Los científicos marcaron las décadas de 1970 y 1990 como dos “inviernos de IA” distintos, cuando los pronósticos soleados para la inteligencia industrial dieron paso al pesimismo sombrío a medida que los proyectos no cumplieron con las expectativas. IBM vendió su Watson Health basado en IA a una firma de hacienda privado a principios de este año por lo que los analistas describen como valencia de rescate. ¿Podría esta transacción señalar un tercer invierno de IA?
La inteligencia industrial ha estado con nosotros más tiempo de lo que la mayoría de la parentela cree, llegando a una audiencia masiva con Rosey the Autómata en el software de televisión de la plazo de 1960 “The Jetsons”. Esta aplicación de IA, la sirvienta omnisciente que mantiene el hogar en funcionamiento, es la lectura de ciencia ficción. En un entorno váter, la inteligencia industrial es limitada.
Con la intención de intervenir en una tarea específica, el concepto es similar a los escenarios del mundo positivo, como cuando una máquina computarizada vence a un campeón de ajedrez humano. El ajedrez son datos estructurados con reglas predefinidas sobre dónde moverse, cómo moverse y cuándo se apetencia el charnela. Los registros electrónicos de pacientes, en los que se cimiento la inteligencia industrial, no se adaptan a los límites limpios de un tablero de ajedrez.
El problema es resumir e informar datos precisos de los pacientes. MedStar Health ve prácticas descuidadas de registros de lozanía electrónicos que perjudican a médicos, enfermeras y pacientes. El sistema hospitalario tomó medidas iniciales para centrar la atención pública en el tema en 2010 y el esfuerzo continúa hoy. La campaña de concientización de MedStar usurpa el siglas “EHR”, convirtiéndolo en “los errores ocurren regularmente” para dejar clara la empresa.
Al analizar el software de los principales proveedores de EHR, MedStar descubrió que ingresar datos a menudo no es intuitivo y las pantallas hacen que sea confuso para los médicos interpretar la información. El software de registros de pacientes a menudo no tiene conexión con la forma en que los médicos y las enfermeras trabajan efectivamente, lo que provoca aún más errores.
Los ejemplos de errores de datos médicos aparecen en revistas médicas, los medios de comunicación y los casos judiciales, y van desde un código defectuoso que elimina información crítica hasta cambiar misteriosamente el apartado de los pacientes. Transmitido que no existe un sistema de notificación formal, no existe un número definitivo de errores médicos basados en datos. La entrada probabilidad de que se viertan datos incorrectos en aplicaciones de inteligencia industrial descarrila su potencial.
El expansión de la inteligencia industrial comienza con el entrenamiento de un operación para detectar patrones. Se ingresan los datos y cuando se obtiene una muestra lo suficientemente ancho, se prueba el operación para ver si identifica correctamente ciertos atributos del paciente. A pesar del término “estudios espontáneo”, que implica un proceso en constante progreso, la tecnología se prueba y se implementa como el expansión de software tradicional. Si los datos subyacentes son correctos, los algoritmos correctamente entrenados automatizarán las funciones y harán que los médicos sean más eficientes.
Tomemos, por ejemplo, el diagnosis de condiciones médicas basadas en imágenes oculares. En un paciente el ojo está sano; en otro, el ojo muestra signos de retinopatía diabética. Se capturan imágenes de luceros sanos y “enfermos”. Cuando se ingresan suficientes datos de pacientes en el sistema de inteligencia industrial, el operación aprenderá a identificar a los pacientes con la enfermedad.
Andrew Beam, profesor de la Universidad de Harvard con experiencia en el sector privado en estudios espontáneo, presentó un tablado preocupante de lo que podría salir mal sin que nadie lo supiera. Usando el ejemplo del ojo mencionado, digamos que a medida que se atiende a más pacientes, se alimentan más imágenes del ojo al sistema, que ahora está integrado en el flujo de trabajo clínico como un proceso automatizado. Hasta aquí todo correctamente. Pero digamos que las imágenes incluyen pacientes tratados con retinopatía diabética. Esos pacientes tratados tienen una pequeña cicatriz de una incisión con láser. Ahora se engaña al operación para que busque pequeñas cicatrices.
Por otra parte de la confusión de datos, los médicos no se ponen de acuerdo entre ellos sobre lo que efectivamente significan miles de puntos de datos de pacientes. Se requiere la intervención humana para decirle al operación qué datos despabilarse, y están codificados como etiquetas para leída cibernética. Otras preocupaciones incluyen actualizaciones de software EHR que pueden crear errores. Un hospital puede cambiar de proveedor de software, lo que resulta en lo que se denomina cambio de datos, cuando la información se traslada a otra parte.
Eso es lo que sucedió en el MD Anderson Cancer Center y fue la razón técnica por la que terminó la primera asociación de IBM. El entonces director ejecutante de IBM, Ginni Rometty, describió el acuerdo, anunciado en 2013, como el “tiro a la reflejo” de la atención médica de la compañía. MD Anderson’s declaró, en un comunicado de prensa, que usaría Watson Health en su empresa de erradicar el cáncer. Dos primaveras más tarde la sociedad fracasó. Para seguir delante, ambas partes tendrían que retornar a entrenar el sistema para comprender los datos del nuevo software. Fue el principio del fin para Watson Health de IBM.
La inteligencia industrial en el cuidado de la lozanía es tan buena como los datos. La administración de precisión de los datos de los pacientes no es ciencia ficción ni un “disparo a la reflejo”, pero es esencial para que la IA tenga éxito. La alternativa es una tecnología sanitaria prometedora que se congela en el tiempo.
Foto: MF3d, Getty Images
