El ámbito sanitario es uno de los campos en los que las tecnologías de Machine Learning pueden tener un mayor desarrollo. La capacidad de las máquinas para aprender se ha consolidado como un factor clave que está detrás de innumerables aspectos de la vida cotidiana. Al respecto, el machine learning se antoja como la rama de la inteligencia artificial que más poder de influencia tiene. Su principal misión es crear una IA con la capacidad de aprender automáticamente gracias a la acumulación de datos.
El sector sanitario lleva años trabajando para sacar el máximo provecho del gran machine learning. Y es que este avance tecnológico juega un papel determinante en el desarrollo de procedimientos médicos o la gestión de datos. Un sector que se está transformando a pasos agigantados gracias a un aprendizaje automático que, entre otras cosas, permite predecir, tratar y diagnosticar enfermedades a los pacientes.
Qué es el Machine Learning
El “machine learning” (ML) o aprendizaje automático es una disciplina de la inteligencia artificial que facilita que las máquinas aprendan automáticamente, sin ser expresamente programadas para ello.
«Se trata de que los sistemas sean capaces de identificar patrones entre millones de datos para hacer predicciones.
En suma, el ML, a través de algoritmos, dota a los ordenadores de la capacidad de identificar patrones en datos masivos para hacer predicciones. Esto supone que los computadores puedan realizar tareas específicas de forma autónoma, sin necesidad de ser programados. Además, mejoran progresivamente sin la intervención del hombre.
Aunque muchos piensen que esto es el futuro, el presente ya está muy definido por el machine learning. Las recomendaciones de aplicaciones como Spotify o Netflix, sin ir más lejos, ya se valen de esta tecnología.
Este término, utilizado por primera vez en 1959, se ha ido adentrando en todos los sectores tecnológicos gracias al boom de los datos y especialmente el auge del Big Data.
¿Cómo funciona el Machine Learning?
Con el ML, la máquina no aprende por sí misma. Es un algoritmo de su programación, que se va modificando con la entrada de datos en la interfaz, el que permite predecir posibles escenarios o reaccionar automáticamente ante ciertos parámetros. Es decir: las máquinas obtienen sus propios cálculos en base a los datos que se recopilan en el sistema, y cuantos más datos obtienen, mejores y más precisas serán las acciones resultantes.
Tipos de Machine Learning
Actualmente podemos encontrar este sistema en cualquier sector, desde transacciones financieras a la prevención del malware. Y, por supuesto también en el ámbito sanitario. En cualquier caso, el ML se clasifica en tres categorías:
1. Machine learning supervisado
Básico y estricto, suele emplearse para predecir datos no vistos o futuros, lo que se conoce como modelo predictivo. Estos algoritmos disponen de un aprendizaje previo basado en un sistema de etiquetas asociadas a unos datos, que son los ayudan a tomar decisiones o hacer predicciones.
2. Machine learning no supervisado
En este caso el algoritmo tiene que encontrar una estructura por sí mismo, ya que no se otorgan etiquetas al algoritmo ni cuentan con un conocimiento previo.
3. Machine learning por refuerzo
Un programa informático interacciona con un entorno dinámico en el que debe alcanzar un objetivo determinado. Su objetivo es que un algoritmo aprenda a partir de la propia experiencia.
Ventajas del Machine Learning
La nueva era que vivimos de transformación digital y progreso ha derivado en un increíble avance en el terreno de la Inteligencia Artificial (IA). Y con Machine Learning, lo que se consigue es pasar de ser reactivos a proactivos.
«Ingentes volúmenes de datos se pueden explotar sin intervención del hombre para predecir futuros comportamientos, mejorar objetivos y evitar errores.
Esto supone que con datos de calidad, tecnologías y análisis óptimos, podemos hoy en día crear modelos de comportamiento para analizar datos de gran volumen y complejidad. Todo ello proporcionando resultados rápidos y precisos sin intervención humana, incluso a gran escala.
Estas características juegan un papel determinante en el ámbito del Machine Learning para hospitales. Probablemente, el sector de la salud es la industria donde el aprendizaje automático puede aportar más.
No en vano, según un estudio de Acuam HealthCare, más de un 80% de empresas del sector de la salud creen que su ventaja competitiva será la economía digital a través de la tecnología.
Por tanto, entre las principales ventajas del uso de este tipo de inteligencia artificial aplicada al sector salud encontramos:
- Mayor eficiencia y eficacia
- Mejorar los resultados consiguiendo una mejor calidad de vida de pacientes y de médicos
- Reducir los tiempos de descubrimiento y análisis
En un sentido más práctico, el ML supone un gran revulsivo para afrontar uno de los mayores desafíos a los que se enfrentan a diario los sistemas de atención médica: la gestión del flujo de pacientes del hospital.
Hablamos de esos problemas y situaciones que crea el movimiento de los pacientes a través del hospital, desde la entrada hasta el alta, como el hacinamiento en urgencias, reingresos, retrasos o cancelaciones, la espera para ser admitidos en una cama de hospital…
Así, el aprendizaje automático ofrece modelos predictivos para ayudar a tomar las decisiones correctas sobre el flujo de pacientes del hospital basada además en datos en tiempo real. Un abordaje que puede y debe servir como herramienta para el ahorro económico dentro del panorama sanitario.
De este modo, el machine learning parte con una doble ventaja primordial:
- Mejora el trasiego de pacientes y alivia la carga de capacidad.
- Crea modelos predictivos que, además de solucionar y minimizar problemas, trabaja por sí solo para hacer frente a desafíos futuros del sector salud. Desde la organización de las horas extra, eliminar los altos tiempos de espera, mejorar la planificación de la gestión de la capacidad de descarga y camas, etc.
Aplicaciones prácticas y ejemplos de Machine Learning
Solo en Reino Unido se registraron más de 5.9 millones de ingresos hospitalarios de emergencia en 2017. Y buena parte de ellas fueron evitables. Al respecto, un estudio del Instituto George para la Salud Global para la Universidad de Oxford indicó que el machine learning se puede usar para analizar y predecir la cantidad de registros y admisiones hospitalarias de emergencia que se producen en el día a día.
El uso de estas técnicas ayuda a los profesionales sanitarios a monitorear con precisión los riesgos de los pacientes, estableciendo medidas para evitar las admisiones no planificadas y, como resultado, mejorando notablemente en eficacia y ahorro de gastos médicos.
En España, una de las principales aplicaciones prácticas que puede tener el machine learning alude al envejecimiento poblacional.
En los próximos años, los mayores de 65 años serán una cuarta parte del total de la población. Esto se traduce inequívocamente en mayores necesidades de atención médica. Por ello, hospitales, CAPs, ambulatorios, etc. se verán obligados a trabajar y contar con sistemas de aprendizaje automático para, por ejemplo, agilizar su gestión interna.
La insuficiencia cardiaca es otro de los diagnósticos que presentan mayor problemática de reingresos, mortalidad y/o estancias hospitalarias. Al respecto, hay sistemas que evalúan el proceso asistencial identificando el tipo de comorbilidad que tienen los pacientes, así como detectando patrones.
En el ámbito de la oncología, investigadores del Instituto de Tecnología de Massachusetts (MIT) están utilizando el Machine Learning para detectar con mayor antelación el cáncer de mama. Un asunto clave ya que su detección temprana aumenta las probabilidades de curación. Y en la Universidad de Washington, en Tacoma, han creado un sistema de Machine Learning para predecir el riesgo de reingreso hospitalario de los pacientes con insuficiencia cardíaca crónica.
Finalmente, también podemos destacar las aplicaciones prácticas del aprendizaje automático de cara a mapear y tratar enfermedades infecciosas y personalizar los tratamientos médicos.