AETSA 2009-6 Algoritmos Geneticos

7/24/2019 AETSA 2009-6 Algoritmos Geneticos

1/60


2/60


3/60

ALGORITMOSGENTICOSYSISTEMASEXPERTOS 1


4/60

2 INFORMES, ESTUDIOSEINVESTIGACIN


5/60


Aplicacin de

algoritmos genticos ysistemas expertos enmedicina asistencial

Aplicaciones clnicas de lainteligencia artificial

Application of genetic algorithmsand expert systems in medical care.

Clinical applications of artificialintelligence. Executive abstract

INFORMES DE EVALUACIN DE TECNOLOGAS SANITARIAS

AETSA 2009 / 6

INFORMES, ESTUDIOS E INVESTIGACIN


6/60

Autores: Javier Caballero Villarraso, Antonio R. Tabares, Francisco J. Gaviln Len, Manuel Baena Garca,

Francisco Javier Dez Vegas.

Edita: Agencia de Evaluacin de Tecnologas Sanitarias de Andaluca

Avda. Luis Montoto, 89 - 4 planta

41007 Sevilla

Espaa Spain

Este documento se ha realizado en el marco de colaboracin previsto en el Plan de Calidad

para el Sistema Nacional de Salud elaborado por el Ministerio de Sanidad, Poltica Social e Igualdad, al

amparo del convenio de colaboracin suscrito por el Instituto de Salud Carlos III, organismo

autnomo del Ministerio de Ciencia e Innovacin y

la Fundacin Progreso y Salud de Andaluca

ISBN: 978-84-96990-87-6

NIPO: 477-11-061-9(Ministerio de Ciencia e Innovacin) 860-11-195-X (Ministerio de Sanidad, Poltica

Social e Igualdad)

Depsito Legal: SE-9457-2011

Imprime: GRAFITRES, S.L. - Utrera (Sevilla)

Este documento puede ser reproducido en todo o en parte, por cualquier medio, siempre que se

cite explcitamente su procedencia

Caballero Villarraso, Javier

Aplicacin de algoritmos genticos y sistemas expertos en

medicina asistencial. Javier Caballero Villarraso, Antonio Romero

Tabares, Francisco J. Gaviln Len, Manuel Baena Garca,

Francisco Javier Dez Vegas Sevilla: Agencia de Evaluacin

de Tecnologas Sanitarias de Andaluca, 2011.

56 p; 24 cm. (Coleccin: Informes, estudios e

investigacin. Ministerio de Sanidad, Poltica Social e Igualdad.

Serie: Informes de Evaluacin de Tecnologas Sanitarias)

1. Inteligencia articial 2. Sistemas especialistas I. Romero

Tabares, Antonio II. Gaviln Len, Francisco III. Baena

Garca, Manuel IV. Dez Vegas, Javier V Andaluca. Agencia de

Evaluacin de Tecnologas Sanitarias VI. Espaa. Ministerio deSanidad, Poltica Social e Igualdad VII. Espaa. Ministerio de

Ciencia e Innovacin


7/60

Aplicacin de

algoritmos genticos ysistemas expertos enmedicina asistencial

Aplicaciones clnicas de lainteligencia artificial

Application of genetic algorithmsand expert systems in medical care.

Clinical applications of artificialintelligence. Executive abstract

INFORMES DE EVALUACIN DE TECNOLOGAS SANITARIAS

AETSA 2009 / 6


8/60


Conflicto de Inters

Los autores declaran que no tienen intereses que puedan competir con elinters primario y los objetivos de este informe e influir en su juicio profe-sional al respecto.


9/60


ndice

ndice de Tablas y Figuras 9

Resumen ejecutivo 13

Executive abstract 15

Introduccin 17

La inteligencia artificial en el contexto de la computacin 17

Algoritmos genticos 19

Sistemas expertos 21

Otros conceptos relacionados con la IA 23

Objetivos 29Material y mtodos 31

Resultados 33

Discusin 37

Conclusiones 41

Referencias 43

Anexos 49


10/60


11/60


ndice de Tablas y Figuras

Figura 1. Categorizacin por especialidades mdicas 34

Tabla 1. Artculos relacionados con inteligencia artificial en la

asistencia clnica 35

Tabla 2. Artculos relacionados con inteligencia artificial en la

gestin sanitaria. 36


12/60


13/60


Abreviaturas

AG Algoritmo gentico

BDU Base de datos de usuarios

e-Health salud digital

GPS General Problem Solver

HCE Historia clnica electrnica

IA Inteligencia artificial

IT Information technology

PC Ordenador personal

RNA Red neuronal artificial

SE Sistema experto

SIL Sistema de informacin de laboratorio

SIR Sistema de informacin de radiodiagnstico

TICs Tecnologas de la informacin y comunicacin


14/60


15/60


Resumen ejecutivo

Ttulo:Aplicacin de algoritmos genticos y sistemas expertos en medicinaasistencial. Aplicaciones clnicas de la inteligencia artificial.

Autores: Javier Caballero Villarraso, Antonio R. Tabares, Francisco J. Gavi-ln Len, Manuel Baena Garca, Francisco Javier Dez Vegas.

Antecedentes y justificacin: La inteligencia artificial (IA) no equivale ala mera informatizacin. La IA es una ciencia que se ocupa del diseo desistemas de computacin capaces de mostrar caractersticas que asociamos

a la inteligencia en el comportamiento humano: comprensin del lenguaje,razonamiento, aprendizaje y resolucin de problemas, entre otros. Esto hasupuesto la aparicin de numerosas herramientas de ayuda en oficios, tra-bajos y actividades de mbitos muy diversos. Las biociencias no han sidouna excepcin, habindose proyectado la IA a mltiples aspectos de la me-dicina, como la investigacin y asistencia clnica y la gestin sanitaria. Deforma similar, la ingente cantidad de informacin emanada de pacientesy actuaciones sobre stos, es susceptible de extraccin del conocimientoprocesable implcito en las bases de datos, bajo la perspectiva de distintas

formas de IA o reas afines a sta. Esta aproximacin se contextualizaradentro del desarrollo informtico en medicina, de la que seran ejemplos lahistoria clnica electrnica y las mejoras en las bases de datos de usuarios yen sistemas de informacin del laboratorio.

Objetivos: El presente estudio pretende identificar usos y utilidades de IAen medicina. De forma genrica, explorando la produccin cientfica rela-cionada con IA en distintas especialidades o disciplinas mdicas. Posterior-mente, concretando el anlisis documental en las correspondientes formasde IA en el mbito de la asistencia clnica, as como en el de la gestinsanitaria.

Metodologa: Estudio bibliomtrico en la base de datos referencial ME-DLINE, como aproximacin a la proyeccin de la IA en la medicina asis-tencial. Las publicaciones fueron categorizadas segn diversas formas deIA y vertientes afines o relacionadas en dos macroreas especficas de lamedicina: 1) la asistencia clnica; y, 2) la gestin sanitaria. Tambin se rea-liz una divisin por especialidades mdicas, a fin de conocer la proyeccinde la IA en las distintas disciplinas.


16/60


Resultados: Se recuperaron 3.787 artculos sobre utilidades de IA en asis-tencia clnica y gestin sanitaria. Los relacionados con asistencia (3.398artculos) mostraron un frecuencia muy superior que los relacionados

con gestin (398). De los documentos sobre asistencia clnica, los relati-vos a diagnstico fueron los ms estudiados (2.141 artculos) suponiendoun 63,17% dentro de su macrorea; los de gestin, se centraron ms en elmbito de la calidad de la asistencia sanitaria (316 artculos), siendo un79,39% de su macrorea. Las formas de IA consideradas, mostraron pa-trones de distribucin distintos en ambas macroreas. As, las redes neuro-nales fueron las que ms produccin cientfica (un 29%) mostraron en loreferente a asistencia clnica y en la gestin tuvieron una mayor represen-tatividad las formas de simulacin (27,8% los modelos de simulacin y 23%la simulacin asistida por computadora). Tambin se recuperaron 5.605 ar-

tculos sobre utilizacin de IA en las distintas especialidades mdicas. Lams iterativa result ser oncologa (1.240 artculos), seguida de neurologa(986 artculos) y enfermedades cardiovasculares (793 artculos); la suma deestas tres especialidades supuso un 55% de los artculos en este sentido,mostrando el resto de especialidades una frecuencia muy inferior.

Conclusiones: La literatura sobre aplicaciones clnicas de la IA es muyabundante y crece exponencialmente. No se identifican formas de IA sis-temticamente implementadas en medicina asistencial. La literatura sobre

IA en asistencia clnica y en gestin sanitaria muestra diferentes frecuen-cias en la distribucin de las distintas formas de IA consideradas. En asis-tencia, el rea ms tratada es el diagnstico y en la gestin, la calidad deatencin sanitaria. Las especialidades ms abordadas son oncologa, neuro-loga y enfermedades cardiovasculares.


17/60


Executive summary

Title: Application of genetic algorithms and expert systems in medical care.Clinical applications of artificial intelligence.Authors:Javier Caballero Villarraso, Antonio R. Tabares, Francisco J. Gavi-ln Len, Manuel Baena Garca, Francisco Javier Dez Vegas.

Background and rationale: Artificial intelligence (AI) is not equivalent tomere computerization. Artificial intelligence is a science that deals with thedesign of computer systems that are capable of displaying characteristicsthat we associate with intelligence in human behaviour: language compre-

hension, reasoning, learning and problem solving, among others. This hasled to the appearance of numerous support tools in occupations, tasks andactivities in a variety of areas. The biosciences have been no exception, withthe application of AI to many aspects of medicine, such as research, clini-cal care and health management. Similarly, the vast amount of informationemanating from patients and their treatments lends itself to input in data-bases for the extraction of embedded knowledge, from the perspective ofdifferent forms of AI or its affiliated areas. This approach is contextualizedwithin IT development in medicine, some examples of which are electronic

medical records and improvements in user databases and laboratory infor-mation systems.

Objectives: This study aims to identify AI applications in medicine. Gene-rically, exploring the scientific production related to AI in different medicalspecialties or disciplines. Later, documentary analysis of the correspondingforms of AI will be specified in the spheres of clinical care and healthcaremanagement.

Methodology: Bibliometric study in the MEDLINE database as an appro-ach to the scope of AI in medical care. The publications were categorizedaccording to various forms of AI and similar or related aspects in two spe-cific macro-areas of medicine: 1) clinical care, and 2) healthcare manage-ment. A breakdown by medical specialty was also performed in order todetermine the scope AI in different disciplines.

Results: There were 3787 articles retrieved on AI applications in clinicalcare and healthcare management; articles related to clinical care numbe-red 3398, with 398 associated with healthcare management. Of the docu-

ments on clinical care, those relating to diagnosis represented 2141 arti-cles (63.17% of the macro-area). Those relating to healthcare management


18/60


focused more on the field of healthcare quality with 316 articles (79.39%of the macro-area). The forms of AI considered showed different distribu-tion patterns in both macro-areas. Thus, neural networks represented most

scientific production (29%) in terms of clinical care, and healthcare mana-gement was most represented by forms of simulation (27.8% simulationmodels and 23% computer aided simulation). Also, 5605 articles were reco-vered on the use of AI in various medical specialties. Most instances werefound for oncology (1240 articles), followed by neurology (986 articles) andcardiovascular diseases (793 articles), with the sum of these three special-ties accounting for 55% of the articles, with other specialties showing amuch lower frequency.

Conclusions: The literature on clinical applications of AI is very abundant

and is growing exponentially. No systematic implementation of AI in medi-cal care was identified. The literature on AI in clinical care and healthcaremanagement shows different frequencies in the distribution of the differentforms of AI considered. In clinical care, diagnosis is the most representedarea, and in healthcare management it is quality of care. The specialtiesmost covered are oncology, neurology and cardiovascular diseases.


19/60


Introduccin

En la poca actual, el manejo rpido y preciso de la informacin representaun arma que permite el abordaje y solucin de gran nmero y variedad deproblemas, incluso aquellos que hasta hace poco se consideraban irreso-lubles. Esta revolucin en el manejo de la informacin, se ha generado apartir del momento en que se dispone en diversos mbitos de ordenadoreso computadoras de alta velocidad. Las ciencias de la salud no son la excep-cin, por lo que los profesionales de la biomedicina tambin han avanzadoen el conocimiento y manejo de datos mediante las ciencias computaciona-les, empleando stas como un instrumento ms, capaz de hacerlos superar-

se, optimizar su trabajo, y ser ms competitivos (1-3).Aunque la informtica no trata exclusivamente sobre ordenadores, el

avance de esta disciplina se apoya en buena medida en la utilizacin dedichos ordenadores en todos aspectos del manejo de informacin (1,2).

La informticaes la disciplina que se encarga del estudio, creacin yaplicacin de mtodos y tcnicas para el almacenamiento, recuperacin yempleo de la informacin en la resolucin de problemas y toma de decisio-nes, mediante la utilizacin de ordenadores (2,3).

El empleo de computadoras se ha vuelto imprescindible debido a la

cantidad de datos y la velocidad con que se deben analizar para obtenerinformacin. En su concepto moderno ms amplio, la informtica tambinincluye la teora, diseo, fabricacin y uso de los ordenadores (1,2,4).

Para entender los vnculos existentes entre la medicina y la informti-ca, es importante analizar el avance del proceso de la informacin, que su-cede de forma paralela al avance de los ordenadores debido a la necesidadde acelerar el procesamiento de los datos (4,5).

Desde una perspectiva ms global, habra que comprender la relacinentre la biomedicina y la ciencia de la computacino las ciencias compu-tacionales (o sencillamente la computacin), las cuales seran el estudiode los fundamentos tericos de la informacin y el cmputo, as como lastcnicas prcticas para sus implementaciones y aplicacin en sistemas decmputo (4-6).

La inteligencia artificial en el contexto de lacomputacin

La inteligencia artificial (IA) es una ciencia que se ocupa del diseo desistemas de computacin capaces de mostrar caractersticas que asociamos


20/60


a la inteligencia en el comportamiento humano: comprensin del lenguaje,razonamiento, aprendizaje y resolucin de problemas, entre otros (7-9).

Si bien su consolidacin y, sobre todo, sus aplicaciones han experi-

mentado un crecimiento exponencial en las dos ltimas dcadas (en granmedida, de la mano de los avances informticos), la IA cuenta con ms demedio siglo de historia. As, habra que considerar en nacimiento real de laIA en 1950, cuando Norbet Wiener desarroll el principio de la retroali-mentacin. Esta tcnica consiste, por ejemplo, en la tecnologa del termos-tato: comparar la temperatura actual del entorno con la deseada y, segnlos resultados, aumentarla o disminuirla. En 1955 Alan Newell y HerbertSimon desarrollan la teora de la lgica; este desarrollo permiti crearun programa que exploraba la solucin a un problema utilizando ramas ynudos, seleccionando nicamente las ramas que ms parecan acercarse a

la solucin correcta del problema. Y es en 1956, en una conferencia en Ver-mont (EEUU), cuando John McCarthy propone el trmino inteligenciaartificial para denominar al estudio de esta temtica (8,9).

De este modo, la locucin inteligencia artificial se ha ido extendien-do progresivamente para designar a una disciplina incluida dentro de lasciencias de la computacin. Est relacionada con la actividad de numerososcientficos de distintos pases, especialmente de los Estados Unidos y deEuropa Occidental, los cuales han dirigido sus esfuerzos a dotar a los orde-nadores de inteligencia. Si bien la expresin dotar a las computadoras de

inteligencia puede resultar a priori poco fundamentada desde un prismacientfico, tal postura puede ser razonada en relacin al nivel de evidenciaactualmente disponible (8-11).

Por un lado, podra entenderse de forma crtica que el ordenador, or-dinariamente programado, no es ms que un instrumento muy rpido y ge-neralmente confiable capaz de hacer operaciones aritmticas o de manipu-lar fichas de nombres en orden alfabtico (o de ponerlas en tal orden). Paraque un ordenador comience a merecer el nombre de inteligente, deberser capaz de realizar acciones que si fueran realizadas por un ser humano

diramos que requieren inteligencia, como por ejemplo desarrollar juegosque impliquen eleccin secuencial entre mltiples opciones condicionadas(como jugar al ajedrez) o mantener un dilogo con otro ser consideradotambin inteligente, o resolver algn rompecabezas (9,12,13).

Adems, las palabras inteligencia y artificial pueden representardos reas contrapuestas e incluso dos conceptos incompatibles, como son elintelecto y las mquinas. As, podra aseverarse que los ordenadores logranhacer operaciones aritmticas porque para eso slo se necesita ser capazde manipular nmeros en forma mecnica; pero la inteligencia, a diferenciade la capacidad de manipular nmeros, requiere creatividad, inventiva, ini-

ciativa intelectual, y eso es propio de los seres humanos pero no de las m-


21/60


quinas. Los ordenadores pueden hacer lo que sus programadores les dicen,pero nada ms; as mismo, hagan lo que hagan, nunca sabrn lo que estnhaciendo: nunca sern conscientes de sus actos (13-15,17).

De otro lado, la disciplina de la IA se ha desarrollado ya suficiente-mente como para ofrecer a la sociedad algunos instrumentos que mejo-ren su adaptacin al medio ambiente: programas que se conocen con elnombre de sistemas expertos, cuya teora y prctica son muy novedosas.Podemos decir pues, que su ejercicio por parte de los investigadores tienecomo mira en muchos casos la fabricacin de artefactos tiles, programascon habilidad especial para realizar funciones que con anterioridad slopodamos confiar a seres humanos. Esta clase de investigacin se conocecomoIA de rendimiento (16,17).

En cambio, a la disciplina que surgi (y an perdura) en el mbito in-

vestigador con otro propsito, como es el intento de comprender el funcio-namiento de la inteligencia humana, se le denomina IA de comprensin.De este segundo tipo fue el trabajo realizado por dos de los pioneros de ladisciplina, los ya citados A. Newell y H. Simon, en los aos cincuenta y si-guientes, que culminaron con la publicacin de una importante obra sobrehabilidad de solucin de problemas en los seres humanos (18,19).

A la labor de estos dos investigadores se debe tambin la caracteriza-cin de los mtodos de la inteligencia en dos categoras: dbiles y fuertes;y el importante descubrimiento de que los mtodos ms generales de la

inteligencia son por necesidad mtodos dbiles,y que los nicos mtodosfuertes son los que aplican conocimientos especficos de un dominio par-ticular (por lo que necesariamente deben carecer de generalidad). Estedescubrimiento puede expresarse por una ley: a mayor generalidad, menorfuerza; y a mayor fuerza menor generalidad (20,21).

Algoritmos genticos

Los algoritmos genticos (AG), fueron inventados en 1975 por John Ho-lland, de la Universidad de Michigan (EE.UU.). Los AG consistiran b-sicamente en algoritmos de optimizacin, es decir, esquemas que tratande encontrar la mejor solucin a un problema dado entre un conjunto deopciones posibles. Los mecanismos de los que se valen los AG para llevara cabo esa seleccin de entre las opciones disponibles pueden verse comouna metfora de los procesos de evolucin biolgica (22, 23).

A grandes rasgos, como ya se ha sealado, el AG es un mtodo deoptimizacin. De este modo, dada una funcin objetivo, el AG lleva a cabo

una bsqueda en el espacio de soluciones intentando encontrar la solucin


22/60


que minimiza dicha funcin objetivo. Por lo tanto, los AG estn indicadospara resolver todo tipo de dilemas que puedan ser expresados como unproblema de optimizacin: bastara con encontrar la representacin ade-

cuada para las soluciones y la funcin a optimizar (22,24).Bsicamente, los AG funcionan as: dada unapoblacinde soluciones,y en relacin al valor de la funcin objetivo para cada una de los indivi-duos(soluciones) de esa poblacin, se seleccionan los mejores individuos(los que minimizan la funcin objetivo) y se combinan para generar otrosnuevos. Este proceso se repite cclicamente (22,24,25).

Como se pude comprobar, el proceso es similar al que se da en lanaturaleza: una serie de individuos compiten por su supervivencia; los me-jor adaptados al medio (los que optimizan la funcin objetivo) sobrevi-ven y tienen ms posibilidades de aparearse, transmitiendo as parte de su

material gentico mejor adaptado a las generaciones siguientes. De estamanera, generacin tras generacin, la especie consigue una mayor y mejoradaptacin al medio en el que vive (22-26).

Dado que los AG estn inspirados en la evolucin de las especies dela naturaleza, para comprender su funcionamiento es aconsejable conocerprimero cmo funcionan los mecanismos evolutivos desde un punto de vis-ta meramente biolgico (22,25).

De entrada, hay que advertir que el primer factor clave en el procesoevolutivo es la presin selectiva que ejerce el medio sobre las poblaciones

que lo habitan. Bsicamente, ni el espacio vital ni el alimento son suficien-tes para todos, de modo que algunos individuos, concretamente aqullosms dbiles(o ms correctamente, los peor adaptados), tienen menos pro-babilidades de sobrevivir y de aparearse. Se genera as un mecanismo deseleccin quefiltrael conjunto de la poblacin. Este filtro, el de la adapta-cin al medio, permite seleccionar a aquellos individuos cuyas caractersti-cas se ajustan mejor a las vicisitudes que plantea la supervivencia en el en-torno natural en el que se desarrolla su existencia. As mismo, se desechanlas soluciones inadecuadas, esto es, las caractersticas de los individuos no

adaptados (22-26).Se dijo antes que el primer factor clave en la evolucin es la presinselectiva del medio. Pues bien, el segundo factor clave es la informacingenticay su transmisin entre generaciones. La informacin gentica, co-dificada en el ADN, describe a un individuo concreto de forma completa,determinando las caractersticas que dicho individuo desarrollar a lo largode su vida. De esta manera, el que un individuo se adapte o no al medio de-pende bsicamente de la informacin contenida en su material gentico. Latransmisinde dicha informacin mediante la reproduccin es la que arti-cula el proceso evolutivo, el cual se vale de la recombinacindel material

gentico aportado por los progenitores para ensayar nuevos conjuntos de


23/60


caractersticas, generando as una descendencia que hereda en lo posibletodas aqullas que resultan ventajosas (24,27).

De este modo, a lo largo de generaciones sucesivas, el material genti-

co de los individuos mejor adaptados prevalece, generndose en cada cicloreproductor individuos mejor adaptados, en promedio, que aqullos de losque descienden (22-25,27).

Sistemas expertos

Los sistemas expertos (SE) como tales, surgen a mediados de los aos se-senta; en esta poca, se crea que bastaban unas pocas leyes de razonamien-

to junto con potentes ordenadores para producir resultados brillantes. Losprimeros investigadores que desarrollaron programas basados en leyes derazonamiento fueron los ya aludidos Alan Newell y Herbert Simon, quie-nes desarrollaron el GPS (General Problem Solver). Este sistema era capazde resolver problemas como el de las torres de Hanoi y otros similares, atravs de la criptoaritmtica. Sin embargo, este programa no poda resolverproblemas ms cotidianos y reales, como, por ejemplo, dar un diagnsticomdico (28-30).

Por ello algunos investigadores cambiaron el enfoque del problema,

dirigiendo sus esfuerzos a resolver problemas sobre un rea especfica in-tentando simular el razonamiento humano. En vez de dedicarse a computa-rizar la inteligencia general, se centraron en dominios de conocimientomuyconcretos. De esta manera nacieron los SE (30,31).

Bsicamente, un SE es un softwareque imita el comportamiento deun experto humano en la solucin de un problema. Pueden almacenarconocimientos de expertos para un campo determinado y solucionar unproblema mediante deduccin lgica de conclusiones. Tambin podran de-finirse como SE aquellos programas que se realizan haciendo explcito elconocimiento en ellos, que tienen informacin especfica de un dominio

concreto y que realizan una tarea relativa a este dominio.Otro posible concepto de SE sera el de programas que contienen

tanto conocimiento declarativo (hechos acerca de objetos, eventos y/o si-tuaciones) como conocimiento de control(informacin acerca de los cur-sos de una accin), para emular el proceso de razonamiento de los exper-tos humanos en un dominio en particular y/o rea de experiencia. De estemodo, el software incorpora conocimiento de experto/s sobre un dominiode aplicacin dado, de manera que es capaz de resolver problemas de rela-tiva dificultad y apoyar la toma de decisiones inteligentes sobre la base de

un proceso de razonamiento simblico (30,32-34).


24/60


Las principales aplicaciones de los SE se observan en las gestionesempresariales debido a dos razones: 1) casi todas las empresas disponen deun ordenador que realiza las funciones bsicas de tratamiento de la infor-

macin: contabilidad general, decisiones financieras, gestin de la tesorera,planificacin, etc.; 2) este trabajo implica manejar grandes volmenes deinformacin y realizar operaciones numricas para despus tomar decisio-nes, lo cual crea un terreno ideal para la implantacin de los SE.

Adems, los SE tambin se aplican en la contabilidad en apartadoscomo: auditora (es el campo en el que se estn aplicando ms SE) fisca-lidad, planificacin, anlisis financiero y contabilidad financiera (28,30,31).

La arquitectura bsicao elementosde un SE seran:

1. Base de conocimientos.Es la parte del SE que contiene el cono-cimiento sobre el dominio. Hay que obtener el conocimiento delexperto y codificarlo en la base de conocimientos. Una forma cl-sica de representar el conocimiento en un sistema experto son lasreglas. Una reglaes una estructura condicional que relaciona lgi-camente la informacin contenida en la parte del antecedente conotra informacin contenida en la parte del consecuente.

2. Base de hechos (Memoria de trabajo).Contiene los hechos sobreun problema que se han descubierto durante una consulta. Duran-

te la citada consulta con el SE, el usuario introduce la informacindel problema actual en la base de hechos. El sistema empareja estainformacin con el conocimiento disponible en la base de conoci-mientos para deducir nuevos hechos.

3. Motor de inferencia. El SE modela el proceso de razonamientohumano con un mdulo conocido como el motor de inferencia.Dicho motor de inferencia trabaja con la informacin contenidaen la base de conocimientos y la base de hechos para deducir nue-vos hechos. Contrasta los hechos particulares de la base de hechos

con el conocimiento contenido en la base de conocimientos paraobtener conclusiones acerca del problema.4. Subsistema de explicacin.Una caracterstica de los SE es su habi-

lidad para explicar su razonamiento. Usando el mdulo del subsis-tema de explicacin, un SE puede proporcionar una explicacin alusuario de por qu est haciendo una pregunta y cmo ha llegadoa una conclusin. Este mdulo proporciona beneficios tanto al di-seador del sistema como al usuario. El diseador puede usarlopara detectar errores y el usuario se beneficia de la transparenciadel sistema.


25/60


5. Interfaz de usuario.La interaccin entre un SE y un usuario se rea-liza en lenguaje natural. Tambin es altamente interactiva y sigueel patrn de la conversacin entre seres humanos. Para conducir

este proceso de manera aceptable para el usuario es especialmenteimportante el diseo de la interfaz de usuario. Un requerimientobsico de esta interfaz es la habilidad de hacerpreguntas.Para ob-tener informacin fiable del usuario hay que poner especial cui-dado en el planteamiento de las cuestiones. Esto puede requerirdisear el interfaz utilizando mens o grficos (30-34).

Otros conceptos relacionados con la IA

La minera de datos(o data mining) es el proceso de extraer informacinno trivial y potencialmente til a partir de grandes conjuntos de datosdisponibles en las ciencias experimentales (registros histricos de obser-vaciones, reanlisis, simulaciones, etc.), proporcionando informacin en unformato legible que puede ser usada para resolver problemas de diagnosis,clasificacin o prediccin. Tradicionalmente, este tipo de problemas se re-solvan de forma manual aplicando tcnicas estadsticas clsicas, pero elincremento del volumen de los datos ha motivado el estudio de tcnicas de

anlisis automticas que usan herramientas ms complejas. Por lo tanto, laminera de datos identifica tendencias en los datos que van ms all de unanlisis simple. Tcnicas modernas de minera de datos (reglas de asocia-cin, rboles de decisin, modelos de mezcla de Gaussianas, algoritmos deregresin, redes neuronales, mquinas de vectores soporte, redes bayesia-nas, etc.) se utilizan en mbitos muy diferentes para resolver problemas deasociacin, clasificacin, segmentacin y prediccin (35,36).

Entre los diferentes algoritmos de minera de datos, los modelos gr-ficos probabilsticos (en particular las redes bayesianas) constituyen unametodologa elegante y potente basada en la probabilidad y la estadstica

que permite construir modelos de probabilidad conjunta manejables querepresentan las dependencias relevantes entre un conjunto de variables(cientos de variables en aplicaciones prcticas). Los modelos resultantespermiten realizar inferencias probabilsticas de una manera eficiente. Porejemplo, una red bayesiana podra representar las relaciones probabilsticasentre campos sinpticos de larga escala y registros de observaciones loca-les, proporcionando una nueva metodologa de downscalingprobabilstico:por ejemplo permite calcular una probabilidad P(observacin|prediccinde larga escala) (37).


26/60


Formalmente, una red bayesiana es un grafo dirigido acclico cuyosnodos representan variables y los arcos (o pares ordenados) que los unencodifican dependencias condicionales entre las variables. El grafo propor-

ciona una forma intuitiva de describir las dependencias del modelo y defineuna factorizacin sencilla de la distribucin de probabilidad conjunta con-siguiendo un modelo manejable que es compatible con las dependenciascodificadas. Existen algoritmos eficientes para aprender modelos grficosprobabilsticos a partir de datos, permitiendo as la aplicacin automti-ca de esta metodologa en problemas complejos. Las redes bayesianas quemodelizan secuencias de variables (por ejemplo, series temporales de ob-servaciones) se denominan redes bayesianas dinmicas. Una generalizacinde las redes bayesianas que permiten representar y resolver problemas dedecisin con incertidumbre son los diagramas de influencia(38,39).

Por otra parte, una red neuronal es un modelo no lineal, inspiradoen el funcionamiento del cerebro, que es diseada para resolver una granvariedad de problemas. Una red neuronal artificial (RNA) es un sistema deprocesamiento de informacin que tiene ciertas aptitudes en comn con lasredes neuronales biolgicas:

El procesamiento de informacin ocurre en muchos elementossimples llamados neuronas.

Las seales son transferidas entre neuronas a travs de enlaces de

conexin. Cada conexin tiene un peso asociado, el cual, tpicamente, multi-

plica a la seal transmitida. Cada neurona aplica una funcin de activacin (usualmente no

lineal) a su entrada de red (suma de entradas pesadas) para deter-minar su salida (40,41).

La simulacin es la experimentacin con un modelo de una hipte-sis o un conjunto de hiptesis de trabajo. A grandes rasgos, consiste en la

representacin de un proceso o fenmeno mediante otro ms simple, quepermite analizar sus caractersticas (42).Tambin se puede entender la simulacin como una tcnica que imita

el funcionamiento de un sistema del mundo real cuando evoluciona en eltiempo. Esto se hace por lo general al crear un modelo de simulacin. Ensntesis, cada modelo o representacin de una cosa es una forma de simu-lacin. La simulacin es un tema amplio complejo que es muy importantepara los responsables del diseo de sistemas, as como para los responsa-bles de su operacin.

Shannon define la simulacin como el proceso de disear un modelo

de un sistema real y realizar experimentos con l para entender el com-


27/60


portamiento del sistema o evaluar varias estrategias (dentro de los lmitesimpuestos por un criterio o por un conjunto de criterios) para la operacindel sistema. Por lo que se entiende que el proceso de simulacin incluye

tanto la construccin del modelo como su uso analtico para estudiar unproblema. Un modelo de simulacin comnmente toma la forma de unconjunto de hiptesis acerca del funcionamiento del sistema, expresadocon relaciones matemticas o lgicas entre los objetos de inters del sis-tema. En contraste con las soluciones matemticas exactas disponibles enla mayora de los modelos analticos, el proceso de simulacin incluye laejecucin del modelo a travs del tiempo, en general en una computadora,para generar muestras representativas de las mediciones del desempeoo funcionamiento. En este aspecto, se puede considerar a la simulacincomo un experimento de muestreo acerca del sistema real, cuyos resulta-

dos son puntos de muestra. Por ejemplo, para obtener la mejor estimacindel promedio de la medicin del funcionamiento, calculamos el promediode los resultados de muestra. Es claro que tanto ms puntos de muestrageneremos, mejor ser nuestra estimacin. Sin embargo, hay otros factoresque tienen influencia sobre la bondad de nuestra estimacin final, como lascondiciones iniciales de la simulacin, la longitud del intervalo que simulay la exactitud del modelo mismo (42,43).

La simulacin es una tcnica muy poderosa y ampliamente usada enlas ciencias para analizar y estudiar sistemas complejos. En investigacin se

formulan modelos que se resuelven de forma analtica. En casi todos estosmodelos la meta es determinar soluciones ptimas. Sin embargo, debido ala complejidad, las relaciones estocsticas, etc., no todos los problemas delmundo real se pueden representar adecuadamente en forma de modelo.Cuando se intenta utilizar modelos analticos para sistemas como stos, engeneral necesitan de tantas hiptesis de simplificacin que es probable quelas soluciones no sean buenas, o bien, sean inadecuadas para su realizacin.En estos casos, con frecuencia la nica opcin de modelado y anlisis deque dispone quien toma decisiones es la simulacin. Simular, es reproducir

artificialmente un fenmeno o las relaciones entrada-salida de un sistema.Esto ocurre siempre cuando la operacin de un sistema o la experimenta-cin en l son imposibles, costosas, peligrosas o poco prcticas, como en elentrenamiento de personal de operacin, pilotos de aviones, etc (42-44).

Si esta reproduccin artificial est basada en la ejecucin de un pro-grama informtico en una computadora, entonces la simulacin se llamadigital y usualmente se conoce como simulacin por computador, aun-que esto incluye la simulacin en las computadoras analgicas. La simula-cin por computadora est relacionada con los simuladores. Por simuladorentendemos no slo un programa de simulacin y la computadora que lo

realiza, sino tambin un aparato que muestra visualmente y a menudo f-


28/60


sicamente las entradas y salidas (resultados) de la simulacin, como es elcaso de los simuladores profesionales de vuelo, aunque en este curso nose hablar sobre los simuladores ni sobre la simulacin analgica. A partir

del advenimiento de las computadoras electrnicas, la simulacin ha sidouna de las herramientas ms importantes y tiles para analizar el diseo yoperacin de complejos procesos o sistemas. Una definicin academicistadel vocablo simular sera fingir, llegar a la esencia de algo prescindiendode la realidad (43,45).

En esta lnea, la simulacin por computador tambin podra definirsecomo una tcnica numrica para conducir experimentos en una computa-dora digital. Estos experimentos comprenden ciertos tipos de relacionesmatemticas y lgicas, las cuales son necesarias para describir el compor-tamiento y la estructura de sistemas complejos del mundo real a travs de

largos perodos (45).La lgica difusao lgica heurstica(ofuzzy logic) se basa en lo rela-

tivo a lo observado. Este tipo de lgica toma dos valores aleatorios, perocontextualizados y referidos entre s. La lgica difusa tiene sus races en lateora de conjuntos difusos desarrollada por Zadeh en la dcada de los 60,la que propone que un elemento siempre pertenece en un cierto grado aun conjunto y nunca pertenece del todo al mismo, esto permite estableceruna manera eficiente para trabajar con incertidumbres, as como para acon-dicionar el conocimiento en forma de reglas hacia un plano cuantitativo,

factible de ser procesado por computadores. As, mientras la lgica clsicaconsidera la inclusin o exclusin con los valores 0 (falso) y 1 (verdade-ro), la lgica difusa en vez de trabajar con el clsico concepto de inclusino exclusin, introduce una funcin que expresa el grado de pertenenciade una variable hacia un atributo o variable lingstica tomando valoresinterpolados en el rango de 0 a 1. La principal ventaja de utilizar trminoslingsticos como: a medias, bastante, casi, un poco, mucho, algo,etc., est en que permite plantear el problema en los mismos trminos enlos que lo hara un experto humano (46,47).

Contexto y justificacin del informe

El progresivo avance de la informtica ha supuesto un impacto determi-nante en la sociedad. As, el continuo desarrollo de los ordenadores tantoen capacidad de stos como en los mtodos de programacin, tambin haincidido de forma crucial en mltiples mbitos y especialidades de la medi-cina clnica. Ejemplos destacables son la historia clnica electrnica (HCE)

o digital y las mejoras en las bases de datos de usuarios (BDU) y en los


29/60


sistemas de informacin del laboratorio (SIL), entre otros. stos permitenregistrar informacin relativa a datos del enfermo (datos demogrficos, an-tropomtricos, analticos), del personal sanitario y las actuaciones reali-

zadas por ste, etc. Consecuencia de ello, es la generacin de una ingentecantidad de informacin, susceptible de ser almacenada y procesada.En este contexto, distintas formas de IA se han ido proyectando en

diversa medida en la asistencia clnica diaria, yendo desde reglas simples(como emisin de alarmas ante valores clnicos o analticos anmalos), re-glas expertas (atendiendo a la oscilacin de un valor en comparacin convalores previos, ms que al valor neto de forma aislada) o formas ms com-plejas (resultado de conjugar distintos valores de diversos parmetros endiferentes condiciones). Estas formas complejas corresponderan al desa-rrollo de AG, SE u otras formas de IA o aspectos relacionados, ideados

como herramientas de ayuda en la deteccin precoz de formas asintom-ticas o subclnicas de enfermedad, en la toma de decisiones diagnsticas,teraputicas y/o de gestin sanitaria, para predecir y analizar tendenciasevolutivas, etc.

Por todo esto, el presente informe pretende identificar cules son lasformas de IA ya implementadas y explorar qu cantidad de investigacinaplicada se est produciendo sobre IA y reas afines en medicina clnica.En este sentido, tambin se pretende caracterizar dicha investigacin enfuncin de las especialidades mdicas en las que se han centrado, proce-

diendo a un anlisis pormenorizado de las formas de IA empleadas o estu-diadas en asistencia clnica y gestin sanitaria.


30/60


31/60


Objetivos

1. Conocer si actualmente se emplea de algn modo la inteligenciaartificial (IA) en el mbito de la medicina asistencial y, en estecaso, enunciar las formas de IA y la utilidad clnica de las mismas.

2. Explorar posibles proyecciones de la IA en la prctica clnica acorto-medio plazo y describirlas.

Estos objetivos generales se concretan en cuatro objetivos especficos:

Identificar las publicaciones de investigacin aplicada sobre IA y

reas relacionadas en biomedicina. Cuantificar las citadas publicaciones de forma absoluta y relativa,

en funcin de las reas de conocimiento mdico o especialidadesen las que se centra o se pretende proyectar la IA en alguna de susvertientes.

Enunciar formas de IA que se encuentren en fase de aplicacin ala prctica clnica o prxima a ella.

Describir la literatura cientfica sobre la que se fundamenta el de-sarrollo de las mencionadas formas de IA, en dos mbitos espec-

ficos: 1) asistencia clnica; 2) gestin sanitaria.


32/60



33/60


Material y Mtodos

El estudio se orient a cubrir los objetivos expuestos en el apartado ante-rior, partiendo de un estudio bibliomtrico como aproximacin global alimpacto de la IA en medicina clnica.

La finalidad del citado estudio bibliomtrico ha sido explorar los con-tenidos y la evolucin de la investigacin aplicada sobre IA en relacin almbito sanitario. El concepto de investigacin aplicada que se ha usadoaqu es aquella que pueda traducirse en un plazo corto o medio en aplica-ciones a la prctica clnica.

A tal efecto, se ha procedido a realizar una categorizacin pormenori-

zada por subapartados distinguiendo dos mbitos o macro-reas de conoci-miento: la gestin sanitaria y la asistencia clnica (incluyendo en sta tantoa la rutina asistencial como la investigacin clnica y traslacional).

De otro lado, se realiz una clasificacin global por materias o espe-cialidades mdicas.

El periodo de tiempo abarcado fue de enero de 1986 a diciembre de2010, no habiendo limitacin por idioma. Se incluyeron todos los docu-mentos que atendieran el uso de la IA en ciencias de la salud: informes deevaluacin, guas de la prctica clnica, revisiones sistemticas, documentos

de consenso, revisiones narrativas, ensayos clnicos, estudios de casos y con-troles y series de casos. Tambin fueron considerados los estudios descrip-tivos acerca de propuestas metodolgicas o modelos tericos no probadosen escenarios reales, tales como diseos o esquemas de procedimientos. Seexcluyeron editoriales y cartas al director, as como todos los documentosfundamentados u orientados esencialmente a especies animales.

Estudio bibliomtrico

Dado que la finalidad de este estudio era identificar investigacin sobreformas de IA en una fase que pudiera estar cercana a la aplicacin de lasmismas en la prctica asistencial, la bsqueda bibliogrfica se orient a lo-calizar aportaciones de las citadas formas de IA en las reas de apoyo aldiagnstico clnico de enfermedades (laboratorios sanitarios y servicios dediagnstico por imagen), de pronstico evolutivo, de toma de decisiones enesquemas diagnsticos y/o teraputicos, o de actividades relacionadas conla administracin sanitaria. En todos estos apartados, se realiz una clasifi-

cacin detallada de la forma especfica de IA que abordaba el documentode forma esencial; as, en el supuesto caso de citarse ms de una vertiente


34/60


de IA, se catalogaba segn la forma o caracterstica principal sobre la queversaba el documento en cuestin, de forma que un mismo documento nofuera incluido en ms de una categora.

Se efectu inicialmente una bsqueda para la localizacin de infor-mes de agencias de evaluacin, guas de la prctica clnica y revisiones sis-temticas. A tal fin, las fuentes consultadas fueron:

Red Internacional de Agencias de Evaluacin (INAHTA). Cochrane Library (2006, Issue 2). National Guideline Clearinghouse. Sitios WEB de agencias no incluidas en INAHTA y de institucio-

nes internacionales y proveedores que elaboran informes para sussistemas sanitarios, como Blue Cross and Blue Shield Association-

Technology Evaluation Center, Institute for Clinical EvaluativeServices (ICES), Medical Advisory Secretariat (MAS), NationalInstitute of Clinical Excellence (NICE), y otros.

Tras ello, se realiz una bsqueda en la base de datos referencial ME-DLINE elaborando a tal efecto una estrategia de bsqueda bibliogrficaque queda detallada en el Anexo 1. La distribucin segn apartados se es-tableci tras ser analizados manualmente los documentos recuperados.

Las formas de IA consideradas fueron: redes neuronales, redes baye-

sianas, modelos de simulacin, simulacin por computador, lgica difusa,sistemas expertos y algoritmos genticos.

La clasificacin de los aspectos relacionados con la asistencia clnicase realiz en orden a tres grandes bloques: diagnstico (subdividiendo endistintos campos relacionados con laboratorio o con diagnstico por ima-gen), toma de decisiones (diagnsticas y teraputicas) y pronstico.

Las categoras concernientes a la gestin sanitaria fueron: sistemas deinformacin y gestin de usuarios, administracin de servicios y recursossanitarios y calidad de la atencin sanitaria; esta ltima se subdividi en

planes de calidad en atencin sanitaria, evaluacin de procesos y resulta-dos, indicadores de calidad en atencin sanitaria y satisfaccin del usuario.Por otro lado, se procedi a ordenar la produccin cientfica recupe-

rada segn su correspondencia a distintas especialidades mdicas, a fin deexplorar qu reas de la medicina o grupos de patologas son los ms con-siderados en el desarrollo de formas de IA. Para esto, a la estrategia debsqueda inicial se aadi una frmula de divisin que se detalla en elAnexo 2.


35/60


Resultados

Se observ un crecimiento exponencial de la produccin cientfica relacio-nada con la IA desde todos sus mbitos: tanto por especialidades mdicas,como por subcategoras o formas de IA, como considerando las macro-reas relacionadas con el apoyo a la asistencia clnica y a la gestin sanitaria.

No se hallaron informes de evaluacin, ni guas de la prctica clnica,ni revisiones sistemticas.

Tras la bsqueda en la base de datos referencial MEDLINE, se re-cuperaron 3.788 artculos relacionados con la utilizacin de IA en las dosmacroreas anteriormente aludidas. De stos, 3.389 pertenecan al mbito

de la asistencia clnica y 399 al de la gestin sanitaria.En lo relativo a la asistencia clnica (Tabla 1), el rea de diagnstico

fue la ms estudiada representando un 63,17% del total (2.141 artculos),seguida de la toma de decisiones con un 25,05% (849 artculos) y del pro-nstico clnico con un 11,77% (399 artculos). Atendiendo a las formas deIA, la ms abordada fueron las redes neuronales, suponiendo en torno a un30%. La que menos artculos supuso eran las redes bayesianas con un 5%.El resto de formas ofrecieron proporciones similares (cada una de ellasentre un 12 y un 14% del total).

En cuanto a la gestin sanitaria (Tabla 2), la gran mayora de artculospertenecieron a la calidad sanitaria llegando a ser un 79,99%. Los sistemasde informacin supusieron un 19,04% y la administracin de servicios yrecursos sanitarios un 1,75%. De los subgrupos incluidos en el apartado decalidad sanitaria, la ms sealada fue la evaluacin de procesos y resulta-dos (71,17%), seguida de los planes de calidad (5,76%), la satisfaccin delusuario (2%) y, por ltimo, los indicadores de calidad en la atencin sani-taria (0,25%). Considerando las formas de IA en el conjunto total de ar-tculos relacionados con la gestin sanitaria, las ms estudiadas fueron losmodelos de simulacin (27,81%), seguida de las redes neuronales (25,06%),la simulacin por computadora (23,55%), los sistemas expertos (14,28%),las redes bayesianas (4,01%), los algoritmos genticos (3%) y, finalmente,la lgica difusa (2,25%).

Para la clasificacin por especialidades mdicas referida en el Anexo2, se recuperaron 5605 artculos. La disciplina ms reiterada fue la oncolo-ga (1.240 artculos), seguida de la neurologa (986 artculos), la patologacardiovascular (793 artculos). La suma de estas tres supuso un 55% de losartculos en este sentido, mostrando el resto de especialidades una frecuen-cia marcadamente inferior, como se observa en la Figura 1.


36/60


Figura 1: Categorizacin por especialidades mdicas


37/60


Ta

bla

1.Artculosrelacionadosc

oninteligenciaartificialen

laa

sistenciaclnica

R

EA

Redes

Neuronales

Redes

Bayesianas

Modelosde

Sim

ulacin

Simulacinpor

Computadora

Lgica

Difusa

Sistemas

Expertos

Algoritmos

Genticos

TOTAL

Diagnstico

(2.

141)

Laboratorio

Clnico

148

12

65

31

2

1

21

17

315

Sist.Informacin

Laboratorio

1

0

0

0

1

5

0

7

Anatoma

Patolgica

216

47

57

81

108

98

120

727

Diagnstico

porimagen

321

50

118

82

176

153

181

1081

Sist.Informacin

Radiodiagnstico

2

0

0

0

2

7

0

11

Tomade

de

cisiones

(84

9)

Propuesta

diagnstica

171

22

28

63

8

3

75

89

531

Propuesta

teraputica

81

16

24

43

5

2

48

54

318

Pronstico

(39

9)

Previsin

evolutiva

72

27

108

120

1

9

36

17

399

TO

TAL

1012

174

400

420

462

443

478

3389

En

laprimeracolumnasedistinguenlastresreasasistencialesconsideradas,constando

entreparntesiseltotaldecadauna.


38/60


Ta

bla

2.Artculosrelacionados

con

inteligencia

artificialen

la

gestin

sanitaria.

REA

Redes

Neuronales

Redes

Bayesianas

Mode

losde

Simulacin

Simulacinpor

Computadora

Lgica

Difusa

Sistemas

Expertos

Algoritmos

Genticos

TOTAL

Sistemasdeinformaciny

ge

stindeusuarios

9

4

9

16

0

38

0

76

Ad

ministracindeserviciosy

recursossanitarios

2

2

1

1

1

0

0

7

Ca

lidad

de

la

atencin

sa

nitaria

(To

tal:

31

6)

Planesdecalidaden

atencinsanitaria

3

0

9

8

0

3

0

23

Evaluacinde

procesosy

resultados

83

10

88

68

8

15

12

284

Indicadorescalidad

atencinsanitaria

1

0

0

0

0

0

0

1

Satisfaccindel

usuario

2

0

4

1

0

1

0

8

TO

TAL

100

16

111

94

9

57

12

399


39/60


Discusin

Lo ms destacable del presente estudio es la existencia de una ingente pro-duccin cientfica de la literatura cientfica del rea de la inteligencia arti-ficial, en general, as como la que est especficamente relacionada con laproyeccin de esta al mbito de las ciencias de la salud y, concretamente,a la medicina clnica. La aludida produccin cientfica muestra un creci-miento exponencial en las dos ltimas dcadas y en el momento actual ansigue en ascenso.

Tal hecho estara en sintona con el impacto social que ha supuesto eldesarrollo de las ciencias computacionales y, en un sentido ms amplio, de

la tecnologa. De este modo, la introduccin de la TICs o Tecnologas de laInformacin y Comunicacin (y no ya slo de la informtica) han dejadosu impronta en numerosas reas biomdicas. Ejemplo de ello sera la intro-duccin de la telemedicina para la asistencia clnica urgente o programada,o el empleo de formas de domtica en centros sanitarios (48,49).

Por tanto, habra que entender los hallazgos del presente estudio enel contexto social del momento desde un prisma global, antes que desde elprisma especfico de la medicina en lo que ha venido a denominarse la erade la e-salud o salud digital (48,50).

Sin embargo, pese a la antigedad de este tema, no se han recuperadoinformes de evaluacin, ni revisiones sistemticas. De forma anloga, losartculos no referan formas que en la actualidad estn instauradas de for-ma generalizada en medicina asistencial, ni implementadas rutinariamenteen regiones o sistemas sanitarios concretos. Ms bien trataban de frmulasinnovadoras para la resolucin de problemas en escenarios reales o teri-cos. Se hall un estudio bibliomtrico relacionado con el presente trabajo,pero no fue recuperado para su inclusin en l al no poderse incardinar enel objeto de estudio del mismo. En l se analizaba la produccin cientficacorrespondiente al rea de la bioinformtica y de la informtica mdica engeneral, quedando excluida la IA en cualquiera de sus formas (51).

Atendiendo a las dos macroreas en que se ha centrado el estudiobibliomtrico, la de gestin sanitaria ha supuesto la dcima parte de art-culos que la correspondiente a asistencia clnica. Esta proporcin est enlgica correspondencia con la literatura global relacionada con estas dosmacroreas, por lo que la IA no supone por tanto una excepcin a dichaproporcin.

S resultan diferencias al observar la distribucin de los documentosrecuperados en relacin a la asistencia clnica y a la gestin sanitaria al

clasificarlos segn las formas de IA consideradas.


40/60


En ambos mbitos, los artculos sobre redes neuronales son especial-mente numerosos. En la asistencia clnica son los ms frecuentes, supo-niendo un 29% del total, seguidos muy de lejos por los relacionados con

algoritmos genticos (14%). En la gestin sanitaria han sido los segundosen frecuencia, con un 25,06%, detrs de los artculos sobre modelos de si-mulacin (27,81%) y delante de los de simulacin asistida por computadora(23,55%).

Puede resultar difcil interpretar estos datos. Podra inferirse que, par-tiendo de la filosofa de estas distintas formas de IA, las frmulas orienta-das a la resolucin de problemas concretos es la principal motivacin de laintroduccin de IA en medicina.

Las frmulas de simulacin tienen mayor frecuencia en la gestinsanitaria, mientras que las frmulas de optimizacin (sistemas expertos y

algoritmos genticos) tienen mayor presencia en la asistencia clnica, enespecial en lo relacionado con los laboratorios de anatoma patolgica y losservicios de diagnstico por imagen.

En este sentido, se observa que las distintas formas de IA presentanfrecuencias similares en relacin a los laboratorios de anatoma patolgicay a los servicios de diagnstico por imagen, lo cual es lgico si se piensa quela anatoma patolgica, en definitiva trabaja con imgenes microscpicas. Sise unen ambas reas asistenciales (anatoma patolgica y diagnstico porimagen), puede comprobarse que el 53% de los artculos del mbito de la

asistencia clnica se incluiran en ellas. De forma aislada, los concernientesa diagnstico por imagen supondran un 32,2%. En definitiva, el estudio deimgenes mdicas genera la mayor parte de la literatura relacionada conutilidades de IA en medicina.

En lneas generales, los campos de la medicina con ms produccincientfica son las que tradicionalmente utilizan recursos informticos en suquehacer desde ms tiempo atrs y, actualmente, en mayor grado desde elpunto de vista cuantitativo. Se entiende pues que desde el punto de vistacualitativo, dichas reas son las que van en avanzadilla en la investigacin

y, a veces, implementacin de formas de IA.Sin embargo, si bien el diagnstico por imagen ocupa un primer lugaren trminos cuantitativos absolutos, las tecnologas de laboratorio clnico apa-recen con anterioridad, considerando la cronologa de las publicaciones (52).

As, las primeras formas o esquemas bsicos de inteligencia artificialperteneceran al rea del laboratorio clnico. Dichas formas, de inicio fue-ron sistemas pticos para la captura de datos correspondientes a solicitudesanalticas. Hoy das, de hecho, no se entiende la rutina de un laboratorio cl-nico en ausencia de equipos de identificacin ptica de muestras biolgicas,habitualmente mediante cdigos de barras (52,53).


41/60


Las primeras aplicaciones de inteligencia artificial compleja perte-neceran tambin al mundo del laboratorio. No podran hablarse en s desistemas expertos, sino de reglas expertas, como formas elementales de los

primeros. Un ejemplo de ello sera la estructuracin de rangos de valida-cin tcnica y validacin clnica, la emisin de comentarios estandarizadosante la transgresin de ciertos niveles analticos considerados patolgicos,o el programar la medicin de magnitudes bioqumicas adicionales en fun-cin de los valores que surjan en las magnitudes analizadas (52-55).

Continuando con la cronologa de los artculos recuperados en elpresente trabajo, se observa que los relacionados con el estudio de imge-nes mdicas son ms recientes (se concentran en la ltima dcada). Puedepensarse que son ms modernos los procedimientos de procesamiento deimgenes habida cuenta del gran consumo de recursos informticos que

precisa trabajar con imgenes, en trminos de memoria y velocidad de pro-ceso. Por ello, hasta llegar a poder disponer de archivos de imgenes y pro-gramas de manipulacin de las mismas, se ha requerido de la existencia deequipos informticos muy potentes con respecto a otros mbitos. Quiz envirtud de tales requerimientos, gran cantidad de la investigacin en tornoa la utilidad de la IA en las imgenes mdicas, estn dirigidas a la optimi-zacin de recursos. Con ello, se han desarrollado frmulas para facilitar lavisualizacin e interpretacin de las imgenes y, de este modo, establecerdiagnsticos ms precisos y/o con mayor facilidad. Esto, aadido a la posi-

bilidad de almacenamiento de datos (a fin de disponer de archivos histri-cos personales de pacientes, al igual que en el laboratorio), ha simplificadoen gran medida la labor del personal sanitario (56-58).

Tambin en trminos generales, el mbito de la gestin sanitaria hasido el ms tardo en mostrar publicaciones relacionadas con IA. Estopuede igualmente estar en sintona con que sta es un rea joven, en lostrminos en que hoy da se entiende. No obstante, cabe resear que sucrecimiento ha sido muy notorio, en especial si se considera su representa-tividad en el conjunto de toda la investigacin biomdica. Tal hecho podra

estar en relacin con el progresivo desarrollo de las polticas y planes desalud, el mayor crecimiento de formas de aproximacin a la epidemiologay, en especial, la aplicacin de programas de control de calidad sanitario.

De este modo, la generacin de datos procedentes de mltiples temsde mbito de la calidad sanitaria, en conjuncin con factores epidemiolgi-cos y otras variables clnicas, ha dado origen a ingentes cantidades de infor-macin, susceptible de ser analizada y procesada. Fruto de ello han resulta-do formas bsicas de IA como los esquemas de priorizacin de asistenciasanitaria en funcin de la gravedad de la patologa del enfermo, tanto deforma urgente, como en programaciones de ingresos, como en organizacin

de intervenciones quirrgicas, etc. (59,60).


42/60


En cuanto a las especialidades mdicas de ms desarrollo en el m-bito de la IA, puede interpretarse que stas corresponden a las disciplinasque generan mayor cantidad de investigacin en s. Tal sera el caso del

claro protagonismo de la oncologa.Pero tambin puede pensarse en la mayor frecuencia de ciertas espe-cialidades en funcin de que se trate de reas que tradicionalmente se hanbeneficiado ms de los recursos informticos en la investigacin y estudiode las patologas por ellas asistidas. Tal sera el caso de lo observado en laneurologa y reas afines pues desde sus orgenes, la informtica ha sidoun referente continuo a la hora de estudiar el funcionamiento del sistemanervioso (sobre todo el sistema nervioso central) y, ms concretamente, ala hora de analizar el comportamiento humano y otras funciones cerebralessuperiores tanto en estado de actividad normal como patolgica. De forma

recproca, estas especialidades han servido muchas veces como modelo a lahora de idear el desarrollo de mltiples formas de IA (61,62).

A modo de conclusin, podr afirmarse que los avances de la IA sonconsecuencia del desarrollo global de la tecnologa y, ms globalmente, dela sociedad. De este modo, el mayor avance de la informtica, haciendoposible disponer de ordenadores ms potentes en capacidad y de mejoresmtodos de programacin ha posibilitado, entre otros muchos factores, eldesarrollo de la IA.

Pero habra que considerar que la IA no es slo una consecuencia de

los avances en los recursos tecnolgicos que la sustentan, sino que tambinobedece a las necesidades de las reas en que se aplica y a las cuales inten-ta dar respuesta.

Ejemplo demostrativo de lo expuesto podran ser los adelantos enbiotecnologa, concretamente en las reas relacionadas con la genmica yla protemica. Las plataformas de secuenciacin masiva del genoma, los es-tudios pangenmicos, como otras fuentes de obtencin de datos del geno-ma y el proteoma de los seres vivos, ha hecho necesario recurrir a mejoresrecursos informticos. Es as como ha surgido la bioinformtica y sus reas

relacionadas (63,64).En consecuencia, el desarrollo de las bases de datos bioinformticascomo las diferentes formas de estudio o aproximacin a las mismas, hanconllevado la aparicin de distintas formas de IA que optimicen y facilitendichas aproximaciones (65).


43/60


Conclusiones

1. La literatura sobre aplicaciones de la IA en medicina es muy abun-dante y ha evidenciado un crecimiento exponencial en las dos lti-mas dcadas, prosiguiendo actualmente en ascenso.

2. No se han identificado aplicaciones de IA instauradas de formageneralizada en medicina asistencial, ni implementadas rutinaria-mente en regiones o sistemas sanitarios concretos.

3. Existe una ingente produccin cientfica relacionada con la IA enasistencia clnica y en gestin sanitaria. Las formas de IA estudia-

das muestran frecuencias diferentes en estas dos macroreas.4. En la asistencia clnica, los artculos corresponden con mayor asi-

duidad al rea de diagnstico y en la gestin sanitaria la gran ma-yora se incluyen en el rea de la calidad de atencin sanitaria.

5. Las especialidades mdicas que muestran ms produccin cientfi-ca en relacin a la IA son la oncologa, la neurologa y las enfer-medades cardiovasculares.


44/60



45/60


Referencias

1. Szolovits P, Patil RS, Schwartz WB. Artificial intelligence in medicaldiagnosis. Ann Intern Med. 1988; 108:80-7.

2. Achacoso TB, Yamamoto WS. Perspect Biol Med. Artificial ethol-ogy and computational neuroethology: a scientific discipline andits subset by sharpening and extending the definition of artificialintelligence. 1990; 33:379-89.

3. Mural RJ, Einstein JR, Guan X, Mann RC, Uberbacher EC. An ar-An ar-tificial intelligence approach to DNA sequence feature recognition.

Trends Biotechnol. 1992; 10:66-9.4. Thompson E. Symbol grounding: a bridge from artificial life, to ar-

tificial intelligence. Brain Cogn. 1997; 34:48-71.

5. Husbands P, Harvey I, Cliff D, Miller G. Artificial evolution: a newpath for artificial intelligence? Brain Cogn. 1997; 34:130-59.

6. Persidis A, Persidis A. Artificial intelligence for drug design. NatBiotechnol. 1997; 15:1035-6.

7. Petot GJ, Marling C, Sterling L. An artificial intelligence system forcomputer-assisted menu planning. J Am Diet Assoc. 1998; 98:1009-14.

8. Bell AJ. Levels and loops: the future of artificial intelligence andneuroscience. Philos Trans R Soc Lond B Biol Sci. 1999; 354:2013-20.

9. Marshall BE. Artificial intelligence applications in the intensivecare unit. Hanson CW 3rd, Crit Care Med. 2001; 29:427-35.

10. Stefanelli M. The socio-organizational age of artificial intelligencein medicine. Artif Intell Med. 2001; 23:25-47.

11. Narayanan A, Keedwell EC, Olsson B. Artificial intelligence tech-niques for bioinformatics. Appl Bioinformatics. 2002; 1:191-222.

12. Ramesh AN, Kambhampati C, Monson JR, Drew PJ. Artificial in-telligence in medicine. Ann R Coll Surg Engl. 2004; 86:334-8.

13. Laghaee A, Malcolm C, Hallam J, Ghazal P. Artificial intelligenceand robotics in high throughput post-genomics. Drug Discov To-day. 2005; 10:1253-9.

14. Flouris AD, Duffy J. Applications of artificial intelligence systemsin the analysis of epidemiological data. Eur J Epidemiol. 2006;21:167-70.


46/60


15. Norwitz ER. Artificial intelligence: can computers help solve thepuzzle of parturition? Am J Obstet Gynecol. 2006; 194:1510-2.

16. Duch W, Swaminathan K, Meller J. Artificial intelligence approach-

es for rational drug design and discovery. Curr Pharm Des. 2007;13:1497-508.

17. Cooper RA, Ding D, Grindle GG, Wang H. Personal mobility andmanipulation using robotics, artificial intelligence and advancedcontrol. Conf Proc IEEE Eng Med Biol Soc. 2007; 2007:4368-71.

18. Karlsson D, Forsum U. Medical decision-support systems and theconcept of context. Med Inform Internet Med. 2004; 29:109-18.

19. Shao L, Zhang H, de Haan G. An overview and performance eval-An overview and performance eval-uation of classification-based least squares trained filters. IEEE

Trans Image Process. 2008; 17:1772-82.20. Kroeker KL. Seeing data: new methods for understanding infor-

mation. IEEE Comput Graph Appl. 2004; 24:6-12.

21. Bellazzi R, Sacchi L, Concaro S. Methods and tools for miningmultivariate temporal data in clinical and biomedical applications.Conf Proc IEEE Eng Med Biol Soc. 2009; 2009:5629-32.

22. Sumida BH, Houston AI, McNamara JM, Hamilton WD. Geneticalgorithms and evolution. J Theor Biol. 1990; 147:59-84.

23. Forrest S. Genetic algorithms: principles of natural selection ap-plied to computation. Science. 1993; 261:872-8.

24. Srinivas M, Patnaik LM. On modeling genetic algorithms for func-tions of unitation. IEEE Trans Syst Man Cybern B Cybern. 1996;26:809-21.

25. McNay D, Michielssen E, Rogers RL, Taylor SA, Akhtari M, Suth-erling WW. Multiple source localization using genetic algorithms. JNeurosci Methods. 1996; 64:163-72.

26. Park LJ, Park CH, Park C, Lee T. Application of genetic algorithms

to parameter estimation of bioprocesses. Med Biol Eng Comput.1997; 35:47-9.

27. Helaers R, Milinkovitch MC. MetaPIGA v2.0: maximum likeli-hood large phylogeny estimation using the metapopulation geneticalgorithm and other stochastic heuristics. BMC Bioinformatics.2010; 11:379.

28. Sandell HS, Bourne JR. Expert systems in medicine: a biomedicalengineering perspective. Crit Rev Biomed Eng. 1985; 12:95-129.

29. Edwards M, Morse DR, Fielding AH. Expert systems: frames, rulesor logic for species identification? Comput Appl Biosci. 1987; 3:1-7.


47/60


30. Holman JG, Cookson MJ. Expert systems for medical applications.J Med Eng Technol. 1987; 11:151-9.

31. Kahn MG, Bailey TC, Steib SA, Fraser VJ, Dunagan WC. Statistical

process control methods for expert system performance monitor-ing. J Am Med Inform Assoc. 1996; 3:258-69.

32. Blom JA. Temporal logics and real time expert systems. ComputMethods Programs Biomed. 1996; 51:35-49.

33. Metaxiotis KS, Samouilidis JE. Expert systems in medicine: acade-mic exercise or practical tool? J Med Eng Technol. 2000; 24:68-72.

34. Edwards M, Cooley RE. Expertise in expert systems: knowledgeacquisition for biological expert systems. Comput Appl Biosci.1993; 9:657-65.

35. Bellazzi R, Zupan B. Predictive data mining in clinical medicine:current issues and guidelines. Int J Med Inform. 2008; 77:81-97.

36. Urbach D, Moore JH. Data mining and the evolution of biologicalcomplexity. BioData Min. 2011; 4:7.

37. Hamelryck T. Probabilistic models and machine learning in struc-tural bioinformatics. Stat Methods Med Res. 2009; 18:505-26.

38. Isci S, Ozturk C, Jones J, Otu HH. Pathway analysis of high-throughput biological data within a Bayesian network framework.

Bioinformatics. 2011; 27:1667-74.39. Kuschner KW, Malyarenko DI, Cooke WE, Cazares LH, Semmes

OJ, Tracy ER. A Bayesian network approach to feature selection inmass spectrometry data. BMC Bioinformatics. 2010; 11:177.

40. Chakrabarti BK, Basu A. Neural network modeling. Prog BrainRes. 2008; 168:155-68.

41. Bicciato S. Artificial neural network technologies to identify bio-markers for therapeutic intervention. Curr Opin Mol Ther. 2004;6:616-23.

42. Lynd LD, Obrien BJ. Advances in risk-benefit evaluation usingprobabilistic simulation methods: an application to the prophylaxisof deep vein thrombosis. J Clin Epidemiol. 2004; 57:795-803.

43. Kopec JA, Fins P, Manuel DG, Buckeridge DL, Flanagan WM,Oderkirk J, et al. Validation of population-based disease simulationmodels: a review of concepts and methods. BMC Public Health.2010; 10:710.

44. Jun GT, Morris Z, Eldabi T, Harper P, Naseer A, Patel B, et al. De-

velopment of a Modelling and Simulation Method Comparison


48/60


and Selection Framework for Health Services Management. BMCHealth Serv Res. 2011; 11:108.

45. Harris SA. Modelling the biomechanical properties of DNA using

computer simulation. Philos Transact A Math Phys Eng Sci. 2006;364:3319-34.

46. Vitez TS, Wada R, Macario A. Fuzzy logic: theory and medical ap-plications. J Cardiothorac Vasc Anesth. 1996; 10:800-8.

47. Godil SS, Shamim MS, Enam SA, Qidwai U. Fuzzy logic: A sim-ple solution for complexities in neurosciences? Surg Neurol Int.2011; 2:24.

48. Pinciroli F, Corso M, Fuggetta A, Masseroli M, Bonacina S, Marce-glia S. Telemedicine and e-health. IEEE Pulse. 2011; 2:62-70.

49. Lupiez-Villanueva F, Hardey M, Torrent J, Ficapal P. The integra-tion of Information and Communication Technology into medicalpractice. Int J Med Inform. 2010; 79:478-91.

50. Lang A, Mertes A. E-health policy and deployment activities inEurope. Telemed J E Health. 2011; 17:262-8.

51. Bansard JY, Rebholz-Schuhmann D, Cameron G, Clark D, vanMulligen E, Beltrame E, et al. Medical informatics and bioinfor-matics: a bibliometric study. IEEE Trans Inf Technol Biomed. 2007;

11:237-43.52. OSullivan MB. Changing technologies in the reference laboratory.Arch Pathol Lab Med. 1987; 111:657-61.

53. Llaurado JG. Advances in sensory devices for medicine. Int J Bi-omed Comput. 1987; 20:233-8.

54. Myers JD. The computer as a diagnostic consultant, with emphasison use of laboratory data. Clin Chem. 1986; 32:1714-8.

55. Van Lente F, Castellani W, Chou D, Matzen RN, Galen RS. Appli-cation of the EXPERT consultation system to accelerated labora-

tory testing and interpretation. Clin Chem. 1986; 32:1719-25.56. Wu J, Murphy MJ. Assessing the intrinsic precision of 3D/3D rig-

id image registration results for patient setup in the absence of aground truth. Med Phys. 2010; 37:2501-8.

57. Bernardis E, Yu SX. Segmentation subject to stitching constraints:finding many small structures in a large image. Med Image ComputComput Assist Interv. 2010; 13:119-26.

58. Chadha M, Young A, Geraghty C, Masino R, Harrison L. Image

guidance using 3D-ultrasound (3D-US) for daily positioning oflumpectomy cavity for boost irradiation. Radiat Oncol. 2011; 6:45.


49/60


59. Schade CP, Brehm JG. Improving the home health acute-care hos-pitalization quality measure. Health Serv Res. 2010; 45:712-27.

60. Mar J, Arrospide A, Begiristain JM, Larraaga I, Elosegui E, Oliva-

Moreno J. The impact of acquired brain damage in terms of epide-miology, economics and loss in quality of life. BMC Neurol. 2011;11:46.

61. Duch W. Computational models of dementia and neurologicalproblems. Methods Mol Biol. 2007; 401:305-36.

62. Latteri A, Arena P, Mazzone P. Characterizing Deep Brain Stimu-lation effects in computationally efficient neural network models.Nonlinear Biomed Phys. 2011; 5:2.

63. Atlamazoglou V, Thireou T, Hamodrakas Y, Spyrou G. MetaBasis:

a web-based database containing metadata on software tools anddatabases in the field of bioinformatics. Appl Bioinformatics. 2006;5:187-92.

64. Khandheria P, Garner HR. Developing a modern web interface fordatabase-driven bioinformatics tools. IEEE Eng Med Biol Mag.2007; 26:96-8.

65. Seno S, Teramoto R, Takenaka Y, Matsuda H. A method for clus-tering gene expression data based on graph structure. Genome In-form. 2004; 15:151-60.


50/60


51/60


Anexos

Estrategias de bsqueda por macroreas

1 (artificial and intelligence).m_titl.1

2 neural network*.m_titl.3 genetic algorithm*.m_titl.4 expert system*.m_titl.5 fuzzy logic.m_titl.6 bayesian network*.m_titl.

7 (simulation method* or computer simulation).m_titl.8 *Artificial Intelligence/9 *Neural Networks (Computer)/10 *Expert Systems/11 *Fuzzy Logic/12 *Computer Simulation/13 6 or 4 or 1 or 3 or 7 or 2 or 514 8 or 11 or 10 or 9 or 1215 13 or 1416 limit 15 to humans

17 limit 16 to (editorial or letter)18 16 not 1719 (ad or ae or dh or di or dt or du or in or mo or nu or og or pc or

ra or re or rh or rt or su or th or tu).fs.20 19 and 18

Estrategias de bsqueda por especialidades

21 exp Neoplasms/22 21 and 2023 exp Skin Diseases/24 23 and 2025 exp Otorhinolaryngologic Diseases/26 25 and 2027 exp Eye Diseases/28 27 and 20

1. Medline interfz OvidSP.


52/60


29 exp Respiratory Tract Diseases/30 29 and 2031 exp Cardiovascular Diseases/

32 31 and 2033 exp Nervous System Diseases/34 33 and 2035 bacterial infections and mycoses/ or virus diseases/ or parasitic

diseases/36 35 and 2037 exp Musculoskeletal Diseases/38 37 and 2039 exp Digestive System Diseases/40 20 and 39

41 exp Male Urogenital Diseases/42 20 and 4143 exp female urogenital diseases and pregnancy complications/44 20 and 4345 exp hemic and lymphatic diseases/ or disease/46 45 and 2047 exp congenital, hereditary, and neonatal diseases and abnorma-

lities/48 20 and 47

49 exp nutritional and metabolic diseases/ or exp endocrine sys-tem diseases/

50 20 and 4951 exp Immune System Diseases/52 20 and 51


53/60


54/60


55/60


56/60


57/60


58/60


59/60


60/60

Documents

AETSA 2009-6 Algoritmos Geneticos