Introducción
JIS Summit 2023 – XVIII Jornadas de Informática en Salud –
El evento se desarrolló durante los días 1, 2 y 3 de Noviembre en el CMD (Centro Metropolitando de Diseño) ubicado en el barrio de Barracas, Buenos Aires (CABA), Argentina. Excelente espacio para este tipo de eventos.
Desde su sitio, una vez registrado, se puede acceder a una videoteca y también tener la posibilidad de registrarse para recibir una revista digital con las novedades del área.
A continuación te muestro algunas de las charlas que se dieron y que fueron de mi interés dentro del Simposio de IA.
En próximas publicaciones estaré compartiendo parte del contenido de las charlas a las cuales asistí.
Charlas seleccionadas
Las siguientes charlas fueron de mi interés, el resto las podrás buscar en el cronograma o bien, bajándote el programa con todas las charlas presenciales y virtuales.
01/11 – 9:30 a 10:30
Ética en Equilibrio: Explorando la Inteligencia Artificial en Salud
Andrea Mariel Actis Rosina Pace Sonia Benitez Nicolás Nieto
01/11 – 10:30 a 11:00
Inteligencia Artificial y Humanismo médico
Ernesto Gil Deza
01/11 – 11:15 a 11:45
Procesamiento de CDAs con el uso de las APIS de CHAT GPT. Experiencia Hospital Italiano
Francisco Marin
01/11 – 11:45 a 12:15
IA y Ciberseguridad: desafíos y posibilidades
Pablo Lema
01/11 – 13:45 a 14:30
IA & Educación
Vera Larker
Ana Clara Genta
02/11 – 11:15 a 11:41
Nuevas tendencias y la revolución de la IA Generativa en la industria
Leandro Srur
3/11 – 11:00 – 12:00
Desafíos y estrategias en la creación de datasets en salud para herramientas de inteligencia artificial
Sabrina Lopez – Mauricio Farez – María Agustina Ricci Lara – Santiago Esteban – María Cristina N.
Síntesis de una charla
Incorporación de ChatGPT y modelos de IA generativa a una historia clínica electrónica. (Su Orador: Sergio Montenegro)
A modo de síntesis, destacaré los aspectos de mayor importancia de su charla a mi modesto entender, e incluiré algunos conceptos que tal vez te puedan servir para entender parte del contexto y que a mi me ayudan para reforzar mis estudios.
Desafíos en la Gestión de Información Médica
La historia clínica electrónica se ha vuelto esencial para los profesionales de la salud, acumulando gran cantidad de información sobre los pacientes con el tiempo. La gestión de esta información puede resultar abrumadora y consumir mucho tiempo. La incorporación de ChatGPT y modelos de inteligencia artificial generativa puede mejorar significativamente la eficiencia y precisión del registro médico, permitiendo a los profesionales centrarse en el cuidado del paciente.
Beneficios de la Inteligencia Artificial Generativa
La Inteligencia artificial generativa ofrece beneficios clave, como la mejora en la eficiencia y la precisión de la documentación. Esto no solo agiliza el proceso de registro, sino que también permite la personalización de la atención médica y reduce errores y omisiones en la historia clínica electrónica.
Aplicaciones actuales de la Inteligencia Artificial Generativa
Actualmente, la IA generativa se utiliza en diversas aplicaciones, como chatbots para la autogestión de turnos y consultas frecuentes. También se emplea como herramienta de asistencia al diagnóstico, proporcionando recomendaciones personalizadas basadas en el historial clínico del paciente.
Integrando Salud: Plataforma y Evolución hacia lo Conversacional
Integrando Salud es una plataforma de gestión hospitalaria que evolucionó hacia una historia clínica electrónica conversacional con la incorporación de ChatGPT. Se exploran nuevas funcionalidades para reducir tareas administrativas, facilitar el registro y recopilación de información, y ayudar en la toma de decisiones clínicas.
Herramientas Innovadoras: Biblioteca de Prompts y Personalización
Se presenta la Biblioteca de Prompts, una herramienta que permite la personalización de instrucciones generales, por institución y a nivel individual. Esto ofrece escalabilidad, flexibilidad y eficiencia, permitiendo a los profesionales adaptar el sistema a diferentes servicios y especialidades.
Mejorando la Redacción y Segunda Opinión en la Historia Clínica
Se detallan funcionalidades implementadas, como la mejora en la redacción de evoluciones y la segunda opinión. Estas funcionalidades utilizan la capacidad de reconocimiento de voz a texto y la interpretación de ChatGPT para agilizar el proceso de registro y ofrecer perspectivas adicionales sobre resultados médicos.
Futuro y Desarrollo Continuo
El proyecto busca seguir sumando funcionalidades para mejorar la eficiencia en la búsqueda y recuperación de información del paciente. Se destaca la importancia de un uso ético y seguro de estas tecnologías, con un comité de profesionales que valida y ajusta las recomendaciones para garantizar resultados precisos y seguros.
Conclusiones de la charla
La integración de ChatGPT y modelos de IA generativa en la historia clínica electrónica ha demostrado ser una herramienta valiosa para mejorar la calidad de atención médica.
Reforzando conocimientos
A tono personal, y para reforzar conceptos que estoy estudiando, me voy a detener y aperturar alguno de ellos.
Contenidos relacionados con el concepto de «chatbot»
Definición de «chatbot»
Una aplicación utilizada para llevar a cabo una conversación a través de texto o texto a voz.
Ejemplo de AIaaS (Inteligencia Artificial como Servicio)
Es: IBM Watson Assistant
Este es un chatbot de inteligencia artificial que tiene un precio según la cantidad de usuarios activos mensuales.
Explorando el «Data Poisoning» y un ejemplo con Chatbot
En el ámbito de los ataques por envenenamiento de datos, se observa cómo un adversario manipula los datos de entrenamiento con el objetivo de alcanzar uno de dos resultados. Este actor puede introducir puertas traseras o troyanos en la red neuronal para facilitar intrusiones futuras. Más comúnmente, optarán por emplear datos de entrenamiento corruptos, como datos mal etiquetados, con el fin de inducir al modelo entrenado a generar predicciones incorrectas. Los ataques de envenenamiento buscan causar clasificaciones erróneas en situaciones específicas dentro del sistema de aprendizaje automático. También pueden adoptar una naturaleza indiscriminada, similar a un ataque de denegación de servicio. Un ejemplo notorio de ataque de envenenamiento es la corrupción del chatbot Microsoft Tay, donde un número reducido de conversaciones perjudiciales en Twitter entrenó al sistema, a través de retroalimentación, para ofrecer conversaciones contaminadas en el futuro.»
Explorando el Aprendizaje por Refuerzo y Chatbots
El aprendizaje por refuerzo (Reinforcement Learning, RL) es un tipo de ML (Machine Learning) que nace como un enfoque innovador donde un sistema, denominado ‘agente inteligente’, aprende de manera iterativa mediante la interacción con su entorno, basándose en la experiencia acumulada. A diferencia de otros métodos (Aprendizaje Supervisado y No Supervisado), el aprendizaje por refuerzo no depende de datos de entrenamiento predefinidos. En este proceso, el agente recibe recompensas por decisiones acertadas y penalizaciones por decisiones equivocadas.
El establecimiento del entorno, la selección de la estrategia idónea para que el agente alcance sus metas y el diseño de una función de recompensa representan desafíos fundamentales en la implementación del aprendizaje por refuerzo. Configurar el escenario adecuado y definir las recompensas de manera precisa son aspectos cruciales para el éxito de este enfoque.
Ejemplos concretos de aplicaciones que aprovechan el aprendizaje por refuerzo incluyen la robótica, donde los robots pueden aprender y mejorar sus acciones con la experiencia, y los vehículos autónomos, que se benefician de la capacidad de adaptarse a diferentes condiciones de conducción.
En el mismo contexto, los chatbots destacan como otra aplicación clave. Estos agentes virtuales, diseñados para interactuar con usuarios a través de conversaciones, emplean el aprendizaje por refuerzo para mejorar sus respuestas con el tiempo. Así, los chatbots se vuelven más efectivos al ser recompensados por interacciones útiles y corregidos en caso de respuestas menos precisas.
