Giuseppe Lippi y Mario Plebani. Luces y sombras de la inteligencia artificial en el laboratorio de medicina. De Gruyter Brill-Adv Lab Med 2025; 6(1): 4-6. Section of Clinical Biochemistry, University Hospital of Verona, Piazzale.
Editorial
Aunque actualmente no existe una definición ampliamente aceptada de Inteligencia Artificial (IA), esta se suele describir como el empleo de sistemas informáticos para simular la inteligencia humana, con el propósito de realizar una extensa variedad de tareas que requieren razonamiento, aprendizaje y toma de decisiones. El término “Inteligencia Artificial” fue acuñado por John McCarthy et al. a mediados de los años cincuenta, que la definieron como “la ciencia e ingeniería para desarrollar máquinas inteligentes que den muestras de pensamiento crítico comparable al de los humanos” . Desde entonces, los notables avances tecnológicos han mejorado la potencia y las aplicaciones de las herramientas de IA, habiendo pasado esta a formar parte integral del ámbito personal y profesional de la población.
Entre los principales componentes de la IA se incluyen el aprendizaje automático (machine learning, ML), que consiste en una serie de algoritmos diseñados para mejorar de forma autónoma mediante la experiencia, y el aprendizaje profundo (deep learning, DL), un subconjunto de herramientas de ML que emplean redes neuronales con múltiples capas para analizar datos complejos. Las propias redes neuronales son modelos computacionales que replican la estructura del cerebro humano y que cuentan con capacidades como el reconocimiento de patrones y el desarrollo de modelos predictivos. La IA generativa, una rama de la IA, emplea modelos de DL y se centra principalmente en generar contenido nuevo, incluyendo textos (p.ej. Large Language Models, LLMs), imágenes y música, entre otros.
En el campo de la medicina, se han desarrollado sistemas de IA para mejorar la eficiencia y precisión, especialmente en tareas como el diagnóstico de patologías a partir de datos de imagen y el procesamiento de grandes volúmenes de datos clínicos y diagnósticos . Debido al uso extendido de la tecnología y a su potencial para generar una gran cantidad de información clínica (llamada “big data”) en forma de resultados analíticos, la IA ha ido ganando impulso en el campo de la medicina de laboratorio.
Una encuesta reciente de la Federación Europea de Química Clínica y Medicina de Laboratorio (EFLM) reveló el elevado interés entre los profesionales de laboratorio en la formación en IA, aun cuando solo una minoría (aproximadamente el 25 %) de los laboratorios encuestados estaban inmersos en algún proyecto de IA.
Independientemente de las diferentes percepciones observadas entre los profesionales de laboratorio, resulta indiscutible que la IA seguirá desempeñando un papel cada vez más preeminente en la organización y actividad de los laboratorios médicos. En el momento actual, ya se están implementando varias herramientas de IA, como los modelos de ML para la optimización del procesamiento de muestras y gestión del control de calidad y los módulos de verificación y validación automática integrados en el sistema informático del laboratorio (LIMS), así como técnicas de morfología digital en hematología de laboratorio. Además, los modelos de DL están siendo esenciales a la hora de manejar e interpretar los conjuntos de datos masivos generados en los estudios de investigación en el campo de la genómica y la proteómica.
Un ejemplo paradigmático de la forma en que la IA puede apoyar la toma de decisiones clínicas es el ensayo clínico aleatorizado simple ciego realizado recientemente en el que se asignó aleatoriamente a médicos de familia y a especialistas en medicina interna y urgencias para que emplearan los recursos tradicionales únicamente o tuvieran acceso a los mismos recursos complementados con LLM. Aunque el empleo de LLM no mejoró de manera significativa el razonamiento clínico en comparación con el uso exclusivo de los recursos tradicionales (mediana de puntuación de razonamiento diagnóstico por caso: 76 % frente a 74 %; p=0,60), la mediana de puntuación de razonamiento diagnóstico del LLM empleado exclusivamente fue del 92 %, mejorando las puntuaciones de las dos cohortes de facultativos en más del 16 %.
Aunque cada vez está más asumido que la IA va a pasar a formar parte integral de la organización y las actividades de los servicios de laboratorio clínico de todo el mundo, aun quedan algunas dificultades por resolver (Tabla 1). El primer problema es la limitada flexibilidad de la IA a la hora de interpretar los datos analíticos. Frente a la cognición humana, que es capaz de emplear el juicio intuitivo y el razonamiento gestáltico, los sistemas de IA carecen todavía de la capacidad adaptativa necesaria para interpretar datos con el mismo nivel de comprensión contextual. El mismo principio sería aplicable al reconocimiento de imágenes...........
Editorial completa y su bibliografía
(*) 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 18 de Noviembre
Dr. Anibal E. Bagnarelli,
Bioquímico-Farmacéutico,UBA.
Cordiales saludos.
Ciudada de Buenos Aires. R. Argentina
