Datos + IA = El tratamiento adecuado para el paciente correcto en el momento correcto
Gracias al advenimiento de los sensores de movimiento en la tecnología IoT, ahora podemos monitorear continuamente los síntomas motores de los pacientes con enfermedad de Parkinson. Y esto es lo que están haciendo nuestros socios en ConnectedLife.
Estos datos de movimiento continuo y objetivo, después de horas y horas de etiquetado para darles el significado clínico apropiado, se introducen en un modelo de aprendizaje automático de redes neuronales. La red de aprendizaje automático necesitó un año de datos para aprender a predecir de manera confiable los síntomas motores de los pacientes de Parkinson. La tecnología ayuda a monitorear de manera continua, objetiva y sin problemas las fluctuaciones de los síntomas motores de Michael, lo que le permite a su médico personalizar su programa de tratamiento, liberando a Michael de su constante viaje en montaña rusa.
Aunque esto era solo un prototipo, el ejercicio demostró los primeros tres pasos del embudo de IA. El próximo desafío es implementar la solución a escala, de modo que no solo Michael, sino todos los pacientes con enfermedad de Parkinson puedan beneficiarse del modelo.
"La confianza es fundamental para una economía que funciona" – Stephen Covey
El prototipo se llama James; lleva el nombre del descubridor de la enfermedad James Parkinson. James es una solución de software impulsada por IA que incluye una aplicación para pacientes y tiene el potencial de convertirse en el mejor compañero para los pacientes con enfermedad de Parkinson, ayudándoles a recibir un tratamiento personalizado que haría desaparecer sus síntomas y, en última instancia, diagnosticando la enfermedad mucho antes de lo que podríamos hoy.
Para lograr esto, el acceso a los datos, tanto en cantidad como en calidad, es esencial. Los modelos de IA necesitan datos (muchos datos) para ser entrenados para brindar precisión. En salud, la precisión puede significar la diferencia entre la vida y la muerte. No debe tomarse a la ligera. Y, para que el modelo de IA funcione en toda la población, no solo en Michael, los datos de los pacientes de todas las características demográficas (región, grupo de edad, etnia, género, etc.) deben incluirse en grandes cantidades para garantizar que el modelo pueda aplicarse con precisión en configuraciones del mundo real, es decir, implementar la solución a escala.
Entonces, ¿qué impide que los solucionadores de problemas como ConnectedLife accedan a grandes cantidades de estos datos?
En general, el problema es la falta de confianza, subrayado por el miedo a la tragedia de los bienes comunes digitales.
Pero, particularmente en el dominio de la salud, hay cuatro desafíos principales en acceso a datos:
1)
La confianza debe ganarse con el tiempo. Debido a la naturaleza sensible de los datos de atención médica, las partes interesadas de la línea de suministro de datos, incluidos pacientes, profesionales de la salud, hospitales, gobiernos, compañías de atención médica y compañías de seguros, son reacias a compartir datos. Además, la propiedad de los datos a menudo no está clara y puede recaer en múltiples partes, lo que dificulta obtener el consentimiento para compartir. Como muchos datos valiosos de atención médica contienen PII, información de identificación personal, los pacientes generalmente necesitan dar su consentimiento para que los datos se compartan con un propósito específico.
2)
Los datos generalmente no están disponibles. Los datos de atención médica se distribuyen en muchos sitios diferentes y puede ser difícil encontrar datos para una enfermedad específica. Además, diferentes sitios generalmente tienen estructuras de datos completamente diferentes.
3)
Como cada persona es única, los datos de atención médica son altamente individualistas. Esto crea desafíos en la transferencia de modelos de IA de una ubicación / conjunto de datos a otro para capacitación. Además, uno debe asegurarse de incluir todas las muestras representativas en la capacitación, validación y prueba de un conjunto de datos para abordar las diferencias de género, origen étnico, edad, estilo de vida, etc. Esto regresa al desafío anterior que enfrentamos con la disponibilidad de datos.
4)
En la asistencia sanitaria, el requisito de trazabilidad y responsabilidad de los datos se vuelve real. Es importante saber qué datos se han utilizado o no para entrenar el modelo de IA y poder rastrear hasta la fuente. Si bien podemos reírnos de que la IA clasifique erróneamente un trapeador como perro, en la atención médica, tal falla puede determinar la vida a partir de la muerte. Por lo tanto, saber cómo se entrenan los modelos y hacer que todo el proceso sea explicable e interpretable es primordial para la seguridad del paciente.
Fuente: https://www.topbots.com/chihuahua-muffin-searching-best-computer-vision-api/