Jiwon You, Hyeon Seok Seok, Sollip Kim, Hangsik Shin. Avanzando en la práctica del aprendizaje automático en el laboratorio de medicina: rápido pero preciso. Ann Lab Med. 2024; 45(1) :22–35. Department of Digital Medicine, Brain Korea 21 Project, Asan Medical Center, University of Ulsan College of Medicine, Seoul, Korea.
Resumen
El aprendizaje automático (ML) se estudia y aplica ampliamente en el análisis y la predicción de datos en diversos campos, incluida el laboratorio de medicina. Para evaluar exhaustivamente su aplicación, revisamos la literatura sobre aplicaciones de ML en el laboratorio de medicina publicada entre febrero de 2014 y marzo de 2024. Una búsqueda en PubMed mediante una cadena de búsqueda arrojó 779 artículos sobre el tema, de los cuales 144 fueron seleccionados para esta revisión. Estos artículos se analizaron para extraer y categorizar campos relacionados, objetivos de investigación, tipos de muestras, tipos de datos, modelos de ML, métricas de evaluación y tamaños de muestra. Se utilizaron diagramas de Sankey y gráficos circulares para ilustrar las relaciones entre categorías y las proporciones dentro de cada categoría. Descubrimos que la mayoría de los estudios que involucran la aplicación de ML en el laboratorio fueron diseñados para mejorar la eficiencia mediante la automatización o expandir las funciones de los laboratorios clínicos. Los modelos de ML más comunes utilizados son las redes neuronales convolucionales, los perceptrones multicapa y los modelos basados en árboles, que se seleccionan principalmente en función del tipo de datos de entrada. Nuestros hallazgos sugieren que, a medida que la tecnología evolucione, el aprendizaje automático adquirirá mayor relevancia en el laboratorio clínico como herramienta para ampliar las actividades de investigación. No obstante, es necesario mejorar la experiencia en aplicaciones de aprendizaje automático para utilizar esta tecnología eficazmente.
Introducción
En las últimas décadas, el aprendizaje automático (ML) ha avanzado significativamente en cuanto a capacidades analíticas y predictivas, consolidándose como una herramienta vital en diversos campos. Los avances en big data y computación de alto rendimiento han mejorado significativamente el rendimiento de los algoritmos de ML, lo que permite métodos más eficaces para abordar desafíos complejos. La capacidad del ML para analizar grandes conjuntos de datos e identificar patrones puede ayudar a los médicos en el diagnóstico y la predicción de resultados clínicos. Las aplicaciones del ML se han investigado en diversas áreas, como el análisis de imágenes médicas, el pronóstico de pacientes y la planificación personalizada de tratamientos. Algunos modelos han sido aprobados por la FDA, comercializados e implementados en la práctica clínica.
Además, el aprendizaje automático (ML) se ha investigado en el laboratorio clínico para reducir errores y mejorar la precisión y la fiabilidad de los resultados de las pruebas. El ML procesa o analiza grandes conjuntos de datos, lo que facilita la extracción de información significativa que, de otro modo, requeriría un gran esfuerzo manual. Por ejemplo, el ML ha mejorado la eficiencia de tareas repetitivas o que requieren mucha mano de obra, como la validación de resultados de pruebas de química general o el análisis de células sanguíneas y cultivos de orina. Gracias a sus capacidades de inferencia y análisis de big data, el ML puede mejorar sustancialmente el laboratorio clínico al gestionar eficazmente diversos tipos de datos que se analizan con frecuencia en la atención médica.
En esta revisión, evaluamos exhaustivamente el estado actual de las aplicaciones del aprendizaje automático en el laboratorio. Exploramos sus principales usos, los tipos de datos procesados, los resultados obtenidos y las características y consideraciones para la implementación de los principales modelos de aprendizaje automático. Con base en estos hallazgos, también examinamos los desafíos de investigación existentes e identificamos posibles tendencias de desarrollo futuras.
Búsqueda y selección de literatura
Buscamos en PubMed artículos originales que utilizaran ML en el laboratorio clínico y que se publicaron entre febrero de 2014 y marzo de 2024. La cadena de búsqueda se generó combinando palabras relacionadas con medicina de laboratorio con palabras clave relacionadas con ML y excluyendo temas no relacionados (p.ej genoma, resonancia magnética, tomografía computarizada, ultrasonido, electrocardiografía y electroencefalografía).
La estrategia de búsqueda se detalla en los Datos suplementarios. Inicialmente recuperamos 779 artículos. Un profesional del laboratorio primero excluyó los artículos fuera del alcance del laboratorio clínico según su título y resumen. Los artículos que cumplieron con la selección primaria se sometieron a una revisión de texto completo.
Los criterios de exclusión en la selección secundaria incluyeron: (i) los datos no se utilizaron en un proceso de prueba de laboratorio clínico o no se originaron a partir de una prueba de laboratorio; (ii) los datos no estaban relacionados con las tareas principales del laboratorio; (iii) los resultados de laboratorio sirvieron únicamente para la predicción de enfermedades; (iv) el modelo de ML utilizado no estaba especificado; (v) el texto completo no estaba disponible; (vi) el artículo no estaba escrito en inglés; y (vii) el artículo no presentaba investigación original. Cuando los resultados fueron ambiguos durante la evaluación secundaria, se revisó el texto completo para determinar su elegibilidad. Finalmente, se seleccionaron 144 artículos para nuestra revisión.........
(*) Una vez que esta en la pagina del Podcast, pulsando el botón derecho puede acceder a su traducción al idioma español Este blog de bioquímica-clínica está destinado a bioquímicos y médicos; la información que contiene es de actualización y queda a criterio y responsabilidad de los mencionados profesionales, el uso que le den a la misma.
Nueva presentación el 06 de Noviembre
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos.
Ciudada de Buenos Aires. R. Argentina
