El aprendizaje automático es una herramienta poderosa que podría ayudar a la industria de la salud de varias maneras. A medida que investigadores, clínicos y fabricantes buscan incorporar el aprendizaje automático en la práctica diaria, echamos un vistazo a qué es, cómo se puede utilizar y dónde permanecen los desafíos.

El aprendizaje automático (ML) es un tipo de inteligencia artificial que permite a los sistemas o aplicaciones de software aprender de datos y patrones históricos para predecir resultados sin ser programados explícitamente, aprendiendo esencialmente de la experiencia. Hoy en día, clínicos, científicos, formuladores de políticas y agencias regulatorias utilizan el aprendizaje automático en diversos grados para ayudar a mejorar la salud de los pacientes, reduciendo costos y aumentando la eficiencia.

Descubrimiento y desarrollo de fármacos

Nuevos métodos de I+D que utilizan el aprendizaje automático pueden ayudarnos a comprender mejor la biología de las enfermedades y mejorar la orientación de fármacos y enfermedades, reduciendo potencialmente los plazos de desarrollo y costos de los fármacos.

Cada nuevo fármaco puede tardar de 10 a 15 años desde el descubrimiento inicial del compuesto hasta la comercialización, con un costo promedio de 1 a 2 mil millones de dólares gastados en I+D y pruebas clínicas utilizando enfoques más tradicionales. En general, el 90% del desarrollo clínico de fármacos falla. Como resultado, muchas empresas farmacéuticas están intentando integrar el aprendizaje automático en sus procesos de descubrimiento de fármacos en un intento por disminuir el tiempo que se tarda en llevar nuevos tratamientos a la clínica.

Según algunas investigaciones, hay varias áreas donde la implementación del aprendizaje automático para el diseño de descubrimiento de fármacos puede aumentar los esfuerzos de investigación y mejorar la toma de decisiones clínicas y de hit-to-lead. Algunas áreas incluyen:

• Predicciones de interacciones fármaco-proteína
  Eficacia del fármaco
  Descubrimiento de biomarcadores de seguridad
  Predicción del plegamiento de proteínas
  Cribado virtual
  Reutilización de fármacos
  Relación cuantitativa estructura-actividad

Diagnóstico y pronóstico

El diagnóstico exitoso de enfermedades sigue siendo un desafío debido a la variabilidad en los mecanismos de las enfermedades y las diversas formas en que los síntomas pueden manifestarse en pacientes individuales. El problema de los diagnósticos incorrectos sigue siendo grande para la industria de la salud: en los EE. UU., casi el 6% de las visitas al departamento de emergencias resultan en un diagnóstico erróneo, y aproximadamente el 75% de los eventos médicos graves, como incidentes vasculares, infecciones y cánceres, provienen de errores de diagnóstico. Según un informe de 2015 de las Academias Nacionales de Ciencias, Ingeniería y Medicina, la mayoría de las personas experimentará al menos un error diagnóstico en su vida. 
La investigación indica que el aprendizaje automático ofrece una solución prometedora para mejorar la velocidad y la precisión de la detección y el diagnóstico de enfermedades al aprender patrones indicativos de enfermedad. Para las enfermedades crónicas, el aprendizaje automático ha demostrado capacidades predictivas superiores en comparación con los métodos tradicionales. Por ejemplo, Rashid et al. desarrollaron una técnica de inteligencia artificial mejorada que predijo de manera más fiable y eficiente diagnósticos como cáncer de mama, diabetes, infarto, hepatitis y enfermedad renal en comparación con enfoques convencionales.

El aprendizaje automático es cada vez más vital en campos como la patología y la radiología.
En una revisión sistemática y un metaanálisis, Liu et al. demostraron que el análisis de imágenes médicas mediante aprendizaje automático puede alcanzar un rendimiento de clasificación diagnóstica comparable al de los profesionales de la salud. En consecuencia, varios dispositivos médicos de imagen que emplean aprendizaje automático han obtenido la aprobación de la FDA de EE. UU., subrayando sus beneficios potenciales en la práctica clínica.

El aprendizaje automático está destinado a revolucionar la industria de la salud al mejorar el descubrimiento de fármacos, mejorar la precisión del diagnóstico y optimizar la atención al paciente. A pesar de los desafíos, su integración promete avances significativos, reduciendo costos y aumentando la eficiencia. A medida que la tecnología evoluciona, el potencial de mejorar los resultados de salud y optimizar los procesos médicos continúa creciendo.

Queremos saber de ti:

¿Cómo crees que evolucionará la industria de la salud en la próxima década a través de los aportes tecnológicos?