Un equipo de investigadores de la Universidad de Nottingham, en el Reino Unido, ha encontrado que los sistemas de inteligencia artificial pueden ser mejor en evaluar a pacientes con riesgos de ataques cardiacos que los médicos usando un protocolo estándar. En un artículo que han publicado en PLoS ONE, el equipo describe cómo probaron cuatro sistemas de IA contra el protocolo que los médicos usan. Incluso los resultados parecen mostrar que hay espacio aún para mejoras en los sistemas.
La mayoría de los doctores usan un protocolo, una guía, creada por el Colegio Americano de Cardiología y la Asociación del Corazón Americano. Esto es esencialmente un cuestionario que mide los factores de salud de los pacientes y genera un resultado estadístico.
La guía toma en cuenta la edad del paciente, peso, presión sanguínea y niveles de colesterol. Investigaciones pasadas han mostrado que usando esta guía los doctores pueden medir el riesgo de un paciente de la posibilidad de tener un infarto en un 72.8%, lo cual es un valor muy alto. Pero hay que reconocer que el 27.2% de este resultado son personas que mueren, probablemente de manera innecesaria.
En este nuevo esfuerzo, los investigadores buscan que los sistemas de IA pudiesen hacerlo mejor que los médicos. Para ello han analizado cuatro sistemas que usan regresión logística, bosque azaroso, redes neuronales e impulsador de gradientes.
A cada sistema se le dio miles de registros de pacientes de una base de datos médica británica. La idea era ver cómo estos sistemas podían identificar los riesgos. Los datos van del 2005 al 2015.
Los investigadores encontraron que los cuatros sistemas de IA lo hicieron mejor que el promedio de los médicos usando el protocolo conocido, llegado a 74.5% al 76.4% correcto, lo que hubiese significado unos 355 pacientes que quizá no hubiesen muerto.
Los médicos hallaron que los sistemas encuentran además que una enfermedad mental como el uso de corticosteroides orales pudiesen ser también un factor de riesgo. Así, los investigadores piensan que tal vez añadiendo otros valores de forma manual podrían mejorar los resultados de los sistemas.
Referencias: PLoS ONE, Medical Xpress