(De izquierda a derecha:) Regina Barzilay es Profesora Distinguida de IA y Salud de la Facultad de Ingenier\u00eda y codirectora de IA del MIT Jameel Clinic. Collin Stultz es profesor de ingenier\u00eda el\u00e9ctrica e inform\u00e1tica y cardi\u00f3logo en el Hospital General de Massachusetts. Fotini Christia es profesora de ciencias pol\u00edticas y directora del Centro de Investigaci\u00f3n de Sistemas Sociot\u00e9cnicos. Cr\u00e9dito: Instituto Tecnol\u00f3gico de Massachusetts <\/p>\n
El potencial de la inteligencia artificial para generar equidad en la atenci\u00f3n de la salud ha estimulado importantes esfuerzos de investigaci\u00f3n. Las disparidades raciales, de g\u00e9nero y socioecon\u00f3micas han afectado tradicionalmente a los sistemas de atenci\u00f3n de la salud en formas que son dif\u00edciles de detectar y cuantificar. Sin embargo, las nuevas tecnolog\u00edas de IA est\u00e1n proporcionando una plataforma para el cambio. <\/p>\n
Regina Barzilay, Profesora Distinguida de IA y Salud de la Escuela de Ingenier\u00eda y codirectora de la facultad de IA para la Cl\u00ednica MIT Jameel; Fotini Christia, profesor de ciencias pol\u00edticas y director del Centro de Investigaci\u00f3n de Sistemas Sociot\u00e9cnicos del MIT; y Collin Stultz, profesor de ingenier\u00eda el\u00e9ctrica y ciencias de la computaci\u00f3n y cardi\u00f3logo en el Hospital General de Massachusetts, discuten aqu\u00ed el papel de la IA en la atenci\u00f3n m\u00e9dica equitativa, las soluciones actuales y las implicaciones pol\u00edticas. Los tres son copresidentes de la Conferencia AI for Healthcare Equity, que tendr\u00e1 lugar el 12 de abril.<\/p>\n
P: \u00bfC\u00f3mo puede AI ayudar a abordar las disparidades raciales, de g\u00e9nero y socioecon\u00f3micas en los sistemas de atenci\u00f3n m\u00e9dica?<\/p>\n
Stultz: Muchos factores contribuyen a las disparidades econ\u00f3micas en los sistemas de atenci\u00f3n m\u00e9dica. Por un lado, hay pocas dudas de que el sesgo humano inherente contribuye a los resultados de salud dispares en las poblaciones marginadas. Aunque el sesgo es una parte ineludible de la psique humana, es insidioso, omnipresente y dif\u00edcil de detectar. Los individuos, de hecho, son notoriamente malos para detectar sesgos preexistentes en su propia percepci\u00f3n del mundo, un hecho que ha impulsado el desarrollo de pruebas de asociaci\u00f3n impl\u00edcitas que permiten comprender c\u00f3mo el sesgo subyacente puede afectar la toma de decisiones. <\/p>\n
La IA proporciona una plataforma para el desarrollo de m\u00e9todos que pueden hacer realidad la medicina personalizada, asegurando as\u00ed que las decisiones cl\u00ednicas se tomen de manera objetiva con el objetivo de minimizar los resultados adversos en diferentes poblaciones. El aprendizaje autom\u00e1tico, en particular, describe un conjunto de m\u00e9todos que ayudan a las computadoras a aprender de los datos. En principio, estos m\u00e9todos pueden ofrecer predicciones imparciales que se basan \u00fanicamente en an\u00e1lisis objetivos de los datos subyacentes.<\/p>\n
Desafortunadamente, sin embargo, el sesgo no solo afecta la forma en que las personas perciben el mundo que les rodea, sino que tambi\u00e9n influye en los conjuntos de datos que utilizamos. utilizar para construir modelos. Los conjuntos de datos de observaci\u00f3n que almacenan las caracter\u00edsticas y los resultados de los pacientes a menudo reflejan el sesgo subyacente de los proveedores de atenci\u00f3n m\u00e9dica; por ejemplo, ciertos tratamientos pueden ofrecerse preferentemente a aquellos que tienen un nivel socioecon\u00f3mico alto. En resumen, los algoritmos pueden heredar nuestros propios sesgos. Por lo tanto, hacer que la medicina personalizada sea una realidad se basa en nuestra capacidad para desarrollar e implementar herramientas imparciales que aprendan las decisiones espec\u00edficas del paciente a partir de datos cl\u00ednicos observacionales. Para el \u00e9xito de este esfuerzo es fundamental el desarrollo de m\u00e9todos que puedan identificar el sesgo algor\u00edtmico y sugerir estrategias de mitigaci\u00f3n cuando se identifique el sesgo.<\/p>\n
Las decisiones cl\u00ednicas informadas, objetivas y espec\u00edficas del paciente son el futuro de la atenci\u00f3n cl\u00ednica moderna. . El aprendizaje autom\u00e1tico contribuir\u00e1 en gran medida a hacer de esto una realidad, logrando conocimientos cl\u00ednicos basados en datos sin prejuicios impl\u00edcitos que puedan influir en las decisiones de atenci\u00f3n m\u00e9dica.<\/p>\n
P: \u00bfCu\u00e1les son algunas de las soluciones de IA que se est\u00e1n desarrollando actualmente en este espacio? <\/p>\n
Barzilay: En la mayor\u00eda de los casos, las predicciones sesgadas se pueden atribuir a las propiedades de distribuci\u00f3n de los datos de entrenamiento. Por ejemplo, cuando alguna poblaci\u00f3n est\u00e1 subrepresentada en los datos de entrenamiento, es probable que el clasificador resultante tenga un rendimiento inferior en este grupo. Por defecto, los modelos est\u00e1n optimizados para el rendimiento general, por lo que, sin darse cuenta, prefieren adaptarse a la clase mayoritaria, a expensas del resto. Si somos conscientes de estos grupos minoritarios en los datos, tenemos varios medios para dirigir nuestro algoritmo de aprendizaje hacia un comportamiento justo. Por ejemplo, podemos modificar el objetivo de aprendizaje en el que imponemos una precisi\u00f3n constante en diferentes grupos, o volver a sopesar la importancia de los ejemplos de capacitaci\u00f3n, amplificando \u00abla voz\u00bb del grupo minoritario.<\/p>\n
Otra fuente com\u00fan de sesgo se relaciona con \u00abvariaciones molestas\u00bb donde las etiquetas de clasificaci\u00f3n exhiben correlaciones idiosincr\u00e1sicas con algunas caracter\u00edsticas de entrada que son espec\u00edficas del conjunto de datos y es poco probable que se generalicen. En un conjunto de datos infame con tal propiedad, el estado de salud de los pacientes con el mismo historial m\u00e9dico depend\u00eda de su raza. Este sesgo fue un artefacto desafortunado de la forma en que se construyeron los datos de entrenamiento, pero result\u00f3 en una discriminaci\u00f3n sistem\u00e1tica de los pacientes negros. Si tales sesgos se conocen de antemano, podemos mitigar su efecto obligando al modelo a reducir el efecto de tales atributos. Sin embargo, en muchos casos, se desconocen los sesgos de nuestros datos de entrenamiento. Es seguro asumir que el entorno en el que se aplicar\u00e1 el modelo probablemente muestre alguna divergencia distribucional con respecto a los datos de entrenamiento. Para mejorar la tolerancia de un modelo a tales cambios, una serie de enfoques (como la minimizaci\u00f3n del riesgo invariable) entrenan expl\u00edcitamente el modelo para generalizar s\u00f3lidamente a nuevos entornos.<\/p>\n
Sin embargo, debemos ser conscientes de que los algoritmos no son varitas m\u00e1gicas que puede corregir todos los errores en los datos de entrenamiento desordenados del mundo real. Esto es especialmente cierto cuando no somos conscientes de la peculiaridad de un conjunto de datos espec\u00edfico. Desafortunadamente, este \u00faltimo escenario es com\u00fan en el \u00e1mbito de la atenci\u00f3n m\u00e9dica, donde la curaci\u00f3n de datos y el aprendizaje autom\u00e1tico a menudo son realizados por diferentes equipos. Estos sesgos \u00abocultos\u00bb ya han resultado en la implementaci\u00f3n de herramientas de IA que cometen errores sistem\u00e1ticos en ciertas poblaciones (como el modelo descrito anteriormente). En tales casos, es esencial proporcionar a los m\u00e9dicos herramientas que les permitan comprender la l\u00f3gica detr\u00e1s de las predicciones del modelo y detectar las predicciones sesgadas lo antes posible. Una gran cantidad de trabajo en aprendizaje autom\u00e1tico se dedica hoy al desarrollo de modelos transparentes que pueden comunicar su razonamiento interno a los usuarios. En este punto, nuestra comprensi\u00f3n de qu\u00e9 tipos de fundamentos son particularmente \u00fatiles para los m\u00e9dicos es limitada, ya que las herramientas de IA a\u00fan no forman parte de la pr\u00e1ctica m\u00e9dica de rutina. Por lo tanto, uno de los objetivos clave de la Cl\u00ednica Jameel del MIT es implementar algoritmos cl\u00ednicos de IA en hospitales de todo el mundo y estudiar emp\u00edricamente su desempe\u00f1o en diferentes poblaciones y entornos cl\u00ednicos. Estos datos informar\u00e1n el desarrollo de la pr\u00f3xima generaci\u00f3n de herramientas de IA justas y autoexplicables. <\/p>\n
P: \u00bfCu\u00e1les son las implicaciones pol\u00edticas para las agencias gubernamentales y la industria de una IA m\u00e1s equitativa para el cuidado de la salud?<\/p>\n
Christia: El uso de la IA en el cuidado de la salud ahora es una realidad y para Las agencias gubernamentales y la industria para cosechar los beneficios de una IA m\u00e1s equitativa para el cuidado de la salud, necesitan crear un ecosistema de IA. Deben trabajar en estrecha colaboraci\u00f3n y comprometerse con los m\u00e9dicos y los pacientes para priorizar la calidad de las herramientas de IA que se emplean en este espacio, asegur\u00e1ndose de que est\u00e9n seguras y listas para el horario de m\u00e1xima audiencia. Esto significa que las herramientas de IA que se implementan deben probarse bien y conducir a mejoras tanto en la capacidad de los m\u00e9dicos como en la experiencia del paciente.<\/p>\n
A tal efecto, los actores gubernamentales y de la industria deben pensar en campa\u00f1as educativas que informen profesionales de la salud sobre la importancia de intervenciones espec\u00edficas de IA para complementar y aumentar su trabajo para abordar la equidad. M\u00e1s all\u00e1 de los m\u00e9dicos, tambi\u00e9n debe haber un enfoque en generar confianza con los pacientes de minor\u00edas de que la introducci\u00f3n de estas herramientas de IA dar\u00e1 como resultado una atenci\u00f3n mejor y m\u00e1s equitativa en general. Es particularmente importante ser tambi\u00e9n transparente sobre lo que significa el uso de la IA en la salud para el paciente individual, as\u00ed como mitigar las preocupaciones sobre la privacidad de los datos de los pacientes de poblaciones minoritarias que a menudo no conf\u00edan en un sistema de atenci\u00f3n m\u00e9dica \u00abbien intencionado\u00bb, dado transgresiones hist\u00f3ricas en su contra.<\/p>\n
En el \u00e1mbito regulatorio, las agencias gubernamentales necesitar\u00edan armar un marco que les permitiera tener claridad sobre el financiamiento de la IA y la responsabilidad con la industria y los profesionales de la salud para que la m\u00e1s alta calidad Las herramientas de IA se implementan al mismo tiempo que se minimizan los riesgos asociados para los m\u00e9dicos y los pacientes que las usan. Los reglamentos deber\u00edan dejar en claro que los m\u00e9dicos no subcontratan completamente su responsabilidad a la m\u00e1quina y delinear los niveles de responsabilidad profesional por la salud de sus pacientes. Al trabajar en estrecha colaboraci\u00f3n con la industria, los m\u00e9dicos y los pacientes, las agencias gubernamentales tambi\u00e9n tendr\u00edan que monitorear a trav\u00e9s de los datos y la experiencia del paciente la efectividad real de las herramientas de IA para abordar las disparidades en la atenci\u00f3n m\u00e9dica en el terreno y estar en sinton\u00eda para mejorarlas. <\/p>\n
Explore m\u00e1s<\/p>\n
La investigaci\u00f3n encuentra que la mayor\u00eda de los entrenamientos sobre prejuicios impl\u00edcitos en el cuidado de la salud carecen de la base adecuada Proporcionado por el Instituto de Tecnolog\u00eda de Massachusetts <\/p>\n
Esta historia se vuelve a publicar por cortes\u00eda de MIT News (web.mit.edu\/newsoffice\/), un sitio popular que cubre noticias sobre investigaci\u00f3n, innovaci\u00f3n y ense\u00f1anza del MIT. <\/p>\n
Cita<\/strong>: Inteligencia artificial para la equidad en el cuidado de la salud (24 de marzo de 2021) consultado el 30 de agosto de 2022 de https:\/\/medicalxpress.com\/news\/2021-03-artificial-intelligence-health- equidad.html Este documento est\u00e1 sujeto a derechos de autor. Aparte de cualquier trato justo con fines de estudio o investigaci\u00f3n privados, ninguna parte puede reproducirse sin el permiso por escrito. El contenido se proporciona \u00fanicamente con fines informativos.<\/p>\n","protected":false},"excerpt":{"rendered":" (De izquierda a derecha:) Regina Barzilay es Profesora Distinguida de IA y Salud de la Facultad de Ingenier\u00eda y codirectora de IA del MIT Jameel Clinic. Collin Stultz es profesor de ingenier\u00eda el\u00e9ctrica e inform\u00e1tica y cardi\u00f3logo en el Hospital General de Massachusetts. Fotini Christia es profesora de ciencias pol\u00edticas y directora del Centro de … Continuar leyendo \u00abInteligencia artificial para la equidad en la atenci\u00f3n m\u00e9dica\u00bb<\/span><\/a><\/p>\n","protected":false},"author":1,"featured_media":0,"comment_status":"","ping_status":"","sticky":false,"template":"","format":"standard","meta":{"footnotes":""},"categories":[1],"tags":[],"class_list":["post-17330","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/17330","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/comments?post=17330"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/17330\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=17330"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=17330"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=17330"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}