Inteligencia artificial y Machine Learning. Aplicaciones en ciencias de la salud

Seminario General Doctorado en Farmacología

Pérez-Guerrero Edsaúl Emilio

Instituto de Investigación en Ciencias Biomédicas/Universidad de Guadalajara

marzo, 2024

Objetivo

Comprender los conceptos generales sobre Inteligencia artificial y Machine learning y sus aplicaciones en ciencias de la salud.

Esta plática está pensada como una introducción a la Inteligencia artificial y Machine learning

Agenda

  • Introducción a la Inteligencia Artificial (IA) y el Machine Learning (ML)
  • Diferencias entre IA, ML y deep learning
  • ¿Cómo funciona la IA y el ML?
  • ¿Por qué es relevante la IA y el ML en ciencias de la salud?
  • Aplicaciones prácticas
  • ¿Cómo comenzar en en la AI y el ML?
  • Limitantes de la IA y el ML
  • Conclusiones y perspectivas

Introducción y conceptos básicos

Inteligencia artificial y machine learning en todos lados

Google

Netflix

Inteligencia artificial y machine learning en todos lados

Asistentes personales

Spam

Inteligencia artificial y machine learning en todos lados

Predicciones impulsadas por IA

Tarifas dinámicas

Inteligencia artificial y machine learning en todos lados

Editores de texto o autocorrección

Semaforos

Historia de la IA y el ML

Historia de la IA y el ML

Diferencias entre IA, ML y deep learning

Inteligencia artificial (IA), Machine learning (ML) y Deep learning

Conceptos similares

  • Inteligencia artificial
  • Machine learning
  • Deep learning

¿Qué son?

¿Son lo mismo?

¿Cuales son sus diferencias?

IA, ML y Deep learning

(Gupta et al., 2021), (Quazi, 2022) ::: footer

:::

IA, ML y Deep learning

Inteligencia Artificial Machine Learning Deep Learning
Rama de la informática que desarrolla sistemas capaces de realizar tareas que normalmente requerirían inteligencia humana. Subconjunto de IA que se centra en la capacidad de las máquinas para aprender de los datos. Subconjunto de ML que utiliza redes neuronales profundas para analizar patrones en los datos.
Basado en reglas y lógica para la toma de decisiones. Aprendizaje automático a partir de datos Aprendizaje a través de la abstracción y reconocimiento de patrones en grandes conjuntos de datos.

(Gupta et al., 2021)

¿Cómo funciona la AI y el ML?

¿Cómo funciona la AI y el ML?. AI y ML en todos lados

Esto es un perro

¿Cómo funciona la AI y el ML?. AI y ML en todos lados

Estos también son perros

¿Cómo funciona la AI y el ML?. AI y ML en todos lados

¿Cómo sé que un perro es un perro?

¿Cómo funciona la AI y el ML?. AI y ML en todos lados

AI y ML ¿Cómo funcionan?

(Gupta et al., 2021), (Quazi, 2022)

AI y ML ¿Cómo funcionan?

AI y ML ¿Cómo funcionan?

AI y ML ¿Cómo funcionan?

(Deo, 2015)

Algunos algoritmos utilizados en AI y ML

Algunos algoritmos en ML (Gupta et al., 2021), (Quazi, 2022)

Aprendizaje supervisado

Aprendizaje supervisado

Ejemplo de aprendizaje supervisado en ciencias de la salud

(Chiappa et al., 2023)

Aprendizaje No supervisado en ciencias de la salud

Aprendizaje No supervisado

Ejemplo de aprendizaje No supervisado en ciencias de la salud

(Shvetcov et al., 2023)

Aprendizaje por refuerzo

Tipos apredinzaje

¿Por qué son relevantes la AI y ML en ciencias de la salud?

Cantidad de articulos publicados en PubMed

Cantidad de articulos publicados en Google Scholar

Cantidad de articulos publicados Web of Science

Cantidad de articulos publicados en PubMed sin revisiones

Cantidad de articulos publicados en Web of Science sin revisioness

¿De qué hablan las publicaciones?

Abstracts publicados en Pubmed 2020-2024

¿De qué hablan las publicaciones?

Títulos de artículos publicados en Pubmed 2020-2024

Algunos ejemplos y aplicaciones de la IA y el ML en medicina y ciencias de la salud

Machine learning for clinical decision

La consideración de datos completos de pacientes de entornos de atención médica socioeconómicamente diversos, incluida la atención primaria y los países de ingresos bajos y medianos, puede mejorar la capacidad de decisiones soportadas por ML para sugerir decisiones adaptadas a diversos contextos clínicos (Peiffer-Smadja et al., 2020)

Machine learning for clinical decision

Algunos usos de la IA y el ML en ciencias de la salud

Detección y diagnóstico en enfermeadades neurodegenerativas (Myszczynska et al., 2020)

Avances en el diagnóstico temprano de enfermedades neurodegenerativas

Medicina personalizada

  • Khanna et al. desarrollaron un modelo de aprendizaje automático de árbol mejorado para predecir el tiempo hasta el diagnóstico de la enfermedad de Alzheimer en sujetos normales y pacientes con deterioro cognitivo leve basándose en información del genotipo, neuroimagen y datos clínicos, incluidas medidas neuropsicológicas, adquiridos por la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer (Khanna et al., 2018)

  • Lin et al. desarrollaron un modelo de aprendizaje profundo para predecir la respuesta al tratamiento antidepresivo en pacientes con trastorno depresivo mayor basándose en datos de SNP, demográficos y clínicos, logrando una sensibilidad del 75 % y una especificidad del 69 % (Lin et al., 2018)

Medicina personalizada

(Hinestrosa et al., 2023)

Medicina personalizada

(Hinestrosa et al., 2023)

Medicina personalizada Hinestrosa et al. (2023)

(Hinestrosa et al., 2023)

Medicina personalizada

Desarrollo de fármacos

(Vamathevan et al., 2019)

Gestión hospitalaria y predicción

Gestión hospitalaria con ML

  • Diseñaron un algoritmo para evaluar la gravedad de los pacientes con COVID-19 y las necesidades de intubación dinámica y predecir la duración de su estadía utilizando las señales de frecuencia respiratoria (BF) y saturación de oxígeno (SpO 2 ) (Boussen et al., 2022)

  • La puntuación MS 24 permitió distinguir tres niveles de gravedad con mayor riesgo de intubación: verde (3,4%), naranja (37%) y rojo (77%)

  • Algoritmo útil para decidir que pacientes son intubados y cuales no

Aplicación en la gestión hospitalaria

  • El objetivo de este estudio fueron desarrollar y evaluar un modelo predictivo clínico basado en registros médicos electrónicos para identificar necesidades de salud complejas de alto riesgo (Ming et al., 2023)

  • El modelo demostró ser útil

Aplicación en el Monitoreo de pacientes

  • Estudio en el que se aplicó el uso de redes nueronales con datos farmacocinéticos y farmacodinámicos

  • El objetivo principal de este estudio es construir un modelo empírico que prediga cambios en la produndidad de la anestesia durante las infusiones controladas de propofol y remifentanilo

  • El modelo de aprendizaje profundo fue mejor que la medición del método tradicional (H.-C. Lee et al., 2018)

Aplicaciones de la IA en emergencias

Campo Aplicación Método Autores
Triage Predecir resultados de hospitalización y cuidados críticos; Regresión de lazo, random forest, redes nueronales (Raita et al., 2019)
Predicción del riesgo específico de la enfermedad Detectar el asma pediátrica durante la clasificación utilizando datos clínicos combinados con información sobre el clima, las características del vecindario, la carga viral de la comunidad y el estado socioeconómico Máquina de aumento de gradiente, árbol de decisión, bosque aleatorio y regresión con lazo (Patel et al., 2018 )

Aplicaciones de la IA en emergencias

Campo Aplicación Método Autores
Imágenes Desarrollar modelos de aprendizaje profundo para predecir fracturas en radiografías de muñeca Regresión multivariada y modelo potenciado por gradiente para extraer inferencias causales (Lindsey et al., 2018)
Imágenes Ecocardiograma y predicción de la mortalidad. Redes neuronales convolucionales (Feng et al., 2018)
Cirugiías Desarrollar una política de programación óptima para minimizar los tiempos de espera Aprendizaje reforzado (S. Lee & Lee, 2020)

Aplicaciones de IA en diversas enfermedades

Enfermedad Algoritmos Aplicación Autores
COVID-19 Regresión lasso, Support vector machine Estimación de la cantidad de personas futuras afectadas por el COVID-19, (Rustam F, 2020)
Infarto cerebral Support vector machine Predicción de infarto cerebral utilizando datos del crecimiento de hematomas. (Liu et al., 2019)

Aplicaciones de IA en diversas enfermedades

Enfermedad Algoritmos Aplicación Autores
Tumor cerebral Support vector machine, k vecinos más cercanos, Radio Frecuencias, Linear Discriminant Analysis Diagnóstico (G, 2019)
Enfermedades hepáticas Support vector machine Algoritmos con una mayor tasa de precisión para identificar enfermedades hepáticas (Durai V, 2019)
Alzheimer Support vector machine Diagnóstico (Kulkarni & Bairagi, 2017)

¿Cómo comenzar en IA y ML?

¿Cuándo? ¿Por qué?

  1. Manejo de Grandes Cantidades de Datos

  2. Análisis Multidimensional

  3. Reconocimiento de Patrones Complejos

  4. Predicción Mejorada

  5. Automatización

  1. Flexibilidad

  2. Manejo de Datos No Estructurados

  3. Actualización en Tiempo Real

  4. Interdisciplinariedad

  5. Simulaciones y Modelos Computacionales

(Wiemken & Kelley, 2020)

Una guía general para comenzar

Recursos de aprendizaje

Plataformas y herramientas

Recomendaciones

  1. Aprende lo Básico:

    • Matemáticas
    • Programación: Aprende Python o R

  2. Comienza con conceptos fundamentales:

  3. Manos a la Obra

    • Comienza con modelos simples y juegos de datos estándar para practicar.
    • Participa en competencias en plataformas como Kaggle.

  4. Proyectos Prácticos

    • Trabaja en tus propios proyectos.

  5. Mantente Actualizado

Problemas por resolver

Problemas por resolver

Calidad y Variedad de Datos

  • Los datos médicos son inherentemente heterogéneos, provienen de diversas fuentes y pueden variar en calidad (Liu et al., 2021)
  • Los datos pueden estar incompletos, ser ruidosos o contener errores (Liu et al., 2021)

Interpretabilidad y Transparencia

Problemas por resolver

Generalización

  • Los modelos entrenados en un conjunto específico de datos o en una población particular pueden no generalizarse bien a otros conjuntos de datos o poblaciones (Haug & Drazen, 2023)

Validación Clínica

  • Antes de ser utilizados en un entorno clínico real, los modelos de ML deben ser validados rigurosamente, un proceso que puede ser largo y costos (Hu et al., 2021)

Problemas por resolver

Ética y Responsabilidad

  • Determinar la responsabilidad en caso de errores o malentendidos causados por predicciones de ML puede ser problemático (Mathiesen & Broekman, 2022–)

Desafíos Técnicos

  • Algoritmos altamente especializados para abordar problemas específicos (Hu et al., 2021)
  • Datos con alta dimensionalidad o estructura temporal, pueden presentar desafíos adicionales (Hu et al., 2021)

Problemas por resolver

Sesgo y Equidad

  • Los datos médicos pueden contener sesgos inherentes que, si no se abordan adecuadamente, pueden llevar a que los modelos que reproduzcan o amplifiquen esos sesgos (Haug & Drazen, 2023)
  • Esto puede resultar en decisiones inexactas para ciertos grupos de pacientes.

Resistencia al Cambio

  • La introducción de nuevas tecnologías en la práctica médica puede enfrentar resistencia de profesionales que están acostumbrados a métodos y procedimientos tradicionales (Haug & Drazen, 2023)

Conclusiones

Comentarios finales

  • IA y ML tiene un potencial significativo en el ámbito de la medicina y las ciencias de la salud. Su aplicación puede mejorar la precisión diagnóstica, personalizar tratamientos, acelerar el descubrimiento de fármacos y optimizar la gestión hospitalaria.

  • Si bien el IA y ML ofrecen muchas oportunidades en medicina, también presenta desafíos, especialmente en términos de la calidad de los datos

  • Hay una variedad de herramientas y software disponibles para trabajar en IA y ML, lo que facilita su adopción

  • Es probable que la IA y el ML jueguen un papel aún más crucial en la transformación de la atención médica.

Contacto y presentación

  • edsaul.perezg@academicos.udg.mx
  • edsaul.perez@gmail.com
  • EdsaulPerez en X

Referencias

Boussen, S., Cordier, P.-Y., Malet, A., Simeone, P., Cataldi, S., Vaisse, C., Roche, X., Castelli, A., Assal, M., Pepin, G., Cot, K., Denis, J.-B., Morales, T., Velly, L., & Bruder, N. (2022). Triage and monitoring of COVID-19 patients in intensive care using unsupervised machine learning. Computers in Biology and Medicine, 142, 105192. https://doi.org/https://doi.org/10.1016/j.compbiomed.2021.105192
Chiappa, V., Bogani, G., Interlenghi, M., Vittori Antisari, G., Salvatore, C., Zanchi, L., Ludovisi, M., Leone Roberti Maggiore, U., Calareso, G., Haeusler, E., Raspagliesi, F., & Castiglioni, I. (2023). Using Radiomics and Machine Learning Applied to MRI to Predict Response to Neoadjuvant Chemotherapy in Locally Advanced Cervical Cancer. Diagnostics (Basel), 13(19). https://doi.org/10.3390/diagnostics13193139
Currie, G., Hawk, K. E., Rohren, E., Vial, A., & Klein, R. (2019). Machine Learning and Deep Learning in Medical Imaging: Intelligent Imaging [Doi: 10.1016/j.jmir.2019.09.005]. Journal of Medical Imaging and Radiation Sciences, 50(4), 477-487. https://doi.org/10.1016/j.jmir.2019.09.005
Deo, R. C. (2015). Machine Learning in Medicine. Circulation, 132(20), 1920-1930. https://doi.org/10.1161/CIRCULATIONAHA.115.001593
Durai V, K. D., Ramesh S. (2019). Liver disease prediction using machine learning. Int J Adv Res Ideas Innov Technol, 2(5).
Erickson, B. J., Korfiatis, P., Akkus, Z., & Kline, T. L. (2017). Machine Learning for Medical Imaging. RadioGraphics, 37(2), 505-515. https://doi.org/10.1148/rg.2017160130
Feng, M., McSparron, J. I., Kien, D. T., Stone, D. J., Roberts, D. H., Schwartzstein, R. M., Vieillard-Baron, A., & Celi, L. A. (2018). Transthoracic echocardiography and mortality in sepsis: analysis of the MIMIC-III database. Intensive Care Med, 44(6), 884-892. https://doi.org/10.1007/s00134-018-5208-7
G, E. B. Çınarer. (2019). Classification of brain tumors by machine learning algorithms. In: 2019 3rd International Symposium on Multidisciplinary Studies and Innovative Technologies. Int J Adv Res Ideas Innov Technol, 5(2), 1584-1588.
Goto, T., Camargo, J., Carlos A., Faridi, M. K., Freishtat, R. J., & Hasegawa, K. (2019). Machine Learning–Based Prediction of Clinical Outcomes for Children During Emergency Department Triage. JAMA Network Open, 2(1), e186937-e186937. https://doi.org/10.1001/jamanetworkopen.2018.6937
Gupta, R., Srivastava, D., Sahu, M., Tiwari, S., Ambasta, R. K., & Kumar, P. (2021). Artificial intelligence to deep learning: machine intelligence approach for drug discovery. Molecular Diversity, 25(3), 1315-1360. https://doi.org/10.1007/s11030-021-10217-3
Haug, C. J., & Drazen, J. M. (2023). Artificial Intelligence and Machine Learning in Clinical Medicine, 2023. New England Journal of Medicine, 388(13), 1201-1208. https://doi.org/10.1056/NEJMra2302038
Hinestrosa, J. P., Sears, R. C., Dhani, H., Lewis, J. M., Schroeder, G., Balcer, H. I., Keith, D., Sheppard, B. C., Kurzrock, R., & Billings, P. R. (2023). Development of a blood-based extracellular vesicle classifier for detection of early-stage pancreatic ductal adenocarcinoma. Communications Medicine, 3(1), 146. https://doi.org/10.1038/s43856-023-00351-4
Hu, M., Shu, X., Yu, G., Wu, X., Välimäki, M., & Feng, H. (2021). A Risk Prediction Model Based on Machine Learning for Cognitive Impairment Among Chinese Community-Dwelling Elderly People With Normal Cognition: Development and Validation Study. J Med Internet Res, 23(2), e20298. https://doi.org/10.2196/20298
Khanna, S., Domingo-Fernández, D., Iyappan, A., Emon, M. A., Hofmann-Apitius, M., & Fröhlich, H. (2018). Using Multi-Scale Genetic, Neuroimaging and Clinical Data for Predicting Alzheimer’s Disease and Reconstruction of Relevant Biological Mechanisms. Scientific Reports, 8(1), 11173. https://doi.org/10.1038/s41598-018-29433-3
Kulkarni, N., & Bairagi, V. (2017). Extracting salient features for EEG-based diagnosis of Alzheimer’s disease using support vector machine classifier. IETE Journal of Research, 63(11), 11-22.
Lee, H.-C., Ryu, H.-G., Chung, E.-J., & Jung, C.-W. (2018). Prediction of Bispectral Index during Target-controlled Infusion of Propofol and Remifentanil: A Deep Learning Approach. Anesthesiology, 128(3), 492-501. https://doi.org/10.1097/ALN.0000000000001892
Lee, S., & Lee, Y. H. (2020). Improving Emergency Department Efficiency by Patient Scheduling Using Deep Reinforcement Learning. Healthcare (Basel), 8(2). https://doi.org/10.3390/healthcare8020077
Lin, E., Kuo, P.-H., Liu, Y.-L., Yu, Y. W.-Y., Yang, A. C., & Tsai, S.-J. (2018). A Deep Learning Approach for Predicting Antidepressant Response in Major Depression Using Clinical and Genetic Biomarkers. Frontiers in Psychiatry, 9. https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00290
Lindsey, R., Daluiski, A., Chopra, S., Lachapelle, A., Mozer, M., Sicular, S., Hanel, D., Gardner, M., Gupta, A., Hotchkiss, R., & Potter, H. (2018). Deep neural network improves fracture detection by clinicians. Proc Natl Acad Sci U S A, 115(45), 11591-11596. https://doi.org/10.1073/pnas.1806905115
Liu, J., Chen, Y., Li, S., Zhao, Z., & Wu, Z. (2021). Machine learning in orthodontics: Challenges and perspectives. Advances in Clinical and Experimental Medicine, 30. https://doi.org/10.17219/acem/138702
Liu, J., Xu, H., Chen, Q., Zhang, T., Sheng, W., Huang, Q., Song, J., Huang, D., Lan, L., Li, Y., Chen, W., & Yang, Y. (2019). Prediction of hematoma expansion in spontaneous intracerebral hemorrhage using support vector machine. EBioMedicine, 43, 454-459. https://doi.org/10.1016/j.ebiom.2019.04.040
MacEachern, S. J., & Forkert, N. D. (2021). Machine learning for precision medicine. Genome, 64(4), 416-425. https://doi.org/10.1139/gen-2020-0131
Mathiesen, T., & Broekman, M. (2022–). Machine Learning and Ethics (V. E. Staartjes, L. Regli, & C. Serra, Eds.; pp. 251-256). Springer International Publishing.
Ming, D. Y., Zhao, C., Tang, X., Chung, R. J., Rogers, U. A., Stirling, A., Economou-Zavlanos, N. J., & Goldstein, B. A. (2023). Predictive Modeling to Identify Children With Complex Health Needs At Risk for Hospitalization. Hospital Pediatrics, 13(5), 357-369. https://doi.org/10.1542/hpeds.2022-006861
Munjal, N. K., Fleischman, A. D., & Coller, R. J. (2023). Machine Learning, Predicting Future Hospitalizations, and the Importance of Perception. Hospital Pediatrics, 13(5), e114-e116. https://doi.org/10.1542/hpeds.2023-007224
Myszczynska, M. A., Ojamies, P. N., Lacoste, A. M. B., Neil, D., Saffari, A., Mead, R., Hautbergue, G. M., Holbrook, J. D., & Ferraiuolo, L. (2020). Applications of machine learning to diagnosis and treatment of neurodegenerative diseases. Nature Reviews Neurology, 16(8), 440-456. https://doi.org/10.1038/s41582-020-0377-8
Patel, S. J., Chamberlain, D. B., & Chamberlain, J. M. (2018). A Machine Learning Approach to Predicting Need for Hospitalization for Pediatric Asthma Exacerbation at the Time of Emergency Department Triage. Acad Emerg Med, 25(12), 1463-1470. https://doi.org/10.1111/acem.13655
Peiffer-Smadja, N., Rawson, T. M., Ahmad, R., Buchard, A., Georgiou, P., Lescure, F.-X., Birgand, G., & Holmes, A. H. (2020). Machine learning for clinical decision support in infectious diseases: a narrative review of current applications [Doi: 10.1016/j.cmi.2019.09.009]. Clinical Microbiology and Infection, 26(5), 584-595. https://doi.org/10.1016/j.cmi.2019.09.009
Quazi, S. (2022). Artificial intelligence and machine learning in precision and genomic medicine. Med Oncol, 39(8), 120. https://doi.org/10.1007/s12032-022-01711-1
Raita, Y., Goto, T., Faridi, M. K., Brown, D. F. M., Camargo, C. A. J., & Hasegawa, K. (2019). Emergency department triage prediction of clinical outcomes using machine learning models. Crit Care, 23(1), 64. https://doi.org/10.1186/s13054-019-2351-7
Rustam F, M. A., Reshi AA. (2020). COVID-19 future forecasting using supervised machine learning models. IEEE Access, 8(2020), 101489-101499.
Shvetcov, A., Thomson, S., Spathos, J., Cho, A.-N., Wilkins, H. M., Andrews, S. J., Delerue, F., Couttas, T. A., Issar, J. K., Isik, F., Kaur, S., Drummond, E., Dobson-Stone, C., Duffy, S. L., Rogers, N. M., Catchpoole, D., Gold, W. A., Swerdlow, R. H., Brown, D. A., & Finney, C. A. (2023). Blood-Based Transcriptomic Biomarkers Are Predictive of Neurodegeneration Rather Than Alzheimer’s Disease. International Journal of Molecular Sciences, 24(19), 15011. https://doi.org/10.3390/ijms241915011
Vamathevan, J., Clark, D., Czodrowski, P., Dunham, I., Ferran, E., Lee, G., Li, B., Madabhushi, A., Shah, P., Spitzer, M., & Zhao, S. (2019). Applications of machine learning in drug discovery and development. Nature Reviews Drug Discovery, 18(6), 463-477. https://doi.org/10.1038/s41573-019-0024-5
Wiemken, T. L., & Kelley, R. R. (2020). Machine Learning in Epidemiology and Health Outcomes Research. Annual Review of Public Health, 41(1), 21-36. https://doi.org/10.1146/annurev-publhealth-040119-094437
Yin, M., Zhang, R., Zhou, Z., Liu, L., Gao, J., Xu, W., Yu, C., Lin, J., Liu, X., Xu, C., & Zhu, J. (2022). Automated Machine Learning for the Early Prediction of the Severity of Acute Pancreatitis in Hospitals. Frontiers in Cellular and Infection Microbiology, 12. https://doi.org/10.3389/fcimb.2022.886935

Seminario General Doctorado en Farmacología