En la sanidad europea, y de manera especial en España, el diagnóstico médico está viviendo un gran momento de transformación. Ya no es solo que los hospitales tengan que afrontar una creciente demanda de pacientes, sino que que la capacidad de los especialistas para responder a esta presión está claramente desbordada. Uno de los campos de la medicina que más sufre este problema es la radiología que, requiriendo de una disciplina vital, se ve saturada por el volumen actual de imágenes y afectada por la falta de personal especializado.
A pesar de que este escenario sea un auténtico reto diario para los profesionales médicos, abre la puerta a empresas tecnológicas dispuestas a desarrollar la solución que los hospitales necesitan, más aún cuando empezamos a ver lo que las nuevas arquitecturas como los Vision Transformers (ViTs) son capaces de ofrecernos.
El impacto humano de la explosión de datos médicos
Si se compara la situación actual con la de hace apenas tres décadas, el cambio es bastante sorprendente. Antes de los 2000, los profesionales en radiología analizaban una tomografía digital con apenas veinte imágenes. Hoy en día, este mismo estudio puede ser capaz de generar más de mil doscientas. El incremento es alrededor de 60 veces superior, un crecimiento que ningún ser humano puede absorber con la misma precisión y velocidad que con la magnitud de muestras anterior.
La tecnología de adquisición de imágenes ha avanzado de forma espectacular, y es aquí donde aparece la primera limitación: cuanto más sofisticadas son las pruebas, más difícil resulta procesarlas con la rapidez y exactitud que requieren.
A esta sobrecarga debemos sumar la escasez de especialistas. Dentro del sistema sanitario, los radiólogos se encuentran entre los perfiles más demandados, y no es sorpresa que sufran uno de los índices más altos de desgaste laboral. Tras la pandemia, casi la mitad de los radiólogos en nuestro país reconocían síntomas de agotamiento profesional. Como resultado, sufrimos retrasos en las pruebas, demoras en los diagnósticos y tiempos de espera que para pacientes con enfermedades graves pueden marcar la diferencia entre un tratamiento eficaz y una oportunidad perdida.
También hay que considerar los flujos del trabajo clínico, donde muchos de los procesos siguen siendo manuales, y parte de los sistemas de información hospitalaria no siempre se comunican entre sí. Aunque la tecnología de captura de imágenes que se emplea es cada vez más avanzada, con los problemas latentes del sistema sanitario resulta complicado ofrecer un servicio digno a todos los pacientes que acuden a un hospital. Estos últimos, más que nuevas máquinas, empiezan a necesitar herramientas que hagan más inteligentes sus procesos.
El avance de la visión artificial en la precisión diagnóstica
Durante años, el gran obstáculo de la Inteligencia Artificial en medicina ha sido la dependencia de datos etiquetados. Enseñar a un algoritmo a reconocer una lesión requería una cantidad considerable de imágenes médicas, previamente analizadas y clasificadas por radiólogos. Este trabajo consumía tiempo, dinero y esfuerzo de los especialistas, que en ningún momento debían subestimar el resto de sus tareas diarias.
El aprendizaje autosupervisado (SSL) es un enfoque que permite que los modelos aprendan directamente de grandes volúmenes de imágenes sin necesidad de etiquetas previas. Los hospitales, que almacenan un gran historial de pruebas en sus archivos, se convierten en fuentes de datos listas para entrenar algoritmos capaces de detectar patrones complejos.
Al mismo tiempo, los Vision Transformers (ViTs) han supuesto una mejora significativa respecto a las redes neuronales convolucionales, que han sido el estándar durante años. Los ViTs muestran una capacidad notable para identificar características sutiles en bases de datos más pequeñas y específicas, algo especialmente relevante en enfermedades raras o en fases muy tempranas. A pesar de que pueden requerir un conjunto de datos mucho mayor que una arquitectura de red neuronal convolucional, el aprendizaje por transferencia facilita mucho este proceso, pudiendo obtener resultados más precisos al afinar el modelo con las muestras hospitalarias en comparación con otras redes neuronales convolucionales.
Cuando el SSL y los ViTs se combinan, tenemos como resultado un modelo mucho más robusto y adaptable. Puede entrenarse con volúmenes masivos de datos no etiquetados y, después, afinarse con conjuntos más pequeños de imágenes clasificadas por expertos. Este avance, además de mejorar la precisión, también facilita al mundo el acceso a herramientas de Inteligencia Artificial avanzada, permitiendo que empresas tecnológicas colaboren con hospitales de distintos tamaños mientras cumplen con normativas como el GDPR.
La visión artificial como clave para la atención al paciente
Los beneficios de la visión artificial van mucho más allá de una mejor precisión en los diagnósticos clínicos. Es cuestión de eficiencia operativa, una mejor gestión de recursos y una reducción en cargas de trabajo. Los hospitales que la incorporan son capaces de diagnosticar a sus pacientes de una forma rápida y eficaz, sin necesidad de “quemar” a su personal.
Como empresa tecnológica, reconocemos la oportunidad que se abre para desarrollar algoritmos más exactos, e integrarlos en los flujos de trabajo reales de los hospitales, adaptándolos a sus sistemas y a las regulaciones que protegen a los pacientes.
Lo que ocurre en nuestro país es una muestra de lo que podría extenderse a toda Europa. Cuando los recursos humanos no crecen al ritmo de la demanda de los centros de salud, la visión artificial representa la herramienta necesaria para mantener la calidad de la atención que todos merecemos.
