predicción de la supervivencia en pacientes con carcinoma de esófago mediante redes neuronales artificiales. Cancer. (2005) 103:1596-605. doi: 10.1002/cncr.20938
PubMed Abstract | CrossRef Full Text | Google Scholar
38. Peng JC, Ran ZH, Shen J. Seasonal variation in onset and relapse of IBD and a model to predict the frequency of onset, relapse, and severity of IBD based on artificial neural network. Int J Colorect Dis. (2015) 30:1267-73. doi: 10.1007/s00384-015-2250-6
PubMed Abstract | CrossRef Full Text | Google Scholar
39. Ichimasa K, Kudo SE, Mori Y, Misawa M, Matsudaira S, Kouyama Y, et al. La inteligencia artificial puede ayudar a predecir la necesidad de cirugía adicional después de la resección endoscópica del cáncer colorrectal T1. Endoscopy. (2018) 50:230-40. doi: 10.1055/s-0043-122385
CrossRef Full Text | Google Scholar
40. Yang HX, Feng W, Wei JC, Zeng TS, Li ZD, Zhang LJ, et al. El nomograma basado en la máquina de vectores de apoyo predice la metástasis a distancia postoperatoria para los pacientes con carcinoma de células escamosas del esófago. Br J Cancer. (2013) 109:1109-16. doi: 10.1038/bjc.2013.379
PubMed Abstract | CrossRef Full Text | Google Scholar
41. Regalia G, Onorati F, Lai M, Caborni C, Picard RW. Dispositivos multimodales de muñeca para la detección de convulsiones y el avance de la investigación: enfoque en las pulseras Empatica. Epilep Res. (2019) 153:79-82. doi: 10.1016/j.eplepsyres.2019.02.007
PubMed Abstract | CrossRef Full Text | Google Scholar
42. Bruno E, Simblett S, Lang A, Biondi A, Odoi C, Schulze-Bonhage A, et al. Tecnología vestible en la epilepsia: las opiniones de los pacientes, cuidadores y profesionales de la salud. Epilep Behav. (2018) 85:141-9. doi: 10.1016/j.yebeh.2018.05.044
PubMed Abstract | CrossRef Full Text | Google Scholar
43. Dorsey ER, Glidden AM, Holloway MR, Birbeck GL, Schwamm LH. Teleneurología y tecnologías móviles: el futuro de la atención neurológica. Nat Rev Neurol. (2018) 14:285-97. doi: 10.1038/nrneurol.2018.31
PubMed Abstract | CrossRef Full Text | Google Scholar
44. Campanella G, Hanna MG, Geneslaw L, Miraflor A, Silva VWK, Busam KJ, et al. Patología computacional de grado clínico utilizando aprendizaje profundo débilmente supervisado en imágenes de diapositivas completas. Nat Med. (2019) 25:1301-9. doi: 10.1038/s41591-019-0508-1
PubMed Abstract | CrossRef Full Text | Google Scholar
45. Liu X, Faes L, Kale AU, Wagner SK, Fu DJ, Bruynseels A, et al. Una comparación del rendimiento del aprendizaje profundo contra los profesionales de la salud en la detección de enfermedades a partir de imágenes médicas: una revisión sistemática y un meta-análisis. Lancet Digit Health. (2019) 1:e271-97. doi: 10.1016/S2589-7500(19)30123-2
CrossRef Full Text | Google Scholar
46. Panch T, Mattie H, Celi LA. La «verdad incómoda» sobre la IA en la asistencia sanitaria. NPJ Digit Med. (2019) 2:1-3. doi: 10.1038/s41746-019-0155-4
PubMed Abstract | CrossRef Full Text | Google Scholar
47. Kelly CJ, Karthikesalingam A, Suleyman M, Corrado G, King D. Key challenges for delivering clinical impact with artificial intelligence. BMC Med. (2019) 17:195. doi: 10.1186/s12916-019-1426-2
PubMed Abstract | CrossRef Full Text | Google Scholar
48. Mittelstadt B. Ethics of the health-related internet of things: a narrative review. Ethics Informat Technol. (2017) 19:157-75. doi: 10.1007/s10676-017-9426-4
CrossRef Full Text | Google Scholar
49. Williamson JB. Preservación de la confidencialidad y seguridad de la información sanitaria del paciente. Top Health Informat Manage. (1996) 16:56-60.
PubMed Abstract | Google Scholar
50. Montgomery J. Compartir datos y la idea de propiedad. New Bioeth Multidiscipl J Biotechnol Body. (2017) 23:81-6. doi: 10.1080/20502877.2017.1314893
PubMed Abstract | CrossRef Full Text | Google Scholar
51. Rodwin MA. The case for public ownership of patient data. JAMA. (2009) 302:86-8. doi: 10.1001/jama.2009.965
PubMed Abstract | CrossRef Full Text | Google Scholar
52. Mikk KA, Sleeper HA, Topol EJ. El camino hacia la propiedad de los datos del paciente y una mejor salud. JAMA. (2017) 318:1433-4. doi: 10.1001/jama.2017.12145
PubMed Abstract | CrossRef Full Text | Google Scholar
53. Brouillette M. La IA añadida al plan de estudios de los futuros médicos. Nat Med. (2019). 25:1808-9. doi: 10.1038/s41591-019-0648-3
PubMed Abstract | CrossRef Full Text | Google Scholar
54. Acampora G, Cook DJ, Rashidi P, Vasilakos AV. A survey on ambient intelligence in health care. Proc IEEE Inst Electron Eng. (2013) 101:2470-94. doi: 10.1109/JPROC.2013.2262913
PubMed Abstract | CrossRef Full Text | Google Scholar
Deja una respuesta