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

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.

• Autores: Leon Chavez, Angel Fabian; Duque Ortiz, Jesus David
• Tipo de recurso: https://purl.org/coar/resource_type/c_7a1f
• Fecha de publicación: 2024
• Institución: Universidad El Bosque
• Repositorio: Repositorio U. El Bosque
• Idioma: spa
• OAI Identifier: oai:repositorio.unbosque.edu.co:20.500.12495/12560
• Acceso en línea: https://hdl.handle.net/20.500.12495/12560
• Palabra clave: Deep learning; Machine learning; Enseñanza; Aprendizaje; Signos; Síntomas; 378.12; Deep learning; Machine learning; Teaching; Learning; Signs; Symptoms
• License: Attribution-NonCommercial-NoDerivatives 4.0 International