Inteligencia Artificial en entornos sanitarios. Tipos de algoritmos de 'machine learning'
28 de abril de 2020
Por Elsevier Connect
Juanjo Beunza: “Los profesionales que quieran humanizar la atención sanitaria tendrán un gran aliado en la inteligencia artificial"
La inteligencia artificial y el machine learning o aprendizaje automático son técnicas innovadoras disruptivas que prometen cambiar la sociedad tal y como la conocemos. Dichos cambios tendrán su reflejo en el mundo laboral en general y en el ámbito sanitario en particular. La alta demanda de contenidos sobre ambas técnicas es la que ha motivado a los profesores Juan José Beunza, Enrique Puertas y Emilia Condés Moreno a Manual práctico de inteligencia artificial en entornos sanitarios(se abre en una nueva pestaña/ventana), un título concebido para iniciar a los profesionales de la salud en el uso crítico de las herramientas de inteligencia artificial ofreciendo la base teórico-práctica de los algoritmos de IA y su aplicación dentro del ámbito de la salud.
Algoritmos de 'machine learning'
A pesar de que estemos hablando de una tecnología altamente innovadora que promete transformar la práctica clínica profesional en un futuro inmediato, la cantidad de contenidos y de cursos de formación disponibles sobre la inteligencia artificial en salud es extremadamente baja. El Manual que hoy nos sirve de fuente, tal y como nos comenta Juan José Beunza, uno de su autores, "es el resultado de dos años de trabajo". Primero, con la incorporación de herramientas de inteligencia artifical (IA), sobre todo de machine learning, que son algoritmos predictivos y diagnósticos. Durante ese tiempo, los autores estuvieron trabajando en esos algoritmos, "la mayoría están publicados, son open source, y de ese trabajo, de entender esos algoritmos, de manejarlos y aplicarlos a datos clínicos es donde surgió la necesidad de tener una herramienta, un manual, un contenido, para poder enseñar esas herramientas tanto a estudiantes como a profesionales". El resultado es una obra imprescindible, que hace asimilable y asequible al público genérico conceptos que ya hoy son básicos. Hoy, de su mano, abordamos los tipos de algoritmos de machine learning.
El aprendizaje automático o machine learning es un tipo de inteligencia artificial que proporciona a las computadoras la capacidad de aprender desde los datos, sin ser programadas explícitamente. Esta tecnología se encuentra en el corazón de la inteligencia artificial y de la gestión del big data. De hecho, su interés se ha disparado en los últimos tiempos, dado su potencial en casi todas las ciencias, incluida la salud. Otra definición de machine learning es "la ciencia que permite que las computadoras aprendan y actúen como lo hacen los humanos, mejorando su aprendizaje a lo largo del tiempo de una forma autónoma, alimentándolas con datos e información en forma de observaciones e interacciones con el mundo real" (Dan Fagella). A modo de ejemplo, el siguiente vídeo muestra una detección de eventos en tiempo real para una aplicación de videovigilancia basada en machine learn ing: https://www.youtube.com/watch?v=QcCjmWwEUgg(se abre en una nueva pestaña/ventana).
El machine learning funciona alimentando un algoritmo1 con datos de entrada que recogen observaciones del pasado, y construye un modelo para predecir y clasificar nuevas observaciones no conocidas por el algoritmo, imitando un proceso cognitivo humano. El machine learning se engloba en un proceso más amplio conocido como 'minería de datos', que incluye el recopilar y limpiar los datos de entrada. Existen diversos tipos de algoritmos de machine learning, pero uno de los más populares, sobre todo en el ámbito sanitario, son las redes neuronales (neural networks), que imitan el funcionamiento de las neuronas del cerebro.
Se habla generalmente de tres grandes tipos de aprendizaje de algoritmos de machine learning: supervisados, no supervisados y por refuerzo (consultar infografía).
1. Un algoritmo de inteligencia artificial o de aprendizaje automático es un modelo matemático que resume las propiedades de los datos utilizados en su entrenamiento, generalmente con un objetivo predictivo, aunque también puede ser diagnóstico (exploratorio) o prescriptivo (predicción tras intervención).