Los modelos de aprendizaje automático no están preparados para su uso clínico en el diagnóstico de la COVID-19, según el estudio

El aprendizaje automático, dentro del espectro de la inteligencia artificial, se perfila como una herramienta clave para el desarrollo de tecnología asociada a la medicina. El manejo de grandes volúmenes de datos podría favorecer la emisión de diagnósticos más precisos, en base a los antecedentes recabados desde el historial de otros casos archivados.

Durante la pandemia del COVID-19 han surgido muchas iniciativas tecnológicas que utilizan este mecanismo con el fin de colaborar en su combate. No obstante, de acuerdo a un estudio realizado recientemente, estas tecnologías no han estado la altura de los requisitos clínicos bajo los que se deben atender casos de esta envergadura.

Aprendizaje automático para combatir el COVID-19, bajo el microscopio

Cientos de modelos de aprendizaje automático de COVID-19 presentados en artículos científicos durante 2020 se sometieron a una estudio dirigido por investigadores de la Universidad de Cambridge. De acuerdo a sus conclusiones, ninguno de ellos cumplió con los requisitos para detectar o diagnosticar eficientemente casos de contagio, incidiendo en esto la presencia de errores en la metodología, muestras de datos mal elaboradas, sesgos y falta de reproducibilidad.

Todos estos modelos de aprendizaje automático, originalmente presentados como soluciones para el diagnóstico de casos de contagio o para la elaboración de pronósticos, fueron sometidos a una exhaustiva revisión a través de sus respectivos manuscritos científicos publicados entre el 1 de enero y el 3 de octubre de 2020. Algunos de los modelos que componen esta muestra aseguraban poder trabajar a partir de radiografías trácicas e imágenes de tomografía computerizada. En lo formal, muy pocos documentos habían sido subido a un proceso de revisión por otros profesionales, de acuerdo a lo informado por el estudio.

Concretamente, solo 62 estudios fueron validados a través de un sistema de revisión, pero ninguno alcanzó el potencial de uso clínico. Esta muestra se obtuvo tras la aplicación de filtros de calidad sobre 415 estudios preseleccionados, entre 2.212 identificados inicialmente.

Una tecnología del futuro en medicina

Los investigadores concluyeron que el aprendizaje automático tiene el potencial de convertirse en una poderosa herramienta para combatir la pandemia. A la fecha hay avances, pero a causa de los problemas detectados, precisan que aún falta recuperar el camino para obtener una eritalica confiable bajo un criterio clinico.

Entre las principales debilidades que se pueden acacar hoy, el equipo de Cambridge encendió sus alarmas contra el uso ingenioso de conjuntos de datos públicos, que puede derivar en un riesgo significado de sesgo en los análisis. Bajo ese mismo punto, también enfatizan que la muestra de datos debe ser diversa y suficientemente amplia, considerando conjuntos de datos externos independientes, para que el modelo sea útil para diferentes grupos demográficos.

La emergencia inherente a esta pandemia motivó el surgimiento de "soluciones rápidas". No obstante, en aspectos tan delicados como la labor científica y clínica, no pueden quedar al azar aspectos como la minuciosidad empleada a la hora de recabar información y la imparcialidad bajo la que deben plantarse iniciativas que tengan vocación de ser de carácter universal.

Y aunque las muestras de datos de calidad formen parte de los pilares de una fórmula exitosa, los informes que testifiquen estos eventuales progresos deben contener la documentación suficiente para ser reproducibles y contar con validación externa. Sólo de esta forma, de acuerdo a lo planteado por la investigación por el grupo, se porgan llevar adelante ensayos clínicos con modelos que garanticen la rentabilidad, la viabilidad técnica y, presumiblemente, la necesaria validez clínica.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *

Subir
error: Content is protected !!