Thomas J.S. Durant. Aprendizaje automático en el laboratorio de medicina: ahora y el camino por delante. Clin Lab News Mar 1.2019. Department of Laboratory Medicine Yale University School of Medicine New Haven. USA
A medida que la demanda de atención médica continúa creciendo exponencialmente, también lo hace el volumen de las pruebas de laboratorio. Al igual que en otros sectores, la investigación en el campo de la medicina de laboratorio ha comenzado a investigar el uso del aprendizaje automático (ML: machine learning) para aliviar la carga de la creciente demanda de servicios y mejorar la calidad y la seguridad.
Durante la última década, el rendimiento estadístico de ML en tareas de referencia ha mejorado significativamente debido a la mayor disponibilidad de computación de alta velocidad en unidades de procesamiento gráfico, integración de redes neuronales convolucionales, optimización de aprendizaje profundo y conjuntos de datos cada vez más grandes. Los detalles de estos logros están más allá del alcance de este artículo. Sin embargo, el consenso emergente es que el rendimiento general de los ML supervisados (algoritmos que se basan en conjuntos de datos etiquetados) ha alcanzado un punto de inflexión en el que los laboratorios clínicos deberían considerar seriamente las aplicaciones de misión crítica a nivel empresarial.
En los últimos años, las publicaciones de investigaciones relacionadas con el ML han aumentado significativamente en patología y medicina de laboratorio. Sin embargo, a pesar de los avances recientes en la tecnología y el creciente cuerpo de literatura, existen pocos ejemplos de ML implementados en la práctica clínica de rutina. De hecho, algunos de los ejemplos más destacados de ML en la práctica actual se desarrollaron antes de la inflexión reciente en publicaciones relacionadas con el mismo.
Esto subraya la posibilidad de que, a pesar de los avances tecnológicos, el progreso en el ML sigue siendo lento debido a las limitaciones intrínsecas de los conjuntos de datos disponibles, el estado de la tecnología de ML en sí y otras barreras.
A medida que la medicina de laboratorio continúa experimentando la digitalización y la automatización, los laboratorios clínicos probablemente se enfrentarán a los desafíos asociados con la evaluación, implementación y validación de algoritmos de ML, tanto dentro como fuera de sus laboratorios. Comprender para qué es bueno el ML, dónde se puede aplicar, y las limitaciones y el estado del campo del mismo serán útiles para los profesionales del laboratorio. Este artículo analiza las implementaciones actuales de la tecnología ML en los flujos de trabajo de los laboratorios clínicos modernos, así como las posibles barreras para alinear los dos campos históricamente distantes.
¿Dónde está aprendiendo la máquina?
A medida que el ML sigue siendo adoptado e integrado en la compleja infraestructura de los sistemas de información de salud, sigue siendo una pregunta abierta cómo el ML puede influir en la práctica de la medicina de laboratorio . En particular, es importante considerar las barreras para la implementación e identificar a los interesados para el control, el desarrollo, la validación y el mantenimiento. Sin embargo, los laboratorios clínicos deben considerar primero la siguiente pregunta ¿la aplicación del ML está dentro o fuera de su implementación de un laboratorio?.....
Leer el articulo completo
(*) Una vez que esta en la pagina del articulo, pulsando el botón derecho puede acceder a su traducción al idioma español. Este blog de bioquímica-clínica está destinado a profesionales 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. Las páginas de este blog se renuevan cada 5 días en forma automática. Cordiales saludos.
Dr. Anibal E. Bagnarelli, Bioquímico-Farmacéutico-UBA. Ciudad de Buenos Aires, Argentina
