Healthcare (Basel). 2022 Dec 27;11(1):81.
La tecnología contemporánea se impulsa mediante sistemas basados en Aprendizaje Automático (Machine Learning, ML) y en Inteligencia Artificial (IA). Se están llevando a cabo investigaciones y estudios exhaustivos en diversos ámbitos de la IA con el fin de integrarlos de una u otra manera en prácticamente todos los campos de las aplicaciones informáticas. El sector de la salud ha experimentado un rápido crecimiento y progreso tecnológico, especialmente en la última década. Se han realizado numerosos esfuerzos para incorporar la IA en este sector con el objetivo de facilitar tanto la vida de los pacientes como la de los profesionales médicos. Estas aplicaciones incluyen el uso de IA en el descubrimiento de fármacos, el diagnóstico, los ensayos clínicos inteligentes, el intercambio de modelos y la atención al paciente, incluyendo la atención materna y la robótica sanitaria [1]. La IA es un término amplio que engloba muchos otros modelos y métodos que pueden conferir inteligencia artificial a un sistema. La figura 1 ilustra la terminología relacionada con la inteligencia artificial.
Se han realizado numerosos esfuerzos para incorporar la IA en este sector con el objetivo de facilitar tanto la vida de los pacientes como la de los profesionales médicos.
Figura 1: Nomenclaturas – Modelo Inteligencia Artificial
En la Figura 1 se representa de manera visual la terminología asociada a la inteligencia artificial. El término IA se emplea para describir cualquier sistema que utilice una base de conocimiento para tomar decisiones. El Aprendizaje Automático (Machine Learning, ML) es una subdisciplina de la IA en la cual una máquina aprende a tomar decisiones a partir de un extenso conjunto de datos. Una red neuronal es un tipo específico de Aprendizaje Automático que se inspira en el funcionamiento del cerebro humano. Está compuesta por nodos que forman una capa de entrada, varias capas ocultas y una capa de salida. El Aprendizaje Profundo se basa en redes neuronales que utilizan estas diversas capas para extraer progresivamente características más relevantes de un conjunto de datos.
Figura 2: Relación entre inteligencia artificial y blockchain.
A medida que avanzan los años, la Inteligencia Artificial (IA) se ha convertido en un campo en crecimiento dentro del sector de la salud. Sin embargo, los recientes avances en los sistemas relacionados con blockchain han abierto nuevas posibilidades para entornos descentralizados. Durante el brote de COVID-19, se ha tomado conciencia sobre la importancia de contar con información en tiempo real. El sistema tradicional de atención médica basado en hospitales y pacientes está quedando desactualizado, y la adopción de la atención médica móvil se ha acelerado como nunca antes, especialmente con la introducción de tecnologías como el Internet de las Cosas Médicas (IoMT). Estas tecnologías permiten el uso de dispositivos inteligentes para rastrear y monitorear remotamente diversas condiciones de salud [2]. Aunque esto simplifica muchas tareas y mejora la confiabilidad, también genera y transmite una gran cantidad de datos médicos que requieren ser protegidos [3]. En la Figura 2 se representa la relación entre la IA y la tecnología de blockchain, donde los datos son recopilados a través de dispositivos inteligentes y sensores, y luego son enviados a aplicaciones inteligentes que utilizan plataformas de blockchain y modelos de aprendizaje automático para su análisis y predicción.
Blockchain, originalmente desarrollado para respaldar el ecosistema de las criptomonedas, se ha utilizado recientemente en varios otros campos para lograr niveles extraordinarios de seguridad [4]. De manera similar, el sector de la salud ha comenzado a integrar blockchain en diversos aspectos de esta era digital. Sus características, como las microtransacciones, los intercambios descentralizados, los mecanismos de consenso y los contratos inteligentes, permiten garantizar la privacidad de los datos de salud de los pacientes, quienes son actores clave en el ámbito de la atención médica. Estos datos incluyen resultados clínicos y de ensayos de pacientes, información de facturación, informes médicos, etc. [5].
