Decirle a las personas enfermas que est\u00e1n sanas puede suceder cuando un m\u00e9dico humano ve a un paciente. Tambi\u00e9n sucede cuando la Inteligencia Artificial (IA) aprende a diagnosticar enfermedades. Pero dar una gran penalizaci\u00f3n a un algoritmo por falsos negativos da como resultado una precisi\u00f3n mucho mejor, seg\u00fan encuentran los investigadores de la UJ. La investigaci\u00f3n aparece en Informatics in Medicine Unlocked, en https:\/\/doi.org\/10.1016\/j.imu.2021.100690. Cr\u00e9dito: Dise\u00f1o gr\u00e1fico de Therese van Wyk, Universidad de Johannesburgo. Basado en im\u00e1genes de Pixabay. <\/p>\n
Cualquiera que espera los resultados de un examen m\u00e9dico conoce la pregunta ansiosa: \u00ab\u00bfMi vida cambiar\u00e1 por completo cuando lo sepa?\u00bb Y el alivio si da negativo. <\/p>\n
Hoy en d\u00eda, la inteligencia artificial (IA) se implementa cada vez m\u00e1s para predecir enfermedades potencialmente mortales. Pero sigue existiendo un gran desaf\u00edo para lograr que los algoritmos de aprendizaje autom\u00e1tico (ML) sean lo suficientemente precisos, espec\u00edficamente, para lograr que los algoritmos diagnostiquen correctamente si alguien est\u00e1 enfermo.<\/p>\n
El aprendizaje autom\u00e1tico (ML) es la rama de la IA donde los algoritmos aprenden de los conjuntos de datos y se vuelven m\u00e1s inteligentes en el proceso. \u00abDigamos que hay un conjunto de datos sobre una enfermedad grave. El conjunto de datos tiene 90 personas que no tienen la enfermedad. Pero 10 de las personas s\u00ed tienen la enfermedad\u00bb, dice el Dr. Ibomoiye Domor Mienye. Mienye es investigadora posdoctoral de IA en la Universidad de Johannesburgo (UJ).<\/p>\n
\u00abComo ejemplo, un algoritmo de ML dice que los 90 no tienen la enfermedad. Eso es correcto hasta ahora. Pero no diagnostica a los 10 que s\u00ed tienen la enfermedad. El algoritmo a\u00fan se considera con una precisi\u00f3n del 90 %\u00bb, dice.<\/p>\n
Esto se debe a que la precisi\u00f3n se ha definido de esta manera. Pero para los resultados de salud, puede ser urgente diagnosticar a las 10 personas con la enfermedad y ponerlas en tratamiento. Eso puede ser m\u00e1s importante que la precisi\u00f3n completa sobre los 90 que no tienen la afecci\u00f3n, agrega.<\/p>\n
Sanciones contra la IA<\/p>\n
En un estudio de investigaci\u00f3n publicado en Informatics in Medicine Unlocked, Mienye y el profesor Yanxia Sun muestran c\u00f3mo los algoritmos de ML se pueden mejorar significativamente para fines m\u00e9dicos. Utilizaron algoritmos de regresi\u00f3n log\u00edstica, \u00e1rbol de decisi\u00f3n, XGBoost y bosque aleatorio.<\/p>\n
Estos son algoritmos de clasificaci\u00f3n binaria supervisados. Eso significa que solo aprenden de los conjuntos de datos ‘s\u00ed\/no’ que se les proporcionan.<\/p>\n
Dr. Mienye y el profesor Sun pertenecen al Departamento de Ciencias El\u00e9ctricas e Ingenier\u00eda de la UJ. Los investigadores incorporaron la sensibilidad al costo en cada uno de los algoritmos. Esto significa que el algoritmo recibe una penalizaci\u00f3n mucho mayor por decirle a una persona enferma en el conjunto de datos que est\u00e1 sana, que al rev\u00e9s. En t\u00e9rminos m\u00e9dicos, los algoritmos obtienen mayores sanciones por falsos negativos que por falsos positivos.<\/p>\n
Dr. Mienye y el profesor Sun utilizaron conjuntos de datos de aprendizaje p\u00fablico para diabetes, c\u00e1ncer de mama, c\u00e1ncer de cuello uterino (858 registros) y enfermedad renal cr\u00f3nica (400 registros).<\/p>\n
Los conjuntos de datos provienen de grandes hospitales o programas de atenci\u00f3n m\u00e9dica. En estos conjuntos de datos binarios, las personas se clasifican como que tienen una enfermedad o que no la tienen.<\/p>\n
Los algoritmos que usaron tambi\u00e9n son binarios. Estos pueden decir \u00abs\u00ed la persona tiene la enfermedad\u00bb o \u00abno, no la tiene\u00bb. Probaron todos los algoritmos en cada conjunto de datos, tanto sin como con la sensibilidad al costo.<\/p>\n
Precisi\u00f3n y recuperaci\u00f3n significativamente mejoradas<\/p>\n
Los resultados dejan en claro que las penalizaciones funcionan seg\u00fan lo previsto en estos conjuntos de datos Para la enfermedad renal cr\u00f3nica, por ejemplo, el algoritmo Random Forest ten\u00eda una precisi\u00f3n de 0,972 y una recuperaci\u00f3n de 0,946, de un 1,000 perfecto. Despu\u00e9s de agregar la sensibilidad al costo, el algoritmo mejor\u00f3 significativamente con una precisi\u00f3n de 0,990 y una recuperaci\u00f3n perfecta de 1000.<\/p>\n
Para la ERC, la recuperaci\u00f3n de los otros tres algoritmos mejor\u00f3 de puntajes altos a una perfecta de 1000. La precisi\u00f3n de 1.000 significa que el algoritmo no predijo uno o m\u00e1s falsos positivos en todo el conjunto de datos. Recall at 1.000 significa que el algoritmo no predijo uno o m\u00e1s falsos negativos en todo el conjunto de datos.<\/p>\n
Con los otros conjuntos de datos, los resultados fueron diferentes para diferentes algoritmos. Para el c\u00e1ncer de cuello uterino, los algoritmos de bosque aleatorio y XGBoost sensibles a los costos mejoraron de puntajes altos a precisi\u00f3n y recuperaci\u00f3n perfectas. Sin embargo, la regresi\u00f3n log\u00edstica y los algoritmos del \u00e1rbol de decisi\u00f3n mejoraron a puntajes mucho m\u00e1s altos, pero no llegaron a 1.000.<\/p>\n
El problema de la precisi\u00f3n<\/p>\n
En general, los algoritmos han sido m\u00e1s precisos para decir que las personas no tienen una enfermedad que identificar a los que est\u00e1n enfermos, dice Mienye. Este es un desaf\u00edo constante en la IA del cuidado de la salud.<\/p>\n
La raz\u00f3n es la forma en que aprenden los algoritmos. Los algoritmos aprenden de conjuntos de datos que provienen de grandes hospitales o programas estatales de atenci\u00f3n m\u00e9dica. Pero la mayor\u00eda de las personas en esos conjuntos de datos no tienen las condiciones para las que est\u00e1n siendo evaluadas, dice Mienye. \u00abEn un gran hospital, una persona ingresa para hacerse una prueba de enfermedad renal cr\u00f3nica (ERC). Su m\u00e9dico la envi\u00f3 all\u00ed porque algunos de sus s\u00edntomas son s\u00edntomas de la ERC. Al m\u00e9dico le gustar\u00eda descartar la ERC. Resulta que la persona no no tener ERC.<\/p>\n
\u00abEsto le sucede a mucha gente. El conjunto de datos termina con m\u00e1s personas que no tienen ERC que personas que s\u00ed la tienen. A esto lo llamamos un conjunto de datos desequilibrado\u00bb.<\/p>\n
Cuando un algoritmo comienza a aprender del conjunto de datos, aprende mucho menos sobre la ERC de lo que deber\u00eda y no es lo suficientemente preciso para diagnosticar pacientes enfermos a menos que el algoritmo se ajuste para el desequilibrio.<\/p>\n
AI al otro lado de un paseo en bote<\/p>\n
Mienye creci\u00f3 en un pueblo cerca del Oc\u00e9ano Atl\u00e1ntico, al que no se puede acceder por carretera. \u00abTienes que usar una lancha r\u00e1pida del pueblo m\u00e1s cercano para llegar. El viaje en bote dura de dos a tres horas\u00bb, dice. La cl\u00ednica m\u00e1s cercana est\u00e1 en la ciudad m\u00e1s grande, al otro lado del paseo en bote. El profundo entorno rural de su pueblo natal lo inspir\u00f3 a ver c\u00f3mo la IA puede ayudar a las personas con pocos recursos. o sin acceso a la atenci\u00f3n m\u00e9dica.<\/p>\n
Una anciana de su pueblo es un buen ejemplo de c\u00f3mo los algoritmos de inteligencia artificial m\u00e1s avanzados pueden ayudar en el futuro, dice. Un algoritmo de aprendizaje autom\u00e1tico multiclase sensible a los costos podr\u00eda evaluar los datos medidos para su presi\u00f3n arterial, niveles de sodio, az\u00facar en la sangre y m\u00e1s.<\/p>\n
Si sus datos se registran correctamente en una computadora, y el algoritmo aprende de un conjunto de datos multiclase, esa IA futura podr\u00eda decirle al personal de la cl\u00ednica en qu\u00e9 etapa de la enfermedad renal cr\u00f3nica enfermedad en la que se encuentra. Sin embargo, este escenario de aldea est\u00e1 en el futuro.<\/p>\n
Mientras tanto, los cuatro algoritmos del estudio con sensibilidad al costo son mucho m\u00e1s precisos en el diagn\u00f3stico de enfermedades en sus conjuntos de datos num\u00e9ricos. Y aprenden r\u00e1pidamente, usando el computadora ordinaria que uno podr\u00eda esperar encontrar en un pueblo remoto. <\/p>\n
Explo m\u00e1s<\/p>\n
Algoritmos de aprendizaje autom\u00e1tico utilizados para detectar la enfermedad de Alzheimer durante conversaciones telef\u00f3nicas M\u00e1s informaci\u00f3n:<\/strong> Ibomoiye Domor Mienye et al, An\u00e1lisis de rendimiento de m\u00e9todos de aprendizaje sensibles al costo con aplicaci\u00f3n a datos m\u00e9dicos desequilibrados, Inform\u00e1tica en Medicina desbloqueada (2021). DOI: 10.1016\/j.imu.2021.100690 Proporcionado por la Universidad de Johannesburgo Cita<\/strong>: Dar sanciones a la IA para obtener mejores diagn\u00f3sticos (2021, 1 de noviembre) consultado el 29 de agosto de 2022 en https:\/\/medicalxpress.com\/news \/2021-11-ai-penalties.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":" Decirle a las personas enfermas que est\u00e1n sanas puede suceder cuando un m\u00e9dico humano ve a un paciente. Tambi\u00e9n sucede cuando la Inteligencia Artificial (IA) aprende a diagnosticar enfermedades. Pero dar una gran penalizaci\u00f3n a un algoritmo por falsos negativos da como resultado una precisi\u00f3n mucho mejor, seg\u00fan encuentran los investigadores de la UJ. La … Continuar leyendo \u00abDar penalizaciones a la IA para obtener mejores diagn\u00f3sticos\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-3558","post","type-post","status-publish","format-standard","hentry","category-general"],"_links":{"self":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/3558","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=3558"}],"version-history":[{"count":0,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/posts\/3558\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/media?parent=3558"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/categories?post=3558"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/www.biblia.work\/articulos-salud\/wp-json\/wp\/v2\/tags?post=3558"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}