+34 688 911 123 hola@nubentos.com

La Inteligencia Artificial es una de las tecnologías que está protagonizando la digitalización de la Salud. El ecosistema sanitario está aprovechando los avances que existen en este frente, y hay bastantes proyectos tremendamente interesantes que lo están aplicando con éxito. En este artículo vamos a acercarnos a casos reales de la IA para la Salud: casos de uso mediante APIs, que permiten además su rápida integración en software de terceros.

GESTIÓN HOSPITALARIA: PROCESAMIENTO DE LENGUAJE NATURAL

GESTIÓN HOSPITALARIA: PROCESAMIENTO DE LENGUAJE NATURAL nubentos

 

La Historia Clínica de cada paciente esconde una enorme cantidad de información.

Gracias a la digitalización de la Historia Clínica, se está produciendo un cambio importante en dos aspectos:

  • Los informes y resultados de pruebas ya no se almacenan en papel, sino en documentos pdf o similares.
  • Las carpetas físicas que guardan la Historia Clínica tradicional, se está digitalizando a base de escanear los documentos.

Como resultado, cada vez es mayor la cantidad de Historia Clínica Electrónica respecto de la Historia Clínica en papel.

Sin embargo, es extremadamente difícil digitalizar hábitos: la mayoría de los profesionales sanitarios siguen informando sus consultas, seguimientos y diagnósticos escribiendo texto libre, es decir, no estructurado.

Y los datos no estructurados, son datos no procesables.

Por tanto, seguimos teniendo muchísima información de un enorme valor, escondida en las Historias Clínicas de los pacientes.

¿Cómo hacemos que toda esa información salga a la superficie y podamos procesarla?

El Procesamiento de Lenguaje Natural es una tecnología perteneciente al campo de la IA que consiste en procesar texto escrito por un ser humano. Entre otras acciones, son algoritmos capaces de filtrar palabras que no aportan significado, identificar las palabras con significado, expresiones compuestas, etiquetar términos relevantes, bien por frecuencia de uso, o bien por contraste con un modelo de conocimiento externo, etc.

Aplicado a un informe médico, y apoyado sobre estándares y ontologías médicas como SNOMED-CT, CIE-10, etc., permite extraer problemas, síntomas, diagnósticos, medicaciones, especialidades, etc. de las notas en texto libre que contienen esos informes.

De esta forma, es posible extraer de forma automática información estructurada de cada informe.

Esto tiene un enorme valor para el centro asistencial, al permitirle optimizar sus ensayos clínicos, optimizar la gestión de las agendas, optimizar el seguimiento al paciente, y un largo etcétera de actuaciones que mejoran la gestión clínica en general.

Imagina lo que podrías hacer si tu software pudiera integrar una solución de PLN totalmente madura y fiable mediante una API.

DIAGNÓSTICO POR IMAGEN: RECONOCIMIENTO DE IMAGEN Y MACHINE LEARNING

DIAGNÓSTICO POR IMAGEN: RECONOCIMIENTO DE IMAGEN Y MACHINE LEARNING nubentos

 

El reconocimiento de imagen ha evolucionado muchísimo en los últimos años, especialmente de la mano del Machine Learning.

Este tipo de soluciones requiere de un entrenamiento. El especialista carga imágenes en el sistema, y éste emite un resultado basándose en su histórico y determinadas variables iniciales.

En las primeras iteraciones, el sistema muestra un alto grado de error, porque carece de histórico y se enfrenta a un elevado grado de incertidumbre en esas primeras imágenes.

El especialista supervisa el proceso de entrenamiento mediante un sistema de etiquetado que el software utiliza para ajustar sus variables de criterio, lo que unido al aumento del histórico, mejora rápidamente su tasa de acierto.

Con un entrenamiento adecuado, este tipo de soluciones alcanzan niveles de precisión espectaculares, similares al especialista humano.

La aplicación de esta tecnología en el apoyo al Diagnóstico por Imagen es enormemente importante, especialmente en técnicas de estudio radiológico por capas, o que requieren de un alto grado de precisión visual.

Existen soluciones altamente especializadas que pueden ser integradas en sistemas clínicos y en Apps para ayudar al usuario a identificar posibles lesiones de forma automática, y con un alto nivel de fiabilidad.

Disponer de estas soluciones mediante APIs simplifica enormemente esta integración, y multiplica la posibilidad de ponerlas en manos de un mayor número de profesionales sanitarios.

Con esta tecnología el tiempo de diagnóstico se reduce, lo que impacta en una mejora de la asistencia sanitaria.

AYUDA AL DIAGNÓSTICO: PROCESAMIENTO DE LENGUAJE NATURAL, BIG DATA Y DEEP LEARNING

AYUDA AL DIAGNÓSTICO: PROCESAMIENTO DE LENGUAJE NATURAL, BIG DATA Y DEEP LEARNING nubentos

 

Más arriba hemos hablado de la aplicación del PLN a la mejora de la gestión clínica. Naturalmente existen otras aplicaciones.

La extracción de datos clínicos de los informes médicos permite almacenar de forma procesable una cantidad de información enorme.

Por ejemplo, un conjunto histórico de datos sobre síntomas, perfiles de pacientes, tratamientos, diagnósticos y evolución, que abre las puertas de par en par a que otras ramas satélite de la IA, expriman toda esa información y alimenten sistemas inteligentes.

El Big Data y su capacidad para analizar cantidades masivas de información, puede ser el motor de un sistema de soporte al diagnóstico. Este tipo de sistemas, partiendo de un entrenamiento previo mediante soluciones Deep Learning, pueden alcanzar unos niveles de precisión brutales porque el uso diario de los profesionales sanitarios supone un entrenamiento constante adicional que mejoraría aún más las tasas de precisión y acierto.

MONITORIZACIÓN REMOTA INTELIGENTE: IOT, BIG DATA Y DEEP LEARNING

MONITORIZACIÓN REMOTA INTELIGENTE: IOT, BIG DATA Y DEEP LEARNING nubentos

 

En los últimos años, el empoderamiento del paciente y la orientación a la sanidad preventiva, son dos de las principales líneas estratégicas en la atención sanitaria.

En ambos casos, la IA juega un papel fundamental.

Son varias las tecnologías que intervienen en este caso de uso:

  • IoT (Internet of Things), capturando datos “crudos” del paciente, su entorno y sus rutinas.
  • Deep Learning, correlacionando esos datos, y construyendo reglas de comportamiento del paciente que permiten al sistema aprender a “conocer” sus rutinas específicas.
  • Big Data, analizando una cantidad de datos que se capturan constantemente para mejorar la base de conocimiento del sistema y mejorar su precisión.

Este tipo de soluciones permite generar alertas cuando el paciente se aleja de su rutina habitual, o cuando en su entorno ocurre algo que supone un potencial riesgo, etc.

Gracias a estas alertas se puede actuar antes de que el paciente se vea afectado, o con una rapidez que en muchas ocasiones puede ser vital.

Integrar este tipo de sistemas mediante APIs permite disponer de estas capacidades de monitorización avanzada a cada vez más centros asistenciales y de cuidado de pacientes crónicos.

ENSAYOS CLÍNICOS: PROCESAMIENTO DE LENGUAJE NATURAL, MACHINE LEARNING Y BIG DATA

ENSAYOS CLÍNICOS: PROCESAMIENTO DE LENGUAJE NATURAL, MACHINE LEARNING Y BIG DATA nubentos

 

Otra de las muchas puertas que abre la extracción y estructuración de la información contenida en las Historias Clínicas, es la de los Ensayos Clínicos.

Cuando un Centro transforma sus informes desestructurados en datos estructurados, multiplica exponencialmente sus capacidades de análisis de la información y toma de decisiones.

En el campo específico de los Ensayos Clínicos, esta información estructurada permite al Centro optimizar enormemente la detección y captación de participantes, no solo cuantitativamente, lo que impacta en la bondad de los resultados, sino además cualitativamente, al contar con información precisa y fácil de correlacionar.

Con soluciones que además combinen el PLN con algoritmos de Machine Learning, consigue además asegurar una óptima precisión en la automatización de todo el proceso.

El resultado son mejores Ensayos Clínicos, y mayor capacidad para realizar más Ensayos cada año, en el mismo Centro o en múltiples centros.

La extensión de este tipo de soluciones permite además aumentar exponencialmente las capacidades de todo el ecosistema, ya que permite construir un Big Data de un valor brutal para la práctica clínica en general, y para los Ensayos Clínicos en particular.

Integrar este tipo de soluciones mediante una API permite unir fuerzas en una red de información de alto valor para el ecosistema sanitario y, por tanto, para toda la sociedad.

CONCLUSIONES

Más allá de las aplicaciones más mediáticas de la IA, como coches autónomos, asistentes virtuales, etc, la aplicación de sus distintas tecnologías en la Sanidad son una realidad que las APIs están ayudando a extender rápidamente.

Esta capacidad para integrar fácilmente soluciones avanzadas de PLN, Reconocimiento de imagen, Machine Learning o Deep Learning, Big Data, etc, es clave para que todas las ventajas que aportan al ecosistema sanitario, se extiendan lo máximo posible.

De esta forma, mejoramos entre todos la calidad de vida de los ciudadanos mediante una Sanidad más avanzada y eficiente:

    • Sistemas de soporte al diagnóstico clínico
    • Soporte al diagnóstico por imagen
    • Mejora de la gestión hospitalaria
    • Monitorización remota de pacientes
    • Ensayos Clínicos

Todas estas áreas y muchas más, mejoran drásticamente gracias al uso de estas tecnologías, disponibles mediante APIs para su rápida integración en el software que usan a diario millones de profesionales y ciudadanos en todo el mundo.

 

0 comentarios

Enviar un comentario

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Share This