Descripción de las herramientas de inteligencia artificial, Deep Learning y Machine Learning empleadas en el aprendizaje del diagnóstico: Un nuevo enfoque en desarrollo de la valoración de signos y síntomas desde una revisión sistemática
No hay miniatura disponible
Archivos
Fecha
2024-05
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
Introducción: La evolución tecnológica en el mundo ha planteado retos importantes para la humanidad. Con la llegada de la inteligencia artificial, se han generado diferentes dudas de cómo será la interacción que tengan los profesionales en las habilidades a desarrollar en las diferentes áreas del conocimiento, para de esta manera lograr capacidades profesionales enfocadas a la resolución de problemas. Objetivo: Describir los diferentes modelos de inteligencia artificial; Deep Learning y Machine Learning; empleados en el aprendizaje de la medicina del diagnóstico en medicina, enfocados en la evaluación de signos y síntomas para el diagnóstico de la enfermedad. Metodología: Se realizó una revisión sistemática acerca del uso de modelos de inteligencia artificial para la enseñanza del aprendizaje del diagnóstico a partir de la presencia de signos síntomas, aplicando la guía PRISMA, se aplicó la verificación de los parámetros propuestos en la guía JAMA, se analizado por dos evaluadores externos con la herramienta CASPe, se valoraron los sesgos con las herramientas ROBIS. Resultados: Se eligieron 19 artículos, 42,10% correspondieron a Metaanálisis, 52,63% a revisiones sistemáticas y 5,27% revisión de alcance. Se empleó el uso de AI para el diagnóstico de diferentes enfermedades en diferentes áreas del conocimiento médico, 13 artículos usaron modelos de ML y DL, el uso de regresión logística represento el 73,68%, la estadística Bayesiana represento el 36,84%, los modelos de AI tienen una precisión para el diagnóstico de las enfermedades en comparación con los métodos tradicionales de mayores al 80% alcanzando niveles de precisión hasta del 99%. La predicción de toxicidad en cáncer de cabeza y cuello por quimioterapia ROC área de 0,82 IC 95% (0,771-0,868) p(<0,001), competencias de trabajadores de la salud área ROC 0,96 IC 95% (0,954-0,976) p(<0,001), en cirugía vascular área ROC 0,795 (0,61-1.00) p(<0,001)(34), el diagnostico de Alzheimer área ROC de 0,96 IC 95% de 0,94- 0,97 p significativa(<0,029), la predicción de enfermedad
cardiovascular ROC 0,843 IC95% (0,840-0,845) p(<0,001). Para el diagnóstico de Alzhéimer OR 1,42 IC 95% (1,15 – 1,76) p(<0,029), hipertensión arterial y enfermedad cerebrovascular OR de 10,85 IC 95% (4,74-24,83) p(<0,05) y OR 25,08 IC 95% (11,48-54,78) (<0,05). En contraste los OR de predicción para diabetes mellitus OR 0,09 IC 95% (0,048 – 0,167) p (<0,001). Conclusión: El análisis de datos y el manejo de la información ha permitido que los modelos de AI tengan la capacidad de desarrollar algoritmos para situaciones complejas como el diagnóstico de la enfermedad. Lejos de reemplazar la actividad humana facilitarán su desarrollo académico e investigativo. La docencia tiene la obligación de formar a los profesionales y en este contexto a los médicos en la manejo optimo y responsable de estas herramientas, integrándolos a la 9 didáctica y el currículo para consolidar habilidades clínicas como la detección de signos y síntomas, la integración con estudios bioquímicos y el incremento de su capacidad diagnostica al relacionar esta información con análisis imagenológico, radiológico y no radiológico.
Descripción
Abstract
Introduction: Technological evolution in the world has posed significant challenges for humanity. With the arrival of artificial intelligence, different doubts have arisen about how professionals will interact, and the skills needed to be developed in various fields of knowledge, to achieve professional skills focused on problem-solving. Objective: To describe the different models of artificial intelligence; Deep Learning and Machine Learning; used in teaching diagnostic medicine, focusing on evaluating signs and symptoms for disease diagnosis. Methodology: A systematic review was conducted on the use of artificial intelligence models for teaching diagnostic learning based on the presence of signs and symptoms, applying the PRISMA guideline, verifying the parameters proposed in the JAMA guideline, analyzed by two external evaluators with the CASPe tool, bias was assessed using the ROBIS tools. Results: Nineteen articles were selected, with 42.10% corresponding to Meta-analyses, 52.63% to systematic reviews, and 5.27% to scoping reviews. AI was used for diagnosing various diseases in different medical fields, with 13 articles using ML and DL models. Logistic regression was used in 73.68% of cases, Bayesian statistics in 36.84%. AI models have shown a precision for diagnosing diseases of over 80% compared to traditional methods, reaching precision levels of up to 99%. Prediction of toxicity in head and neck cancer due to chemotherapy had a ROC area of 0.82, workers' competencies in the health field had a ROC area of 0.96, and for vascular surgery, the ROC area was 0.795. Alzheimer's diagnosis had a ROC area of 0.96, cardiovascular disease prediction achieved a ROC area of 0.843. Odds ratio for Alzheimer's diagnosis was 1.42, while for hypertension and cerebrovascular disease were 10.85 and 25.08, respectively. Conversely, the odds ratio for predicting diabetes mellitus was 0.09. Conclusion: Data analysis and information management have allowed AI models to develop algorithms for complex situations such as disease diagnosis. Instead of replacing human activity, they will facilitate academic and research development. Education has the duty to train professionals, including medical professionals, in the optimal and responsible use of these tools, integrating them into teaching methods and curricula to enhance clinical skills such as symptom detection, integration with biochemical studies, and improved 10 diagnostic capacity through the correlation of information with imaging and non-imaging analysis.
Palabras clave
Deep learning, Machine learning, Enseñanza, Aprendizaje, Signos, Síntomas
Keywords
Deep learning, Machine learning, Teaching, Learning, Signs, Symptoms