A2A.
Las redes neuronales artificiales (RNA) son uno de los muchos modelos de aprendizaje automático que se pueden utilizar para pasar de datos sin procesar a tomar decisiones útiles utilizando esos datos. Para responder cómo se pueden aplicar las ANN en el cuidado de la salud, primero es necesario comprender las situaciones en las que el uso de una ANN es apropiado.
Comencemos con un ejemplo de predicción. Suponga que un médico desea hacer una predicción relacionada con la salud de alguien; puede predecir si alguien es susceptible a una enfermedad en particular. ¿Cómo procederían? Parece concebible que puedan tomar los signos vitales del paciente (temperatura, presión arterial, etc.) y tal vez hacer un análisis de sangre. Básicamente, identifican características que, según su conocimiento pasado, son buenas predictoras de la salud de una persona. ¿Qué pasa si ellos no saben cuáles son esas características? ¿Qué pasa si solo conocen un puñado de características? En ese caso, también es concebible que puedan hacer predicciones pobres. Las RNA son herramientas útiles en situaciones en las que podemos recopilar datos pero desconocemos las características esenciales que son importantes. Las ANN toman los datos originales y luego aprenden las abstracciones de esos datos iniciales. Estas abstracciones pueden capturar relaciones complejas que no son obvias en los datos iniciales. La captura de las regularidades estadísticas abstractas críticas puede conducir a una tremenda mejora en el rendimiento de las predicciones y la generalización. Sin embargo, las características aprendidas son a menudo difíciles de interpretar. Otro punto importante a destacar es que a pesar de que las RNA tienen mucha “capacidad” para capturar relaciones altamente complejas, la capacidad tiene un costo. Más capacidad también significa que es más fácil ser sensible a los patrones en los datos de entrada que pueden no estar presentes en los datos que la máquina nunca ha visto. Por lo tanto, las RNA se usan más comúnmente en situaciones en las que tenemos muchos datos para garantizar que nuestros datos observados no contengan demasiados “duelas” y nuestros modelos no se “ajustan” a los duetos. Para ilustrar este punto, piénselo de esta manera; si lanzo una moneda justa tres veces y las tres veces obtengo cara, esto no significa que la moneda sea injusta. Simplemente significa que tenemos que arrojar la moneda muchas más veces para obtener una estimación realista de la probabilidad de cara o cruz.
Nota técnica: uno podría argumentar fácilmente que no todas las redes neuronales tienen parámetros que son difíciles de interpretar. Por ejemplo, en aplicaciones científicas, uno podría desarrollar un modelo generativo de NN para comprender los ingredientes ocultos esenciales que dan lugar a los datos y tienen interpretaciones significativas para los parámetros.
Si comenzamos con la suposición de que tenemos un gran conjunto de datos, tenemos un conocimiento previo limitado de las características esenciales, y estamos de acuerdo con no entender por qué nuestro sistema funciona, entonces las ANN pueden ser muy útiles. Estas suposiciones pueden ser satisfechas en algunos problemas del mundo real.
Las RNA se han utilizado en el cuidado de la salud durante varias décadas. Aquí hay un libro que cubre aplicaciones antes del año 2006: Redes neuronales en la atención médica: potencial y desafíos: 9781591408482: libros de medicina y ciencias de la salud @ Amazon.com. Los éxitos estelares posteriores a 2006 de las RNA en áreas como el procesamiento de imágenes, el procesamiento del habla y el procesamiento del lenguaje natural hacen que sea un momento emocionante ver cómo estos éxitos se pueden traducir en nuevas aplicaciones en el cuidado de la salud. Los problemas habituales (ejemplo: Redes neuronales en la atención sanitaria) necesitan mejoras, mientras que surgen nuevos problemas (por ejemplo, http://www.psi.toronto.edu/publi…). También existe una gran brecha al tomar estas tecnologías existentes y aplicarlas de manera creativa en los mundos emergentes. Dado que la tecnología de sensores es cada vez más barata y la conectividad móvil está creciendo, el aprendizaje automático y las ANN pueden desempeñar un papel importante en la mejora de la atención médica en los países en desarrollo (aquí hay un ejemplo de cómo la innovación puede resolver problemas en la asistencia sanitaria:
¿Cómo se ve el futuro de la dieta?
Puedo ver mi futuro a través de algunos de mis sueños. ¿Por qué tengo tales sueños?
Tal vez los avances en el reconocimiento de voz se puedan usar para desarrollar sistemas de reconocimiento de voz móviles que puedan detectar trastornos afectivos (por ejemplo, el software escucha las pistas de depresión). Tal vez los diagnósticos altamente subjetivos de los trastornos mentales se puedan complementar con un análisis inteligente del sistema de datos de neuroimagen para aumentar la objetividad (por ejemplo: psiquiatría computacional: hacia las aplicaciones clínicas del aprendizaje automático | The Mind Research Network (MRN)). Tal vez veremos más aplicaciones del procesamiento del lenguaje natural en los análisis de los registros electrónicos de salud (por ejemplo: Identificación automatizada de complicaciones postoperatorias dentro de un registro médico electrónico mediante el procesamiento del lenguaje natural).
Creo que muchos de nosotros deseamos vivir en un mundo donde los diagnósticos médicos (y el tratamiento) son cada vez más objetivos y las barreras para la atención médica son bajas. Las RNA son modelos realmente potentes que, cuando se usan correctamente, pueden desempeñar un papel en el logro de estos objetivos. Deberíamos ver muchas aplicaciones interesantes en los próximos años. Es de esperar que la industria de la salud no frene la tasa de progreso, que por lo general ha sido la más lenta en adaptarse a las tecnologías cambiantes.
