¿Por qué no hay bots de aprendizaje automático para facilitar el diagnóstico?

Por la misma razón, los autos sin conductor aún no son comunes. Esta es una tarea mucho más fácil que el diagnóstico médico y se ha demostrado que es mucho más segura, pero todavía no está cerca de la corriente principal. Supongo que su pregunta es por qué no han reemplazado a los médicos ya que la palabra facilitar puede significar cosas diferentes en diferentes contextos.

  1. Legalidad. Si un auto que se conduce se estrella, ¿quién tiene la culpa? ¿El conductor que debía supervisar o el fabricante del automóvil? Ahora ponga esto en el contexto médico legal y puede comenzar a imaginar la tormenta de mierda legal.
  2. Relación. Una relación paciente-médico no es algo que pueda ser reemplazado por una máquina. Somos animales sociales y construimos bonos tiempo extra.
  3. Mentir e interpretaciones. La misma palabra significa cosas diferentes cuando se dice de diferentes maneras y en diferentes contextos. Como profesión médica, tenemos que ser capaces de recoger pistas sutiles en la historia que nos dicen que algo anda mal. No podemos asumir el 100% de la verdad ya que a menudo los pacientes no recuerdan las cosas correctamente u olvidan mencionar algo. Habrá cosas que dicen que no suman. Las máquinas tendrán dificultades para hacer esto.

Por último, pero no menos importante, será para los médicos vagos. Después de que las tomografías computarizadas se volvieron ampliamente disponibles, las personas dejaron de tomar decisiones clínicas sobre afecciones como la apendicitis. Todos obtuvieron una tomografía computarizada y, como resultado, se pierde la habilidad de tomar un historial y un examen. Hago todo lo posible para tener un diagnóstico primero antes de recurrir a la exploración para confirmar, en lugar de hacer una exploración para obtener un diagnóstico.

Algún día, la tecnología estará allí para ayudar a los médicos en actividades rutinarias, como informar los resultados de la patología y la radiología, pero las interacciones entre el médico y el paciente se mantendrán humanas a humanas durante un tiempo.

Esta fue una aplicación de sistemas expertos en los años 60 y 70. Una de las primeras implementaciones de AI fue MYCIN en Stanford que se ocupó del diagnóstico de infección bacteriana.

Se desempeñó bastante bien en relación con los diagnósticos humanos.

En términos de por qué esto no es una práctica común, hay algunas razones.

Los médicos son muy resistentes a lo que ven como una gran simplificación de su proceso. En esto, son completamente correctos. Un médico de primera línea necesita hablar con un paciente, observarlos y tocarlos. Todas estas entradas sensoriales se combinan con los datos de las pruebas (sangre, orina, escaneo, ADN, etc.) para obtener una vista completa.

Ciertamente no puede confiar en que un paciente ingrese valores en un teclado. Las respuestas probablemente no sean precisas.

Las compañías de seguros desconfían de los nuevos enfoques que pueden costarles mucho dinero. El historial de tecnología avanzada para reducir el costo de la atención médica no es bueno.

Dicho esto, hay tipos de diagnóstico que se dejan mejor al aprendizaje automático. Identificar la expresión génica diferenciada en el cáncer no es algo que los humanos puedan hacer fácilmente. Simplemente demasiadas variables para tratar.

Pero, si nos fijamos en la lista de genes más diferenciados para diversas formas de cáncer, siempre verá los genes supresores de tumores en lo alto de la lista. Pero entender que PTEN es un efecto del cáncer y no una causa es una habilidad humana crítica.

Por lo tanto, se seguirán realizando avances para ayudar al proceso de diagnóstico a través de tecnologías avanzadas, pero el elemento humano seguirá siendo necesario.

El aprendizaje automático de máquinas tiene un largo camino por recorrer antes de exigir formas de automatizar un diagnóstico médico avanzado. Además de eso, los médicos todavía se sienten incómodos al dejar toda su práctica de diagnóstico a manos de una computadora. Y eso es válido también

¿Cuál es el proceso de cualquier algoritmo de aprendizaje automático? Se ejecuta aleatoriamente al principio y luego corrige el error, readapta y calcula mejores resultados. El margen de error en lo que respecta al diagnóstico es muy estrecho y dado que un algoritmo de aprendizaje automático nunca puede tener el 100% de precisión, un diagnóstico incorrecto podría generar complicaciones importantes. Ahora ningún médico querría que eso sucediera a sus pacientes.

Por supuesto, el aprendizaje automático se usa durante el tratamiento y bajo estricta supervisión, pero aun así un médico que realiza el diagnóstico puede considerarse más eficiente que el monitoreo si una computadora está prediciendo los resultados correctos o no. Bueno, con las arquitecturas actuales, este es el escenario. Por supuesto, en el futuro cercano, con mejores herramientas para procesar información y mejores tecnologías de imágenes y equipos médicos que funcionen en colaboración con computadoras, sería viable invocar un diagnóstico automático de aprendizaje automático.