por Marcelo D’Agostino
Estimados colegas de la Red IS4H y Salud Digital,
Esta información no es solo para ingenieros. Es para todos aquellos que intentan comprender, usar y adoptar la IA en el sector salud. Esto supone un gran cambio en las reglas del juego de la IA. Muchos de ustedes probablemente hayan oído hablar del revolucionario artículo que Google publicó recientemente.
Aprendizaje anidado: La ilusión de las arquitecturas de aprendizaje profundo“, disponible aquí .
Aquí intento explicarlo de la mejor manera posible, porque creo firmemente que es importante que todos comprendan esto y cómo los nuevos conceptos y términos transformarán los paradigmas de la salud e incluso nuestra relación con la realidad. Justo cuando nos estábamos acostumbrando a conceptos como las alucinaciones o la antropomorfización, entre otros, aparece uno nuevo: el olvido catastrófico. Según este nuevo modelo, la mayoría de los sistemas de IA actuales presentan un defecto sorprendente: el olvido. En términos técnicos, este problema se presenta cuando un sistema de IA no puede seguir aprendiendo nueva información sin perder lo que ya sabe . En lugar de un “cerebro congelado”, el nuevo enfoque introduce una arquitectura que se comporta más como la neuroplasticidad, un sistema que permite al modelo aprender y adaptarse continuamente.
IA antigua: aprende una vez y luego se detiene.
Aprendizaje anidado: actualizaciones en tiempo real, como un médico que aprende de cada nuevo caso.
Por qué esto es importante para los trabajadores de la salud: Porque si las herramientas de IA no pueden seguir aprendiendo, no solo corren el riesgo de brindar información obsoleta o engañosa, sino también de reforzar viejos sesgos, pasar por alto patrones emergentes y no respaldar las necesidades rápidamente cambiantes de nuestros sistemas de salud y las comunidades a las que servimos.Para que la IA apoye nuestro trabajo, desde los sistemas de alerta temprana hasta la telesalud y la gobernanza de datos, debe superar este olvido y ser tan dinámica como los sistemas de salud a los que servimos. Comprender este concepto es esencial para cualquier persona que trabaje en el sector salud. Por ello, comparto con humildad dos infografías caseras que creé con la ayuda de la herramienta de IA NotebookLM.
Beneficios prometedores de este nuevo enfoque:
- IA que se mantiene actualizada
Los modelos pueden aprender continuamente de nuevas pautas, datos y evidencia sin necesidad de volver a capacitarse por completo. - Mejor detección de brotes La
adaptación en tiempo real ayuda a identificar nuevos patrones, mutaciones o eventos inusuales más rápidamente. - Sesgo reducido a lo largo del tiempo
Debido a que el modelo sigue aprendiendo, los sesgos antiguos se pueden corregir en lugar de quedar “bloqueados” de forma permanente. - Herramientas de apoyo a la toma de decisiones clínicas más fiables
pueden evolucionar con los protocolos, mejorando la precisión y la relevancia para los trabajadores de primera línea. - Sistemas de alerta temprana más fuertes
El aprendizaje dinámico hace que las herramientas de vigilancia sean más sensibles a los riesgos emergentes y a los cambios en la salud de la población. - Menor costo operativo
El aprendizaje continuo reduce la necesidad de ciclos de reentrenamiento de modelos costosos y que consumen mucho tiempo. - Una alineación más estrecha con la forma en que los humanos aprenden
la IA se parece más a un médico que aprende de cada nuevo caso, no a un sistema estático estancado en el tiempo. - Mejor servicio a áreas remotas o desatendidas
Los modelos adaptativos pueden mejorar el triaje, el apoyo de telesalud y la toma de decisiones a nivel local a medida que llegan nuevos datos.
Puede haber errores de interpretación o explicación, y agradecería mucho que me lo hicieran saber para que juntos podamos ajustarlos y mejorarlos, trabajando en red.
Atentamente,
Marcelo
Fuente: http://www.paho.org/