IBM muestra cómo la IA ayuda en la detección de enfermedades

Si existe un área donde la innovación y, concretamente, tecnologías como la IA o el Machine Learning están siendo protagonistas esa es, sin duda, el área de la salud.

Mejorar los tratamientos, acelerar el desarrollo de medicamentos o predecir determinadas enfermedades son solo algunas de las metas que actualmente forman parte de las grandes compañías tecnológicas de todo el mundo.

Es el caso de IBM que ha querido mostrar, en un mesa redonda, cómo sus investigadores está utilizando determinados modelos de IA para, entre otras causas, la detección temprana del Alzheimer; el estudio de la relación entre el sentido del olfato; la detección, corrección y uso de datos sin sesgos para los diagnósticos y tratamientos en dermatología; o la predicción y diseño de respuestas inmunitarias.

Detección temprana

Por ejemplo, Guillermo Cecchi, Gerente del Laboratorio de Psiquiatría Computacional y Neuroimágenes de IBM Thomas J. Watson Research Center ha sido el encargado de explicar cómo IBM Research y Pfizer han desarrollado un nuevo modelo de inteligencia artificial (IA) que utiliza pruebas de habla cortas, no invasivas y estandarizadas, para ayudar a predecir la eventual aparición de la enfermedad de Alzheimer en personas cognitivamente sanas con una precisión de 0,7 y un AUC de 0,74 (area under the curve — área bajo la curva).

Estas predicciones se hicieron contra muestras de datos de un grupo de personas cognitivamente sanas que finalmente desarrollaron o no la enfermedad más adelante en la vida, lo que permitió a los investigadores verificar la precisión de la predicción del modelo de IA. Este es un aumento significativo con respecto a las predicciones basadas en escalas clínicas (59%) y en la elección aleatoria (50%).

IA ética

Otra de las investigaciones explicadas durante la mesa redonda ha sido la explicada por Celia Cintas, investigadora de AI Science en IBM Research África en el Laboratorio de Nairobi (Kenia) y que tiene como objetivo acabar con los sesgos de los modelos de IA y Machine Learning en la detección de enfermedades dermatológicas.

Como ha explicado Celia Cintas, en la investigación descubrieron que los datos utilizados para entrenar modelos de IA están formados mayoritariamente por imágenes de población caucásica, lo que puede reducir la capacidad de estos modelos para detectar enfermedades cutáneas en otros pacientes y su correspondiente impacto negativo en la calidad de atención y tratamiento que las personas reciben.

Por ejemplo, en poblaciones afrodescendientes el melanoma es comúnmente diagnosticado en etapas tardías. Además, la escasez de imágenes de las manifestaciones cutáneas de COVID-19 en pacientes latinos y afrodescendientes es un problema, ya que dificulta el diagnóstico clínico.

Su investigación quiere paliar estos sesgos ya que, como ha afirmado, “es imperativo que la IA de hoy refleje los valores de las poblaciones para las que fue creada y que en su desarrollo participen equipos diversos de profesionales y especialistas. Esto requiere más que un simple “sentimiento” de que se puede confiar en el sistema: necesita evidencia sólida, como pruebas estandarizadas y mecanismos transparentes de presentación de informes, que nos conduzcan a sistemas transparentes y justos”.