Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico <\/p>\n
El r\u00e1pido despliegue de la inteligencia artificial y el aprendizaje autom\u00e1tico para abordar el coronavirus a\u00fan debe pasar por controles y equilibrios \u00e9ticos, o corremos el riesgo de da\u00f1ar a comunidades ya desfavorecidas en la prisa por vencer la enfermedad. <\/p>\n
Esto es lo que afirman los investigadores del Centro Leverhulme para el Futuro de la Inteligencia (CFI) de la Universidad de Cambridge en dos art\u00edculos, publicados hoy en el British Medical Journal, que advierten contra el uso ciego de la IA para la recopilaci\u00f3n de datos y la toma de decisiones m\u00e9dicas. mientras luchamos por recuperar algo de normalidad en 2021.<\/p>\n
\u00abRelajar los requisitos \u00e9ticos en una crisis podr\u00eda tener consecuencias da\u00f1inas no deseadas que duran mucho m\u00e1s all\u00e1 de la vida de la pandemia\u00bb, dijo el Dr. Stephen Cave, director de CFI y autor principal de uno de los art\u00edculos.<\/p>\n
\u00abLa introducci\u00f3n repentina de una IA compleja y opaca, que automatiza los juicios que alguna vez hicieron los humanos y absorbe informaci\u00f3n personal, podr\u00eda socavar la salud de los grupos desfavorecidos, as\u00ed como la salud a largo plazo\u00bb. confianza p\u00fablica en la tecnolog\u00eda\u00bb.<\/p>\n
En otro art\u00edculo, en coautor\u00eda de la Dra. Alexa Hagerty de CFI, los investigadores destacan las posibles consecuencias que surgen de la IA que ahora toma decisiones cl\u00ednicas a escala para predecir las tasas de deterioro de los pacientes que podr\u00edan no necesita ventilaci\u00f3n, por ejemplo, si lo hace en base a datos sesgados.<\/p>\n
Los conjuntos de datos utilizados para \u00abentrenar\u00bb y refinar los algoritmos de aprendizaje autom\u00e1tico est\u00e1n inevitablemente sesgados en contra de los grupos que acceden a los servicios de salud con menos frecuencia, como las comunidades \u00e9tnicas minoritarias y aquellos de \u00abnivel socioecon\u00f3mico m\u00e1s bajo\u00bb.<\/p>\n
\u00abCOVID-19 ya ha tenido un impacto desproporcionado en las comunidades vulnerables. Sabemos que estos sistemas pueden discriminar, y cualquier sesgo algor\u00edtmico en el tratamiento de la enfermedad podr\u00eda dar un golpe m\u00e1s brutal\u00bb, dijo Hagerty.<\/p>\n
En diciembre, se produjeron protestas cuando el algoritmo del Centro M\u00e9dico de Stanford prioriz\u00f3 a los trabajadores a domicilio para la vacunaci\u00f3n sobre aquellos en las salas de COVID.\u00bbLos algoritmos ahora se usan a escala local, nacional y global para definir la asignaci\u00f3n de vacunas. En muchos casos, la IA juega un papel central para determinar qui\u00e9n est\u00e1 mejor posicionado para sobrevivir a la pandemia\u00bb, dijo Hagerty.<\/p>\n
\u00abEn una crisis de salud de esta magnitud, hay mucho en juego para la justicia y la equidad. \u00ab<\/p>\n
Junto con sus colegas, Hagerty destaca el bien establecido \u00abarrastre de discriminaci\u00f3n\u00bb que se encuentra en la IA que utiliza la tecnolog\u00eda de \u00abprocesamiento del lenguaje natural\u00bb para recoger perfiles de s\u00edntomas de los registros m\u00e9dicos, lo que refleja y exacerba los prejuicios contra las minor\u00edas que ya est\u00e1n en el caso. notas.<\/p>\n
Se\u00f1alan que algunos hospitales ya usan estas tecnolog\u00edas para extraer informaci\u00f3n de diagn\u00f3stico de una variedad de registros, y algunos ahora est\u00e1n usando esta IA para identificar s\u00edntomas de infecci\u00f3n por COVID-19.<\/p>\n
Del mismo modo, el uso de aplicaciones de seguimiento y localizaci\u00f3n crea el potencial para conjuntos de datos sesgados.Los investigadores escriben que, en el Reino Unido, m\u00e1s del 20 % de los mayores de 15 a\u00f1os carecen de las habilidades digitales esenciales, y hasta el 10 % de la poblaci\u00f3n \u00absubgrupos\u00bb no poseen tel\u00e9fonos inteligentes.<\/p>\n
\u00abYa sea que se originen fr Desde los registros m\u00e9dicos o las tecnolog\u00edas cotidianas, los conjuntos de datos sesgados aplicados de una manera \u00fanica para hacer frente a COVID-19 podr\u00edan resultar perjudiciales para quienes ya est\u00e1n en desventaja\u00bb, dijo Hagerty.<\/p>\n
En los art\u00edculos de BMJ, el Los investigadores se\u00f1alan ejemplos como el hecho de que la falta de datos sobre el color de la piel hace que sea casi imposible que los modelos de IA produzcan c\u00e1lculos precisos a gran escala de los niveles de ox\u00edgeno en la sangre. O c\u00f3mo una herramienta algor\u00edtmica utilizada por el sistema penitenciario de EE. UU. para calibrar la reincidencia y que se ha demostrado que tiene prejuicios raciales se ha reutilizado para gestionar su riesgo de infecci\u00f3n por COVID-19.<\/p>\n
El Centro Leverhulme para el Futuro de la Inteligencia lanz\u00f3 recientemente el primer M\u00e1ster de \u00e9tica en IA. Para Cave y sus colegas, el aprendizaje autom\u00e1tico en la era COVID debe verse a trav\u00e9s del prisma de la \u00e9tica biom\u00e9dica, en particular los \u00abcuatro pilares\u00bb.<\/p>\n
El primero es la beneficencia. \u00abEl uso de la IA est\u00e1 destinado a salvar vidas, pero eso no debe usarse como una justificaci\u00f3n general para establecer precedentes no deseados, como el uso generalizado de software de reconocimiento facial\u00bb, dijo Cave.<\/p>\n
En India, la tecnolog\u00eda biom\u00e9trica los programas de identidad pueden estar vinculados a la distribuci\u00f3n de vacunas, lo que plantea preocupaciones sobre la privacidad y la seguridad de los datos. Otros algoritmos de asignaci\u00f3n de vacunas, incluidos algunos utilizados por la alianza COVAX, est\u00e1n impulsados por IA de propiedad privada, dice Hagerty. \u00abLos algoritmos patentados dificultan mirar dentro de la ‘caja negra’ y ver c\u00f3mo determinan las prioridades de las vacunas\u00bb.<\/p>\n
El segundo es la ‘no maleficencia’, o evitar da\u00f1os innecesarios. Un sistema programado \u00fanicamente para preservar la vida no considerar\u00e1 tasas de ‘COVID largo’, por ejemplo. En tercer lugar, la autonom\u00eda humana debe ser parte del c\u00e1lculo. Los profesionales deben confiar en las tecnolog\u00edas y los dise\u00f1adores deben considerar c\u00f3mo los sistemas afectan el comportamiento humano, desde las precauciones personales hasta las decisiones de tratamiento.<\/p>\n
Finalmente, la IA basada en datos debe estar respaldada por ideales de justicia social. \u00abNecesitamos involucrar a diversas comunidades y consultar a una variedad de expertos, desde ingenieros hasta equipos m\u00e9dicos de primera l\u00ednea. Debemos ser abiertos sobre los valores y las compensaciones inherentes a estos sistemas\u00bb, dijo Cave.<\/p>\n
\u00bb La IA tiene el potencial de ayudarnos a resolver problemas globales, y la pandemia es, sin duda, uno de los principales. Pero confiar en una IA poderosa en este momento de crisis trae desaf\u00edos \u00e9ticos que deben tenerse en cuenta para garantizar la confianza del p\u00fablico\u00bb. <\/p>\n
Explore m\u00e1s<\/p>\n
Siga las \u00faltimas noticias sobre el brote de coronavirus (COVID-19) M\u00e1s informaci\u00f3n:<\/strong> Uso \u00e9tico de la IA para abordar el COVID-19, British Medical Journal (2021). DOI: 10.1136\/bmj.n364<\/p>\n \u00bfLa \u00abIA\u00bb significa aumentar la desigualdad en la era de la atenci\u00f3n m\u00e9dica por COVID-19? Revista m\u00e9dica brit\u00e1nica (2021). DOI: 10.1136\/bmj.n304 Informaci\u00f3n de la revista:<\/strong> British Medical Journal (BMJ) <\/p>\n","protected":false},"excerpt":{"rendered":" Cr\u00e9dito: Pixabay\/CC0 Dominio p\u00fablico El r\u00e1pido despliegue de la inteligencia artificial y el aprendizaje autom\u00e1tico para abordar el coronavirus a\u00fan debe pasar por controles y equilibrios \u00e9ticos, o corremos el riesgo de da\u00f1ar a comunidades ya desfavorecidas en la prisa por vencer la enfermedad. Esto es lo que afirman los investigadores del Centro Leverhulme para … Continuar leyendo \u00abEl uso de la IA para combatir el COVID-19 corre el riesgo de da\u00f1ar a los ‘grupos desfavorecidos’, advierten los expertos\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-18209","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/18209","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=18209"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/18209\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=18209"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=18209"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=18209"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}