Inteligencia Artificial en Salud

Inteligencia Artificial
aplicada a la Salud
Mirko J. Rodríguez
https://linkedin.com/in/mirkorodriguez/
mirko.rodriguezm@gmail.com

Mirko J. Rodríguez (http://linkedin.com/in/mirkorodriguez)
“La salud no lo es todo, pero sin ella todo lo demás es nada”
(Arthur Schopenhauer, 1788-1860)
“La salud lo es todo, y con ella, todo lo demás es posible”

● 31-37% interpretaciones
discordantes en TC oncológicas
abdominales, (2008) [1].
● ~61% falso-positivo | Cáncer
Mamografías (2016) [2]
¿Qué tan frecuente es el error radiológico?

● Metástasis por carcinoma de
próstata (flecha), omitida en RM
axial T1W (error debido a
anormalidad fuera del área de
interés) [3]
[3] Brady A, (2017)
Cada año se realizan alrededor de
3.6 billones de radiografías de
diagnóstico en todo el mundo, (2013).
¿Qué tan frecuente es el error radiológico?

“1 de 20 adultos estadounidenses pueden ser diagnosticados erróneamente
cuando van a ver a sus médicos … ” (Journal BMJ Quality & Safety, 2014)
¿Qué tan frecuente es el mal diagnóstico?

¿Cómo podemos ayudar a mejorar
esta situación?
El uso de la Inteligencia Artificial

“… el sector salud (medicina) es uno de los más renuentes de adoptar
nuevas tecnologías …” (Dr. Eric Topol, Deep Medicine Book, 2018)
Fuente: World Economic Forum
El sector salud
esta aquí.
4ta Revolución Industrial

Inteligencia “Natural”
● Capacidad de resolver
problemas …
● Capacidad de resolver
problemas imitando en
comportamiento inteligente.
?
Agente
¿ Qué es la Inteligencia Artificial?

Machine LearningDeep Learning
Ciencia de datos
Procesamiento de Lenguaje
Natural (NLP)

Deep
Learning
Machine Learning
Ciencia de Datos
• Lógica Difusa
• Algoritmos
Evolutivos
• Deep
Reinforcement
Learning
• GANs
Adaptado de: Machine Learning and AI for Helathcare, Arjun Panesar, 2019.

● Caso: Predicción de diabetes en mujeres mayores a 21 años (Pima USA, Arizona).
Edad: Años
Embarazos: Número de Embarazos
Glucosa: Nivel de glucosa en sangre
Presión: Presión sanguínea (mm Hg)
EspesorPiel: Piel de triceps (mm)
Insulina: Nivel de insulina (mu U/ml)
IMC: Indice Masa Corporal (kg/m^2)
DiabetesFamiliar: Historia familiar de diabetes
PacienteDiabético: Sí/No (1 / 0)
Machine Learning aplicado a la Salud
https://pdfs.semanticscholar.org/e41f/0bbef6ca2d54591a0cbf4aad1a6e0c422f95.pdf

Edad Embarazos Glucosa Presión EspesorPiel Insulina IMC DiabetesFamiliar Paciente Diabético
50 6 148 72 35 0 33.6 0.627 1
31 1 85 66 29 0 26.6 0.351 0
21 1 89 66 23 94 28.1 0.167 0
33 0 137 40 35 168 43.1 2.288 1
26 3 78 50 32 88 31 0.248 1
53 2 197 70 45 543 30.5 0.158 1
59 1 189 60 23 846 30.1 0.398 1
51 5 166 72 19 175 25.8 0.587 1
31 0 118 84 47 230 45.8 0.551 1
33 1 103 30 38 83 43.3 0.183 0

Edad Embarazos Glucosa Presión EspesorPiel Insulina IMC DiabetesFamiliar
50 6 148 72 35 0 33.6 0.627
31 1 85 66 29 0 26.6 0.351
21 1 89 66 23 94 28.1 0.167
33 0 137 40 35 168 43.1 2.288
26 3 78 50 32 88 31 0.248
53 2 197 70 45 543 30.5 0.158
59 1 189 60 23 846 30.1 0.398
51 5 166 72 19 175 25.8 0.587
31 0 118 84 47 230 45.8 0.551
33 1 103 30 38 83 43.3 0.183
Paciente Diabético
1
0
0
1
1
1
1
1
1
0
f(x)
29 1 67 43 21 78 35.5 0.351
f(x)
1 ó 0

https://archive.ics.uci.edu/ml/datasets/Breast+Cancer+Wisconsin+%28Original%29
● Caso: Predicción de Cáncer de mama (Wisconsin, USA)
Class: Benigno o Maligno
1.Uniformidad del tamaño de la célula
2.Uniformidad de la forma de la célula
3.Grosor del grupo
4.Adhesión marginal
5.Tamaño de células epiteliales individuales
6.Núcleos desnudos
7.Cromatina blanda
8.Nucleolos normales
9.Mitosis

Attribute Information:
1. Class: DIE, LIVE
2. AGE: 10, 20, 30, 40, 50, 60, 70, 80
3. SEX: male, female
4. STEROID: no, yes
5. ANTIVIRALS: no, yes
6. FATIGUE: no, yes
7. MALAISE: no, yes
8. ANOREXIA: no, yes
9. LIVER BIG: no, yes
10. LIVER FIRM: no, yes
11. SPLEEN PALPABLE: no, yes
12. SPIDERS: no, yes
13. ASCITES: no, yes
14. VARICES: no, yes
15. BILIRUBIN: 0.39, 0.80, 1.20, 2.00, 3.00, 4.00
16. ALK PHOSPHATE: 33, 80, 120, 160, 200, 250
17. SGOT: 13, 100, 200, 300, 400, 500,
18. ALBUMIN: 2.1, 3.0, 3.8, 4.5, 5.0, 6.0
19. PROTIME: 10, 20, 30, 40, 50, 60, 70, 80, 90
20. HISTOLOGY: no, yes
https://archive.ics.uci.edu/ml/datasets/Hepatitis
● Caso: Predicción de Hepatitis (Carnegie-Mellon University)

http://www.jds-online.com/file_download/687/01+No.09+310+Machine+learning+algorithms+to+predict+the+childhood+anemia+in+Bangladesh.pdf
● Caso: Predicción de anemia infantil en Bangladesh (2019)
“We selected twenty-four variables associated with the risk
for childhood anemia.”
maternal age (years)
maternal education
paternal education
maternal working status
child age
child gender
maternal anemia
maternal underweight
household toilet facilities
household water source
child morbidity (fever)
child morbidity (diarrhea)
place of residence
wealth index
vitamin A within 6 months
iron with 7 days
. . . .

● Deep Learning: Es un tipo de machine learning capaz de procesar grandes
volúmenes de datos con algoritmos especializados como las RNA.
Visión por computadora Voz por computadora
1. Poder computacional
Deep Learning aplicado a la Salud
2. Data
3. Nuevos algoritmos

Visión por computadora

“I think that if you work as a radiologist you are like
Wile E. Coyote in the cartoon. You’re already over
the edge of the cliff, but you haven’t yet looked down.
There’s no ground underneath. It’s just completely
obvious that in five years deep learning is going
to do better than radiologists. It might be ten
years. (2016)”
— Geoffrey Hinton, A.I. Versus M.D.
https://www.youtube.com/watch?v=2HMPRXstSvQ

“Pattern Doctors”
(Doctor Eric Topol, Deep Medicine Book, 2018)
“40% de las actividades del sector
médico en el mundo se pueden
automatizar … ”
(OECD Organisation for Economic Co-operation and Development, 2018)

¿Ciencia ficción?
¿Buzzword?
¿Bullshit?

https://medicalfuturist.com/fda-approvals-for-algorithms-in-medicine/

End-to-end Deep Network for Health Coaching. Fuente: Deep Medicine book, 2018.

● Caso: Diagnóstico de Parkinson basado en el Test de dibujos (Frontiers in Neurology, 2017)
https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5592741/
Figure 2: A 2017 study by Zham et al. concluded that it is possible to detect Parkinson’s by asking the patient to draw a
spiral while tracking the speed of pen movement and pressure.

https://www.ncbi.nlm.nih.gov/pmc/articles/PMC5592741/
Figure 3: Today’s Parkinson’s image dataset is curated by Andrade and Folado from the NIATS of Federal University
of Uberlândia. Adrian Rosebrock used Python and OpenCV to train a model for automatically classifying Parkinson’s
from similar spiral/wave drawings..
71.33% classification accuracy

https://bit.ly/2JuNTJo

Fuente: Glloballink, Usage of Generative Adversarial Networks in Healthcare, 2017.
Natural Language Processing
Redes GAN
https://thispersondoesnotexist.com/
Inteligencia Artificial aplicado a la Salud

Desmistificando la Inteligencia Artificial
ANI
AI
AGI
(Artificial Narrow Intelligence) (Artificial General Intelligence)
✓ Self-Driving Cars
✓ Virtual Assistants
✓ Computer Vision
✓ Etc.
✓ Hacer TODO lo que el ser
humano puede hacer.

Desmistificando la Inteligencia Artificial
AGI
El Sistema más avanzado de IA hoy día
es todavía neurologicamente menos
evolucionado que una cucaracha.
(Artificial General Intelligence)
[Fuente: deepkapha.ai]

Más allá de la IA …
✓ IoT
✓ Wearables
✓ Blockchain
✓ Realidad Virtual
✓ Nanorobots
✓ Robótica
✓ 5G, 6G
✓ 3D Printing
✓ etc … etc … etc …
Da Vinci System, called Xi (c)
… el futuro de la Medicina

Phd, MD, Kun-Hsing Yu
I. Práctica médica convencional:
Paciente Juicio médico
Historia Clínica
Decisión
Adaptado de: Yu, K.-H., Beam, A. L., & Kohane, I. S. (2018). Artificial intelligence in healthcare. Nature
Biomedical Engineering, 2(10), 719–731.
Transformando la Medicina con IA

II. Práctica médica con soporte de un Sistema Experto de
Toma de Decisiones:
Paciente Juicio médico Historia Clínica DecisiónAlgoritmo (IA/ML)

II. Práctica médica completamente automatizada:
Algoritmo (IA/ML)Paciente
Historia Clínica
Decisión

Fuente: http://www.chinadaily.com.cn/a/201903/14/WS5c89bda6a3106c65c34ee983.html
https://bit.ly/32f7jZU
¿Qué tan difícil es aprender IA?

Programa curricular de Educación Secundaria (Perú, Minedu - 2016)
¿Qué tan difícil es aprender IA?

1. Empezar con una sesión de Design Thinking
con los stakeholders y entender la visión (plan
estratégico).
2. Identificar los problemas principales que al
solucionarlos nos permitan cumplir el plan
estratégico.
3. Elegir uno o dos casos de uso a partir de los
problemas encontrados en (2) para iniciar un
POC.
4. Recolectar un dataset relacionados a los casos
de uso elegidos.
5. Desarrollar y desplegar un modelo piloto y
realizar mediciones.
6. Escalar de acuerdo al desempeño del modelo.
Equipo:
- Especialistas en IA
- Technology engineer
- Domain Expert (Doctor)
¿Cómo empezar un proyecto de IA?

Integración de Sistemas de Información.
+Interoperabilidad.
Almacenamiento, acceso y explotación de data.
+Disponibilidad de data.
Integración dentro del flujo actual.
+Nuevo flujo debido a agentes IA.
Regulaciones.
+Certificaciones, normativas, políticas gubernamentales, etc.
Interpretación de modelos de IA.
+Descubrir las “cajas negras”
Implicaciones socio-legales.
+Reentrenamiento de la fuerza laboral, relocación, datos personales, etc.
Limitaciones y retos

Mensaje final
“La IA no reemplazará a los médicos,
pero puede cambiar drásticamente sus trabajos.”
(Forbes)
“La IA no reemplazará a los médicos,
pero con suerte les facilitará la vida.”
(Dr. Alan Karthikesalingam, DeepMind - Google)

Gracias
Mirko J. Rodríguez
mirko.rodriguezm@gmail.com
https://linkedin.com/in/mirkorodriguez/

Referencias:
● [1] Siewert B, Sosna J, McNamara A, Raptopoulos V, Kruskal JB (2008) Missed lesions at abdominal
oncologic CT: lessons learned from quality assurance. Radiographics 28:623–638.
● [2] Nelson HD, Pappas M, Cantor A, Griffin J, Damges M, Humphrey L (2016) Harms of breast
cancer screening: systematic review to update the 2009 U.S. Preventive services task force
recommendation. Ann Intern Med 164(4):256–267.
● [3] Brady A, (2017) Error and discrepancy in radiology: inevitable or avoidable? Insights Imaging
(2017) 8:171–182

Inteligencia Artificial en Salud

Más contenido relacionado

La actualidad más candente

Similar a Inteligencia Artificial en Salud

Último

Inteligencia Artificial en Salud