En los últimos años la comunidad científica internacional ha dedicado considerables recursos a la investigación y desarrollo de sistemas de diagnóstico asistidos por ordenadores, utilizados por los médicos en el proceso de diagnóstico. El número de artículos publicados entre 1969 y 2014 sobre aplicaciones de técnicas de aprendizaje al diagnóstico médico tiene una tendencia creciente, la cual se ha acelerado durante los últimos 10 años, alcanzando un volumen de cerca de 100 artículos sobre el tema por año.
Los tipos de problemas médico abordados con estas técnicas cubren prácticamente todas las especialidades de la medicina, algunos ejemplos incluyen: diagnóstico de glaucoma, identificación de enfermedades cardiovasculares, detección de la enfermedad de Alzheimer y detección del cáncer de próstata.
Un sistema de diagnóstico asistido por ordenadores (CAD, por sus siglas en inglés) realiza una caracterización de la información, con el objetivo de detectar patrones en los datos, establecer la importancia relativa de las variables y finalmente emitir un diagnóstico secundario al del experto. Las motivaciones para la construcción de tales herramientas son: (I) la reducción de errores observacionales humanos y (II) la reducción del tiempo y el esfuerzo asociado con el diagnóstico.
Gracias a esta tecnología el médico es capaz de interpretar toda la información visible, dado que las máquinas procesan todos los datos completos y no se les escapa información menor que de otra forma, se le escaparían al ojo humano y resalta la información relevante ayudando al especialista a no pasar por alto ningún detalle. Los modelos de estimación de riesgos son modelos de clasificación, es decir modelos de aprendizaje supervisado para problemas de dos clases. En general, este tipo de modelos predicen un valor nominal (la clase), basándose en los demás atributos del conjunto de datos. De naturaleza estadística por su manejo de la incertidumbre, son muy similares a los sistemas de predicción basados en reglas, que sirven para representar y categorizar una serie de condiciones que suceden de forma sucesiva para la solución de un problema.
Técnicas de inteligencia computacional
Dentro de las técnicas más populares de inteligencia computacional se encuentran:
Las redes neuronales, inspiradas en el comportamientos de las neuronas y conexiones del cerebro humano tratando de crear un programa, sistema o máquina que sea capaz de solucionar problemas difíciles, actuar de forma humana, y realizar trabajos pesados mediante técnicas algorítmicas convencionales.
La máquina de soporte vectorial es un algoritmo de aprendizaje estadístico que busca clasificar una población mediante una partición de un conjunto de múltiples variables por medio de hiperplanos.
Los árboles de clasificación son un método de aprendizaje estadístico, representado mediante un árbol de decisión, gráficamente, un árbol se representa por un conjunto de nodos, hojas y ramas, el nodo principal o raíz es el atributo a partir del cual se inicia el proceso de clasificación; los nodos internos corresponden a los diferentes niveles del atributo seleccionado en el paso correspondiente del algoritmo al igual que las redes neuronales, y las máquinas de soporte vectorial se emplean en muchos problemas de clasificación.
Los algoritmos evolutivos se utilizan en problemas de optimización principalmente en problemas con espacios de búsqueda extensos y no lineales, en donde otros métodos no son capaces de encontrar soluciones en un tiempo razonable y la Lógica Difusa para la toma de decisiones con incertidumbre, se basa en lo relativo de lo observado como posición diferencial. Este tipo de lógica toma dos valores aleatorios, pero contextualizados y referidos entre sí.
Estos sistemas diagnóstico asistido por ordenadores, tienen como objetivo final ayudar a que el profesional mejore su rendimiento diagnóstico, optimizar el tiempo de atención del paciente y priorizar cuantitativamente las pruebas de laboratorio y su rol en el diagnóstico de diferentes patologías.
Bibliografía.
.-Gonzales, F. Modelos de aprendizaje computacional en reumatología. Rev colomb r eumatol;22(2):77–78, 2015.
.-Wei, Y., Tiebin, L., Rodolfo, V.,Gwinn, M.,Khoury, M. Application of support vector machine modeling for prediction of common diseases: the case of diabetes and pre-diabetes. MC Medical Informatics and Decision Making 10:16, 2010.
.-Loet, X., Berthelot, J., Guillemin, F. Clinical practice decision tree for the choice of the first disease modifying antirheumatic drug for very early rheumatoid arthritis: a 2004 proposal of the French Society of Rheumatology. Ann Rheum Dis;65:45-50 doi:10.1136/ard.2005.035436, 2006
.-Madzarov, G.,Gjorgjevikj, D.,Chorbev, I. A Multi-classSVM ClassifierUtilizing Binary Decision Tree. Informatica 33:233-241, 2009
.-Russell, S. and P. Norvig, Artificial Intelligence: A Modern Approach. Second ed. Upper Saddle River (N J): Prentice Hall/ Pearson Education; 2003
