Newsletter DPT Nro. 41
ISSN 2618-236X
Septiembre / 2019
CUESTIONES DE INTERES
INTELIGENCIA ARTIFICIAL: Primera Parte
Los sistemas de Inteligencia Artificial (IA) están diseñados para aprender a reconocer patrones, formular predicciones y tomar decisiones en contextos específicos.
Si bien las orientaciones y tecnologías de la IA no han experimentado–por sí- una evolución disruptiva durante las últimas décadas (1), se verifican cambios sustanciales en: (a) la potencia computacional para ejecutar algoritmos, (b) la disponibilidad de datos para entrenar algoritmos (por ejemplo, la “revolución genética” aporta enormes cantidades de datos), y (c) la capacidad ingenieril para actualizar modelos de aprendizaje.
En el marco del inédito auge actual de la IA, al que ya nos referimos en una nota anterior (2), se manifiestan actitudes antagónicas. Unos enfatizan –con visión optimista– en las utopías (la IA como supuesta panacea para resolver problemas fundamentales de la humanidad), mientras que otros enfatizan -con visión pesimista o catastrofista- en las distopías (la IA como fuente de inequidad, exclusión y enajenación tecnocrática). Como resultado de dicha confrontación hoy se reclama una IA empática con los más sublimes valores humanos predominantes.
A continuación reseñamos un conjunto de cuestiones y artículos pertinentes.
IA como herramienta para transformar sistemas de salud: factores condicionantes de su efectividad
Fuente: “Artificial Intelligence in Health Care: Will the Value Match the Hype? Viewpoint”. Ezekiel J. Emanuel; Robert M. Wachter. JAMA. Published online May 20, 2019. DOI: 10.1001/jama.2019.4914
Hoy se considera a la Inteligencia Artificial (IA) como herramienta apta para afrontar los grandes desafíos de costo, calidad, equidad y accesibilidad de la atención médica. Se anuncian relevantes proyectos empresariales de atención médica basados en IA con las siguientes premisas: (a) la atención médica está lista para una crucial disrupción, (b) la IA es la herramienta para lograrla, y (c) las compañías ganadoras cosecharán ingentes ganancias.
Sin embargo, los problemas más apremiantes de la atención médica no residen hoy en la insuficiencia de datos ni de instrumentos de análisis, sino en la persistencia de ciertas pautas de conducta de pacientes (p. ej.: inadecuada alimentación, sedentarismo, adicciones, baja adhesión a tratamientos) y de médicos (pedidos inadecuados de exámenes y procedimientos clínicos, medicamentos y tratamientos).
Por tanto, una atención excesiva por los datos y las herramientas analíticas podría distraer la atención –de los responsables de sistemas de salud- sobre los cambios requeridos para lograr una transformación significativa en los factores determinantes del costo, calidad, equidad y accesibilidad de la atención médica.
Como prioridad deberían transformarse las pautas actitudinales y conductuales de pacientes, médicos y enfermeras, así como las rutinas y procesos dentro de las organizaciones de atención médica. Pero ello requiere compromiso, intencionalidad, energía y perseverancia, así como garantizar que los cambios se integren efectivamente en la cultura del sistema. Si bien la IA puede tener un rol significativo en ello, no aparece hoy como una prioridad en las aplicaciones desarrolladas.
El enfoque debería centrarse en el uso de la IA para inducir y apoyar cambios positivos en el comportamiento de los distintos actores. El proceso de cambio será –seguramente- desordenado y con retrocesos. Se llevará a cabo en hospitales y consultorios médicos, no en Silicon Valley, aunque es probable que requiera asociaciones entre organizaciones de atención médica y empresas de tecnología.
Potencial y limitaciones de la IA en atención médica
Fuente: “Prediction and Prevention Using Deep Learning”. Surafel Tsega, Hyung J. Cho. JAMA Network Open 2019;2(7):e197447. July 19, 2019. Health Informatics. DOI: 10.1001/jamanetworkopen.2019.7447
La atención médica asigna creciente relevancia a la captura, almacenamiento y síntesis de datos. El “aprendizaje profundo” utiliza algoritmos y modelos (tales como redes neuronales artificiales) para identificar relaciones complejas en grandes conjuntos de datos y aplicar prospectivamente ese conocimiento a nuevos datos.
Un claro ejemplo de la potencia de esa herramienta es el estudio de Lu y otros (3), quienes crearon una red neuronal convolucional para predecir mortalidad a largo plazo partiendo de hallazgos de radiografías de tórax. Los autores identificaron pacientes con mayor riesgo de mortalidad con un horizonte de 6 a 12 años y emitieron alertas preventivas del resultado adverso.
Sin embargo Lu et y otros señalan que, en materia de inteligencia artificial, existe hoy un “abismo” entre el desarrollo de algoritmos científicamente sólidos y su uso en escenarios clínicos concretos del mundo real.
Se sugiere que el “aprendizaje profundo” podría usarse para ayudar a los médicos a: (a) adoptar decisiones clínicas con pacientes al inicio de la enfermedad, (b) anticipar las necesidades clínicas, responder en consecuencia e involucrar a los pacientes y sus familias en decisiones informadas, (c) identificar a los pacientes con mayor riesgo de deterioro y sugerir monitoreo e intervenciones más intensivos, y (d) recomendar el tratamiento adecuado al final de la vida.
Concluye señalando el riesgo actual de “intoxicarse” con lo que la IA permite conocer y hacer, sin disponer de suficiente claridad acerca de lo que tiene sentido conocer y hacer.
IA: potenciales fortalezas y riesgos
Fuente: IDRC/CRDI: “Artificial intelligence and human development: Toward a research agenda. White Paper”. International Development Research Centre. Canada. April 2018
En las sociedades de ingresos bajos y medios (LMIC) las aplicaciones de Inteligencia Artificial (IA) tendrán impactos -tanto positivos como negativos. Si bien puede preverse que la IA impulsará grandes avances, creará fuentes de riqueza y promoverá la transformación de estructuras sociales e institucionales, cabe preguntar: ¿Quiénes experimentarán mejoras (o perjuicios) en sus vidas?
Los mayores riesgos potenciales de la IA son los siguientes: (a) merma en equidad y responsabilidad: la IA podrían reflejar y exacerbar ciertos sesgos sociales, perjudicando a individuos y grupos que ya están marginados; (b) mayor vigilancia y menor privacidad: la IA podría sobrecargar la vigilancia y amenazar la privacidad; (c) pérdida de ingresos laborales: la AI podría reducir la necesidad de trabajadores humanos.
Si se continúa avanzando ciegamente cabe esperar una mayor desigualdad junto con perturbaciones económicas, malestar social y, en algunos casos, inestabilidad política. Se agudizará paulatinamente la brecha entre quienes tienen la capacidad de diseñar y desplegar aplicaciones de AI y quienes no la tienen.
Para evitar o mitigar los resultados adversos y aprovechar al máximo el potencial positivo de la IA, es prioritario: (a) diseñar políticas y regulaciones que promuevan la ética y la inclusión en los beneficios de la IA, (b) catalizar el desarrollo de aplicaciones inclusivas y éticas, y (c) construir la infraestructura y las habilidades para una IA inclusiva y ética
Barreras para la adopción de la IA
Fuente: What Are The Biggest Barriers To AI Adoption Every Business Needs To Tackle? Bernard Marr. March 5, 2019
El artículo se refiere a posibles vías para superar los factores que inhiben la adopción o bloquean el desempeño de la Inteligencia Artificial (AI) en las organizaciones, planteándoas en los siguientes términos: (a) Barreras culturales: se basan en la resistencia al cambio y se superan mediante educación, (b) Temor: el miedo se supera mediante la implementación inteligente de la IA para mejorar el trabajo humano, en lugar de reemplazarlo, (c) Escasez de capacidades específicas: se supera mediante la educación y la recalificación de las personas, y (d) Carencia de enfoque estratégico: Es fundamental que las iniciativas de IA estén claramente vinculadas con los objetivos estratégicos del negocio, donde cada parte involucrada tenga una comprensión clara de su contribución al éxito (o el fracaso) de las iniciativas.
REFERENCIAS:
(1) Ver, por ejemplo: E. D. Sontag, J. L. Tesoro (1972): Temas de inteligencia artificial, Buenos Aires, Prolam
http://www.sontaglab.org/FTPDIR/temas_intel_artif.pdf
(2) “Una renovada eclosión de la Inteligencia Artificial” Newsletter DPT N°. 34. Febrero 2019
http://fundaciondpt.com.ar/actualidad-y-publicaciones/newsletter-2-2/newsletter-n-34-febrero/
(3) “Deep Learning to Assess Long-term Mortality From Chest Radiographs”. Michael T. Lu, Alexander Ivanov, Thomas Mayrhofer, Ahmed Hosny, Hugo J. W. L. Aerts, Udo Hoffmann. JAMA Network Open. 2019;2(7):e197416. Original Investigation -Health Informatics. July 19, 2019. DOI: 10.1001/jamanetworkopen.2019.7416
