Acceso usuarios
Clara Bermúdez Tamayo, Jaime Jiménez Pernett
La creciente disponibilidad de grandes conjuntos de datos y de nuevos métodos analíticos, sumado a los avances simultáneos en la infraestructura de las tecnologías de la información (TIC) y la cobertura poblacional de la tecnología móvil, han motivado la esperanza de que la IA permita abordar los retos sanitarios futuros. La IA puede utilizar algoritmos sofisticados para “aprender” características de un gran volumen de datos sanitarios y utilizar los conocimientos obtenidos para ayudar a la práctica clínica. También puede estar dotada de capacidades de aprendizaje y autocorrección para mejorar su precisión en función de la información recibida. Los dispositivos de IA utilizados en el ámbito de la salud se pueden dividir en dos categorías principales: las técnicas de aprendizaje automático (Machine Learning - ML) que analizan datos estructurados como los datos de imagen, genéticos y electrofisiológicos, que intentan agrupar los rasgos de los pacientes o inferir la probabilidad de los resultados de la enfermedad, y los métodos de procesamiento del lenguaje natural (PNL) que extraen información de datos no estructurados como notas clínicas/revistas médicas para complementar y enriquecer los datos médicos estructurados. Las limitaciones actuales de la iHealth y la eHealth en general incluyen los costes financieros, las barreras culturales, lingüísticas y de alfabetización, los problemas de suministro de energía, la seguridad de los datos y los problemas de privacidad. Los puestos de trabajo en el sector sanitario con más probabilidades de ser automatizados parecen ser aquellos en los que parte de sus tareas implican el manejo de información digital, como la radiología y la patología, al contrario de aquellos basados en las relaciones humanas y el contacto directo con pacientes.
The increasing availability of large data sets and new analytical methods, coupled with simultaneous advances in information technology (ICT) infrastructure and mobile population coverage, have given rise to the hope that AI will address future health challenges. AI can use sophisticated algorithms to “learn” characteristics of a large volume of health data and use the knowledge gained to support clinical practice. It may also be equipped with learning and self-correcting capabilities to improve accuracy based on the information received. AI devices used in health can be divided into two main categories: Machine Learning (ML) techniques that analyze structured data such as image, genetic, and electrophysiological data, which attempt to group patient traits or infer the probability of disease outcomes, and natural language processing (NLP) methods that extract information from unstructured data such as clinical notes/medical journals to supplement and enrich structured medical data. Current limitations of iHealth and eHealth in general include financial costs, cultural, language and literacy barriers, power supply problems, data security, and privacy issues. Healthcare jobs most likely to be automated appear to be those where part of their tasks involves the management of digital information, such as radiology and pathology. contrary to those based on human relationships and direct contact with patients.
