Prof. Dr. Mariano Grilli

A menudo, la Inteligencia Artificial (IA) se presenta como un concepto futurista, pero en medicina, sus raíces son más profundas y su evolución, constante. Esto está referenciado con la la capacidad de las máquinas para simular procesos de inteligencia humana, donde se incluye el aprendizaje, el razonamiento, la percepción y la toma de decisiones. En el ámbito médico, esto se traduce en sistemas capaces de analizar datos complejos, identificar patrones y asistir en tareas que tradicionalmente requerirían la pericia humana.

El aprendizaje autom&aacu te;tico (Machine Learning - ML) es un pilar fundamental. Los algoritmos aprenden de grandes volúmenes de datos sin ser programados explícitamente para cada tarea. Se transforma en un sistema que analiza miles de imágenes de mamografías para detectar sutiles anomalías que podrían pasar desapercibidas para el ojo humano.

El Deep Learning (DL) o aprendizaje profundo, es una subcategoría del ML que utiliza redes neuronales artificiales con múltiples capas, inspiradas en la estructura del cerebro humano. Estas redes son especialmente potentes para tareas como el reconocimiento de imágenes, el procesamiento del lenguaje natural y la identificación de patrones muy complejos en datos no estructurados. Su capacidad para aprender representaciones jerárquicas de los datos los hace ideales para la clasificación de imágenes médicas o la interpretación de informes clínicos.

La implementación del ChatGPT en el quehacer diario, es una muestra. Las aplicaciones potenciales de ChatGPT en Medicina son varias:

• Asistencia en la Documentación Clínica
• Soporte en la Educación Médica
• Interacción con el Paciente (con supervisión)
• Investigación y Revisión de Literatura

Si bien ChatGPT es fascinante, la IA en medicina abarca un espectro mucho más amplio, con diversas aplicaciones en diferentes fases del cuidado del paciente:

Diagnóstico Asistido por IA: Análisis de imágenes médicas (Computer Vision) (radiografías, resonancias magnéticas, tomografías, histopatología) para detectar anomalías, clasificar tumores o identificar enfermedades oculares. Algoritmos de DL pueden superar la precisión humana en ciertas tareas de detección.

Procesamiento de Lenguaje Natural (Natural Language Processing - NLP): Extracción de información estructurada de informes médicos no estructurados, notas de enfermería o registros de voz para identificar síntomas, diagnósticos o tratamientos.

Medicina de Precisión y Farmacogenómica:

Análisis de datos genéticos, transcriptómicos y proteómicos para personalizar tratamientos, predecir la respuesta a fármacos y desarrollar terapias dirigidas.

Descubrimiento y Desarrollo de Fármacos: Aceleración del proceso de identificación de moléculas candidatas, predicción de la eficacia de compuestos, optimización de ensayos clínicos y reducción de costos y tiempos.

Monitoreo de Pacientes y Salud Conectada: Dispositivos wearables y sensores que recopilan datos continuos (ritmo cardíaco, sueño, actividad). La IA analiza estos datos para detectar anomalías tempranas, predecir eventos adversos o alertar a los médicos sobre cambios significativos en el estado del paciente.

Optimización de la Gestión Hospitalaria: Mejora de la asignación de recursos, optimización de horarios de personal, predicción de la demanda de camas y reducción de tiempos de espera en urgencias.

Cómo no es oro todo lo que reluce, también hay algunas fallas o deficiencias. Puede mostrar sesgos en los datos, operador dependiente, ya que un error en la subida de datos, se instala y se autoperpetúa.

Hay un detalle, relacionado con lo “explicable”, ya que puede ocurrir en el Deep Learning, que surja una determinada predicción o decisión sin soporte teórico que lo avale o explique.

Otro tema a tener en cuenta, son las “alucinaciones”. Si, alucinaciones. ChatGPT tiene tanta información, que cuando se le pide agregar las referencias (tipo Vancouver) puede aparecer uno o mas artículos, con autor, titulo correctísimo y cita bibliográfica según las normas internacionales, pero que no existe. Es por eso, si tu idea es solicitar información para escribir un artículo científico, cuidado con las referencias que aparezcan, buscarlas en internet y comprobar que son auténticas. Etas también pueden ocurrir si solicitamos un plan terapéutico novedoso X, y nos muestra una dosis no aceptada y con lapso horario no correcto.

Ya existen ciertas regulaciones asociadas con la privacidad y seguridad de los datos, lo que asegura que la información es anónima, que hay consentimiento informado. Estas reglas son: el GDPR (en Europa) o la HIPAA (en EE. UU.).

Es necesario, desde ahora, que exista una capacitación del profesional sanitario para entender los mecanismos de la Inteligencia artificial. Esto potenciará el trabajo médico con la IA

Bibliografía consultada

• Chihung Lin, Chang-Fu Kuo. Roles and potential of Large language models in healthcare: A comprehensive review. Biomedical Journal 48 (2025) 100868 (Una revisión sobre el otencial de los LLM en salud).
• Gulshan, V. et al. (2016). Development and validation of a deep learning algorithm for detection of diabetic retinopathy in retinal fundus photographs. JAMA, 316(22), 2402-2410. (Estudio clásico sobre DL en retinopatía diabética).
• Topol, E. J. (2019). High-performance medicine: the convergence of human and artificial intelligence. Nature Medicine, 25(1), 44-56. (Revisión amplia sobre IA en medicina, incluyendo medicina de precisión).
• Mak, K. K., & Pichika, M. R. (2020). Artificial intelligence in drug discovery: current trends and future perspectives. Journal of Pharmaceutical Analysis, 10(3), 157-172. (Revisión sobre IA en el descubrimiento de fármacos).
• Obermeyer, Z., et al. (2019). Dissecting racial bias in an algorithm used to manage the health of populations. Science, 366(6464), 447-453. (Ejemplo de un estudio que revela sesgos raciales en algoritmos de salud).
• Ghassemi, M ∙ Oakden-Rayner, L ∙ Beam, AL The false hope of current approaches to explainable artificial intelligence in health care Lancet Digit Health. 2021; 3:e745-e750 (Artículo de opinión sobre la explicabilidad en IA médica).
• FDA. https://www.fda.gov/medical-devices/software-medical-device-samd/artificial-intelligence-software-medical-device (actualizado 03/25/2025)

Imprimir