糖心vlog视频

Adoptada por la 70陋 Asamblea General de la AMM, Tiflis, Georgia, Octubre 2019
Derogada y archivada por la 76.陋 Asamblea General de la AMM, Oporto, Portugal, octubre de 2025

INTRODUCCION听

La inteligencia artificial (IA) es la capacidad que tiene una m谩quina para simular un comportamiento inteligente, calidad que permite que una entidad funcione apropiadamente y con anticipaci贸n en consideraci贸n de su entorno. El t茅rmino AI cubre una gama de m茅todos, t茅cnicas y sistemas. Los ejemplos comunes de sistemas de IA incluyen, entre otros, el procesamiento de lenguaje natural (PNL), la visi贸n artificial y el aprendizaje autom谩tico. En la atenci贸n m茅dica, como en otros sectores, las soluciones de IA pueden incluir una combinaci贸n de estos sistemas y m茅todos.

(Nota: un glosario de t茅rminos aparece como un ap茅ndice a esta declaraci贸n).

En salud, el t茅rmino m谩s apropiado es 鈥渋nteligencia aumentada鈥�, concepto alternativo que refleja con mayor precisi贸n el prop贸sito de tales sistemas porque est谩n destinados a coexistir con la toma de decisiones humana [1]. En consecuencia, lo que contin煤a en esta declaraci贸n IA se refiere a inteligencia aumentada.

Un sistema de IA que utiliza el aprendizaje autom谩tico emplea un algoritmo programado para aprender (芦algoritmo de aprendizaje禄) a partir de los datos denominados 芦datos de capacitaci贸n禄. El algoritmo de aprendizaje luego ajustar谩 autom谩ticamente el modelo de aprendizaje autom谩tico basado en los datos de capacitaci贸n. Un 芦sistema de aprendizaje continuo禄 actualiza el modelo sin supervisi贸n humana a medida que se presentan nuevos datos, mientras que los 芦aprendices bloqueados禄 no actualizar谩n autom谩ticamente el modelo con datos nuevos. En la atenci贸n m茅dica, es importante saber si el algoritmo de aprendizaje est谩 finalmente bloqueado o si contin煤a aprendiendo una vez implementado en la pr谩ctica cl铆nica para evaluar la calidad, la seguridad y el sesgo de los sistemas. Es fundamental ser capaz de rastrear la fuente de los datos de capacitaci贸n para comprender el riesgo asociado con la aplicaci贸n de un sistema de IA de atenci贸n m茅dica a personas cuyas caracter铆sticas personales son significativamente diferentes a las del conjunto de datos de capacitaci贸n.

La IA de atenci贸n m茅dica generalmente describe m茅todos, herramientas y soluciones cuyas aplicaciones se centran en entornos de atenci贸n m茅dica y atenci贸n al paciente. Adem谩s de las aplicaciones cl铆nicas, existen muchas otras aplicaciones de los sistemas de IA en la atenci贸n m茅dica, incluidas las operaciones comerciales, la investigaci贸n, la administraci贸n de la atenci贸n m茅dica y la salud de la poblaci贸n.

Los conceptos de inteligencia artificial y aprendizaje autom谩tico han interesado r谩pidamente a las organizaciones de salud, pero a menudo no existe una definici贸n clara de la terminolog铆a utilizada. Muchos consideran la IA como una panacea tecnol贸gica, sin embargo, la realizaci贸n de sus promesas puede presentar desaf铆os, debido a la supervisi贸n regulatoria en desarrollo para garantizar la seguridad y la eficacia cl铆nica, la falta de est谩ndares ampliamente aceptados, los problemas de responsabilidad, la necesidad de leyes y regulaciones claras que rijan el uso de datos y la falta de comprensi贸n compartida de la terminolog铆a y las definiciones.

Algunos de los usos m谩s prometedores de los sistemas de inteligencia artificial para la salud incluyen un an谩lisis predictivo, medicina de precisi贸n, diagn贸stico por im谩genes de enfermedades y apoyo a las decisiones cl铆nicas. Los avances en estas 谩reas est谩n en marcha y la inversi贸n en IA ha aumentado en los 煤ltimos a帽os [2]. En la actualidad, los sistemas de IA para la salud comienzan a proporcionar valor en el reconocimiento de patrones, procesamiento de lenguaje natural y aprendizaje en profundidad. Los sistemas de aprendizaje autom谩tico est谩n dise帽ados para identificar errores de datos sin perpetuarlos. Sin embargo, los sistemas de IA para la salud no reemplazan la necesidad de la relaci贸n m茅dico-paciente. Tales sistemas aumentan la atenci贸n m茅dica proporcionada por el m茅dico y no la reemplazan.

Los sistemas de IA para la salud deben ser transparentes, reproducibles y generar confianza entre el personal de salud y los pacientes. Los sistemas se deben enfocar en las necesidades de los usuarios. La facilidad de empleo y su eficacia deben ser evaluados por participantes que reflejan necesidades similares y patrones de pr谩ctica de los usuarios finales y los sistemas deben funcionar de manera eficaz con las personas. Los m茅dicos estar谩n m谩s dispuestos a aceptar sistemas de IA si pueden ser integrados o mejorar sus esquemas de pr谩cticas y tambi茅n mejorar la atenci贸n de los pacientes.

Oportunidades

La IA para la salud puede ofrecer un conjunto de herramientas de transformaci贸n a los m茅dicos y los pacientes y tiene el potencial de que la atenci贸n m茅dica sea m谩s segura y m谩s eficaz. La automatizaci贸n de los procesos hospitalarios y administrativos podr铆a mejorar la productividad de los m茅dicos. El uso de la extracci贸n de datos para producir informaci贸n 煤til y exacta en el momento adecuado puede mejorar los registros de salud electr贸nicos y el acceso a la informaci贸n pertinente del paciente. Los resultados de la extracci贸n de datos tambi茅n puede entregar evidencia para las tendencias que pueden servir para informar sobre la asignaci贸n de recursos y las decisiones de utilizaci贸n. Puede haber mejores diagn贸sticos y tratamientos si se analiza toda la informaci贸n conocida de un paciente. Tambi茅n existe el potencial de mejorar la experiencia del paciente, la seguridad del paciente y el cumplimiento del tratamiento.

Las aplicaciones de la IA para la salud en la educaci贸n m茅dica incluyen la educaci贸n m茅dica continua, simulaciones de capacitaci贸n, asistencia al aprendizaje el acompa帽amiento de los estudiantes de medicina y residentes y puede proporcionar herramientas de evaluaci贸n objetiva de las competencias. Estas aplicaciones ayudar铆an a personalizar la educaci贸n m茅dica y facilitar el aprendizaje independiente individual o grupal.

A parte de los m茅dicos, hay varios interesados y responsables de pol铆ticas que participan en la evoluci贸n de la IA en la atenci贸n m茅dica. Esto incluye a las asociaciones m茅dicas, empresas, gobiernos y la industria tecnol贸gica. Los m茅dicos tienen una oportunidad sin precedentes de informar e influir de manera positiva en los debates que se dan actualmente sobre la IA. Los m茅dicos deben involucrarse de forma din谩mica en estos intercambios para asegurar que sus opiniones sean escuchadas e incorporadas a esta tecnolog铆a de r谩pido desarrollo.

顿别蝉补蹿铆辞蝉

Los desarrolladores y reguladores de los sistemas de inteligencia artificial para la salud deben garantizar la divulgaci贸n adecuada y tener en cuenta los beneficios, las limitaciones y el alcance del uso apropiado de dichos sistemas. A su vez, los m茅dicos tendr谩n que comprender los m茅todos y sistemas para basarse en la recomendaci贸n cl铆nica. Los estudiantes de medicina y los m茅dicos en ejercicio deben ser informados sobre las posibilidades y limitaciones de los sistemas de IA para la salud, ya que su participaci贸n es esencial para la buena evoluci贸n del sector. Los sistemas de IA siempre deben ser conformes a los valores profesionales y a la 茅tica de la profesi贸n m茅dica.

La protecci贸n de la confidencialidad, control y propiedad de los datos del paciente es fundamental en la relaci贸n m茅dico-paciente. El anonimato de los datos no proporciona una protecci贸n suficiente a la informaci贸n del paciente cuando es suficiente tres puntos de informaci贸n, que pueden poner en riesgo la privacidad de los datos del paciente, a los algoritmos de aprendizaje por las m谩quinas para identificar a una persona en un inmenso y complejo conjunto de informaci贸n. Las expectativas actuales de los pacientes en cuanto a la confidencialidad de su informaci贸n personal deben abordarse y desarrollar nuevos modelos que incluyan el consentimiento y la gesti贸n de datos. Se exploran soluciones t茅cnicas viables para mitigar estos riesgos, que ser谩n important铆simas para adoptar el uso de sistemas de IA para la salud.

La estructura y la integridad de la informaci贸n son los mayores desaf铆os que deben enfrentarse cuando se dise帽en los sistemas de IA para la salud. El conjunto de informaci贸n en el que los sistemas de aprendizaje autom谩tico se basan es creado por humanos y puede ser sesgado y tener errores. Es por eso que estos conjuntos de informaci贸n normalizar谩n errores y las predisposiciones inherentes a su constituci贸n. Las minor铆as se pueden encontrar en desventaja porque hay menos informaci贸n disponible sobre las poblaciones minoritarias. Otra consideraci贸n en el dise帽o es c贸mo se evaluar谩 un modelo en su exactitud, lo que incluye un an谩lisis muy cuidadoso de la informaci贸n y su relaci贸n con el conjunto de datos usados para evaluar los algoritmos.

La generalizaci贸n de los sistemas de IA presenta importantes desaf铆os sobre cuestiones de responsabilidad. A medida que los modelos de supervisi贸n nuevos y existentes desarrollan sistemas de IA para la salud, los desarrolladores de tales sistemas generalmente tendr谩n el mayor conocimiento de los riesgos y estar谩n mejor posicionados para mitigar el riesgo. Como resultado, los desarrolladores de sistemas de IA para la salud y aquellos que exigen el uso de dichos sistemas deben ser responsables de los eventos adversos que resulten de un mal funcionamiento o una imprecisi贸n en la producci贸n. Los m茅dicos a menudo se ven frustrados con el uso de registros de salud electr贸nicos. Los sistemas dise帽ados para respaldar la atenci贸n m茅dica prestada en equipo y los modelos sobre el flujo de tareas. Adem谩s de los factores humanos en el dise帽o y desarrollo de los sistemas de IA para la salud, se debe dar una consideraci贸n significativa al despliegue apropiado del sistema. No todos los sistemas se pueden implementar en todas las configuraciones, debido a las variaciones de la fuente de datos.

Ya se trabaja para avanzar en la prestaci贸n y la supervisi贸n de la atenci贸n m茅dica con utilizaci贸n de IA, incluidas las normas de atenci贸n, los derechos de propiedad intelectual, los procedimientos de certificaci贸n o las regulaciones gubernamentales y los aspectos 茅ticos y jur铆dicos.

RECOMENDACIONES

1. Que la AMM:

• Reconozca el potencial para mejorar los resultados de los pacientes y la satisfacci贸n profesional de los m茅dicos mediante el uso de IA para la salud, siempre que se ajusten a los principios de la 茅tica m茅dica, la confidencialidad de los datos de los pacientes y la no discriminaci贸n.
• Apoye el proceso de establecer prioridades para la IA para la salud.
• Inste a la revisi贸n del curr铆culo m茅dico y a tener oportunidades educacionales para los pacientes, m茅dicos, estudiantes de medicina, administradores de salud y otros profesionales de salud, a fin de promover una mayor comprensi贸n de los diversos aspectos, positivos y negativos, de la IA para la salud.

2. La AMM insta a sus organizaciones miembros a:

• Encontrar oportunidades para incluir la perspectiva del m茅dico en ejercicio en el desarrollo, dise帽o, validaci贸n e implementaci贸n de la IA para la salud.
• Abogar por la participaci贸n directa del m茅dico en el desarrollo y gesti贸n de la IA para la salud y por una supervisi贸n apropiada gubernamental y profesional de los productos y servicios de la IA para que sean seguros, eficaces, equitativos, 茅ticos y accesibles.
• Abogar por que todos los sistemas de IA para la salud sean transparentes, reproducibles y sean confiables por el personal de salud y los pacientes.
• Abogar por la primac铆a de la relaci贸n m茅dico-paciente cuando se desarrollan e implementan sistemas de AI para la salud.

APENDICE

GLOSARIO DE TERMINOS UTILIZADOS EN LA INTELIGENCIA AUMENTADA PARA LA SALUD

El algoritmo es un conjunto de instrucciones detalladas y ordenadas que son seguidas por un computador para resolver un problema matem谩tico o para completar un proceso inform谩tico.

La inteligencia artificial consiste en una serie de m茅todos computacionales utilizados para producir sistemas que realizan tareas que muestran un comportamiento inteligente que no se puede distinguir del comportamiento humano.

La inteligencia aumentada (IA) es una conceptualizaci贸n de la inteligencia artificial que se centra en el papel de asistencia de la inteligencia artificial, y enfatiza que su dise帽o mejora la inteligencia humana en lugar de reemplazarla.

La visi贸n computacional es un campo cient铆fico interdisciplinario que trata sobre c贸mo se puede hacer que los computadores obtengan un alto nivel de comprensi贸n a partir de im谩genes digitales o videos y busque automatizar las tareas que puede realizar el sistema visual humano.

La extracci贸n de datos es un subcampo interdisciplinario de inform谩tica y estad铆stica cuyo objetivo general es extraer informaci贸n (con m茅todos inteligentes) de un conjunto de datos y transformar la informaci贸n en una estructura comprensible para su uso posterior

El aprendizaje autom谩tico (AA) es el estudio cient铆fico de algoritmos y modelos estad铆sticos que utilizan los sistemas inform谩ticos para realizar con eficacia tareas espec铆ficas con una m铆nima interacci贸n humana y sin usar instrucciones expl铆citas, mediante el aprendizaje de datos e identificaci贸n de patrones.

El procesamiento del lenguaje natural (PLN) es un subcampo de ciencias de la computaci贸n, ingenier铆a de la informaci贸n e inteligencia artificial relacionada con las interacciones entre las computadoras y los lenguajes humanos (naturales), en particular, c贸mo programar los computadores para procesar y analizar grandes cantidades de datos en lenguaje natural.

Los datos de capacitaci贸n se utilizan para formar un algoritmo; generalmente consiste en un cierto porcentaje de un conjunto de datos general junto con un conjunto de pruebas. Como regla general, cuanto mejor sean los datos de capacitaci贸n, mejor ser谩 el rendimiento del algoritmo. Una vez que un algoritmo es formado en un conjunto de capacitaci贸n, generalmente se eval煤a en un conjunto de prueba. El conjunto de capacitaci贸n debe estar etiquetado o enriquecido para aumentar la confianza y precisi贸n de un algoritmo.

[1] Para fines de esta 顿别肠濒补谤补肠颈贸苍, el t茅rmino 芦IA de atenci贸n m茅dica禄 se refiere a los sistemas que enriquecen el trabajo de los m茅dicos, pero no lo reemplazan.

[2] CB Insights. The Race for AI: Google, Baidu, Intel, Apple in a Rush to Grab Artificial Intelligence Startups. .