Inteligencia artificial para el avance de los sistemas de salud. Posibles aportes y retos
| Autor | Clara Bermúdez-Tamayo/Jaime Jiménez-Pernet |
| Cargo | Escuela Andaluza de Salud Pública Observatorio de Salud y Medio Ambiente de Andalucía (OSMAN). Escuela Andaluza de Salud Pública, Granada, España CIBER de Epidemiología y Salud Pública (CIBERESP), España/Escuela Andaluza de Salud Pública |
| Páginas | 401-414 |
Revista de Derecho de la Seguridad Social. Laborum nº Extraordinario 4
Monográfico
ISSN: 2386-7191 – ISSNe: 2387-0370
401
Inteligencia artificial para el avance de los sistemas de salud.
Posibles aportes y retos1
Artificial intelligence for the advancement of health systems.
Possible contributions and challenges
Clara Bermúdez-Tamayo Escuela Andaluza de Salud Pública
Observatorio de Salud y Medio Ambiente de Andalucía (OSMAN). Escuela Andaluza
de Salud Pública, Granada, España
CIBER de Epidemiología y Salud Pública (CIBERESP), España
Jaime Jiménez-Pernet Escuela Andaluza de Salud Pública
Resumen Abstract
La creciente disponibilidad de grandes conjuntos de datos y de
nuevos métodos analíticos, sumado a los avances simultáneos en
la infraestructura de las tecnologías de la información (TIC) y la
cobertura poblacional de la tecnología móvil, han motivado la
esperanza de que la IA permita abordar los retos sanitarios futuros.
La IA puede utilizar algoritmos sofisticados para “aprender”
características de un gran volumen de datos sanitarios y utilizar
los conocimientos obtenidos para ayudar a la práctica clínica.
También puede estar dotada de capacidades de aprendizaje
y autocorrección para mejorar su precisión en función de la
información recibida. Los dispositivos de IA utilizados en el
ámbito de la salud se pueden dividir en dos categorías principales:
las técnicas de aprendizaje automático (Machine Learning - ML)
que analizan datos estructurados como los datos de imagen,
genéticos y electrofisiológicos, que intentan agrupar los rasgos
de los pacientes o inferir la probabilidad de los resultados de la
enfermedad, y los métodos de procesamiento del lenguaje natural
(PNL) que extraen información de datos no estructurados como
notas clínicas/revistas médicas para complementar y enriquecer
los datos médicos estructurados. Las limitaciones actuales de la
iHealth y la eHealth en general incluyen los costes financieros, las
barreras culturales, lingüísticas y de alfabetización, los problemas
de suministro de energía, la seguridad de los datos y los problemas
de privacidad. Los puestos de trabajo en el sector sanitario con más
probabilidades de ser automatizados parecen ser aquellos en los que
parte de sus tareas implican el manejo de información digital, como
la radiología y la patología, al contrario de aquellos basados en las
relaciones humanas y el contacto directo con pacientes.
The increasing availability of large data sets and new analytical
methods, coupled with simultaneous advances in information
technology (ICT) infrastructure and mobile population coverage,
have given rise to the hope that AI will address future health
challenges. AI can use sophisticated algorithms to “learn”
characteristics of a large volume of health data and use the
knowledge gained to support clinical practice. It may also
be equipped with learning and self-correcting capabilities to
improve accuracy based on the information received. AI devices
used in health can be divided into two main categories: Machine
Learning (ML) techniques that analyze structured data such as
image, genetic, and electrophysiological data, which attempt to
group patient traits or infer the probability of disease outcomes,
and natural language processing (NLP) methods that extract
information from unstructured data such as clinical notes/medical
journals to supplement and enrich structured medical data. Current
limitations of iHealth and eHealth in general include financia
costs, cultural, language and literacy barriers, power supply
problems, data security, and privacy issues. Healthcare jobs most
likely to be automated appear to be those where part of their tasks
involves the management of digital information, such as radiology
and pathology. contrary to those based on human relationships and
direct contact with patients.
Palabras Clave Keywords
sanidad; inteligencia artificial; aprendizaje automático;
procesamiento del lenguaje natural; TIC; e-Salud
healthcare; artificial intelligence; machine learning; natural
language processing; ICT; e-Health
1
Estudio realizado en el seno del Proyecto de Investigación B-SEJ-213-UGR18 “Retos de la modernización de la
asistencia sanitaria en Andalucía: Cohesión interterritorial, envejecimiento y revolución digital. Proyectos I+D+i del
Programa Operativo FEDER 2018. Junta de Andalucía-Consejería de Economía y Conocimiento. Universidad de
Granada
Para continuar leyendo
Solicita tu prueba