1. ¿Qué es la inteligencia artificial? (Prof. Aydano Machado)

Prof. Aydano Machado: Definir la Inteligencia Artificial (IA) no es algo fácil debido a la subjetividad y, también, al diferente entendimiento que cada persona tiene sobre el término inteligencia. Esta es una discusión que ocurre desde el surgimiento de las computadoras modernas y lo que llevó a Alan Turing crear su conocido test1.

En el intento de mejorar ese entendimiento, Russell y Norvig2, a la hora de escribir su libro, reunieron las definiciones encontradas en la literatura en cuatro grupos basados en dos dimensiones: el proceso de pensamiento/ raciocinio y comportamiento. Lo que nos resulta en cuatro objetivos posibles para la IA, que es construir:

Una defifinición que logré formular a lo largo de múltiples años de investigación y trabajo en el área – y que suelo emplearla en los cursos que imparto sobre IA – es que “la inteligencia artifificial tiene como objetivo dotar la máquina de la capacidad de _______.” Y, así, uno tiene la libertad de rellenar este espacio con la capacidad que desea o, aun, escribir “lo humano”, si lo que quiere es acercarla al contexto humano. Por ejemplo, dotar la máquina de la capacidad humana de hablar, escribir, leer, ver, pintar, reconocer un objeto, tomar decisiones, conducir, etc.

Lo mismo se puede hacer para subáreas de la IA, como la que está en evidencia actualmente que es el aprendizaje automático. Este puede serdefifinidocomounramo dela inteligencia artifificial que tiene como objetivo dotar la máquina de la capacidad de aprender.

2. ¿Qué se ha hecho en su área usando inteligencia artifificial? (Dr. Bernardo Lopes)

Dr. Bernardo T. Lopes: La oftalmología, especialmente la subespecialidad en córnea, siempre ha sido pionera en el uso de tecnología para ayudar en el diagnóstico y tratamiento de enfermedades oculares.1 Actualmente, los consultorios oftalmológicos tienen un arsenal propedéutico extraordinario con dispositivos capaces de realizar mediciones muy precisas de la refracción ocular y sus aberraciones, analizar la anatomía de la córnea con los detalles de sus capas delgadas y evaluar la histología o incluso la biomecánica a tiempo real. A medida que aumenta la cantidad de información, aumenta la capacidad de diagnóstico, pero también lo hace más desafiante. Es en este contexto que la inteligencia artificial (IA) ha sido más útil y se ha desarrollado.

Las ectasias corneales y sus implicaciones en el período preoperatorio de las cirugías refractivas han sido el terreno más fértil en el que el uso de IA se ha vuelto casi imprescindible.2 El riesgo de desarrollar ectasia iatrogénica y la disponibilidad de tratamientos para contener la progresión de la enfermedad hicieron necesario diagnosticar formas muy tempranas de la enfermedad, incluso sin alteraciones evidentes en la cara anterior o incluso solo con alteraciones biomecánicas.3, 4 La mayoría de los tomógrafos corneales actualmente tienen índices basados en IA, que al combinar información de la córnea en su conjunto presentan una capacidad de diagnóstico casi dos veces mayor que los índices solos.2, 5-7 La IA también permitió la combinación de información de la forma corneal y su biomecánica con un resultado aún mayor para identificar formas leves de ectasia.8 El resultado es una detección preoperatoria más eficiente y la posibilidad de ofrecer un tratamiento efectivo para contener la progresión de la enfermedad antes de que haya secuelas visuales.

El análisis de la morfología corneal también contó con la ayuda de la IA. Algunos ejemplos son el uso de redes neuronales artificiales para la automatización del proceso de análisis e identificación de las capas corneales con OCT de ultra alta definición y la caracterización de la forma y las alteraciones de las células endoteliales para que sean más rápidas y precisas.9, 10 Otra aplicación importante en la que la IA tiene un papel fundamental es en la evaluación polineuropatía diabética sensitivomotora, una complicación crónica que afecta a alrededor del 50% de los pacientes.11 Los nervios del plexo subbasal corneal se pueden estudiar de forma no invasiva mediante un examen de microscopía confocal para guiar el diagnóstico y el manejo en estos casos.12 Sin embargo, los resultados prometedores obtenidos en estudios transversales encontraron dificultades para ser replicados en la evaluación longitudinal, ya que la evaluación manual de las imágenes es un proceso impreciso y lento.13 Este problema se superó con el uso de modelos complejos de IA capaces de automatizar completamente la segmentación nerviosa y el estudio de la morfología, permitiendo el desarrollo de un método objetivo y preciso para caracterizar tempranamente la enfermedad.14

Podemos observar que la IA ha sido utilizada para aumentar la capacidad clínica de los oftalmólogos, ya sea para agregar nuevas perspectivas a la limitada información del examen clínico típico o para ayudar en la interpretación de la enorme cantidad de información que los exámenes complementares producen. Los índices de diagnóstico de los modelos de IA son una realidad, ya están disponibles y son ampliamente utilizados por los médicos en la evaluación preoperatoria de pacientes de cirugía refractiva, y se están desarrollando rápidamente otras aplicaciones.

3. ¿Cuáles son las futuras aplicaciones de la inteligencia artificial? (Dr. J. M. Lyra)

Dr. João Marcelo Lyra: La Inteligencia Artificial (IA) es una rama de la ciencia de la computación que busca desarrollar máquinas capaces de simular las habilidades humanas de pensar y actuar. El crecimiento de esta tecnología en el área de la salud se debe al soporte en tiempo real y efectivo de tareas, como toma y análisis de datos de los pacientes, prevención de enfermedades, pronóstico temprano y la orientación personalizada de tratamientos. La expansión del uso de la inteligencia artifificial ha sido permitida por el uso de la gran cantidad de datos ordenados en conjunto con la mejora del poder de procesamiento y almacenamiento computacional. En medicina, esto comienza a impactar tres niveles: médico, sobre todo mediante la interpretación rápida y precisa de imágenes; sistemas de salud, perfeccionando el flflujo de trabajo y reduciendo errores médicos; pacientes, permitiéndoles gestionar sus propios datos para promover salud. Con el paso del tiempo, las mejorías acentuadas en la precisión, productividad y flflujo de trabajo permitirán que la inteligencia artifificial (IA) avance hasta cambiar la práctica de la medicina y crear medios inéditos para medir el estado físico y emocional de las personas. Y esto es más que el hecho de recibir un atendimiento automatizado por un robot. Los sistemas de inteligencia artifificial usan datos y algoritmos; es decir, secuencias de cálculos matemáticos para proveer a los profesionales de salud nuevas perspectivas de tratamiento y solucionar grandes retos en este campo.

Los principales ejemplos de uso de inteligencia artifificial en el campo de la salud que avanzarán a lo largo de esta década son:
Asistentes virtuales que asisten a pacientes
• Cirugías que emplean robots.
• Diagnósticos precisos mediante el
análisis de datos.
• Orientación efectiva de tratamientos y el desarrollo de nuevos medicamentos.
• Pronóstico de factores de riesgo.
• Asistencia automatizada de flujo
de trabajo.
• Detección de fraudes. • Triajes inteligentes.
La jornada del paciente

La jornada del paciente es el término relacionado a las experiencias que una persona vivencia cuando busca atención médica. Reúne recursos, como chatbot y machine learning (herramientas de inteligencia artifificial), organización y recolección; centraliza y analiza de forma efectiva todas las informaciones del paciente contribuyendo para prevención, diagnóstico temprano, tratamiento y calidad de vida. Chatbot es un software capaz de entablar una conversación de forma humanizada con el paciente mediante texto o audio. Esta herramienta, que actúa como un asistente virtual, agiliza la obtención de respuestas para aclarar dudas relativas a la salud e, incluso, puede orientar tratamientos. Por otro lado, machine learning permite que chatbot entienda el texto informado por el paciente y, por consiguiente, anticipe la solución de las dudas comunes – lo que elimina la necesidad de abrir una solicitud de atención médica. Las informaciones sobre salud provistas por los individuos en estos contratos son almacenadas para análisis y atendimientos posteriores. Otro tema importante de esta plataforma es la integración con servicios que cruzan datos y permiten mapear factores de riesgo y analizar informaciones genéticas, lo que permite anticipar diagnósticos y adoptar medidas preventivas.
La inteligencia artificial representa una verdad revolución en lo que dice respecto a la personalización de la salud y el acercamiento con los pacientes. Por lo tanto, adecuarse a la nueva realidad es vital para la sostenibilidad y el crecimiento de negocios en salud.
Cirugías

De hecho, lo que hace la tecnología en este caso es proporcionar a los cirujanos una mayor precisión y la reducción en el período de ingreso hospitalario. La IA puede ser utilizada en algoritmos de apoyo a la toma de decisión quirúrgica en oftalmología, como el braincornea.com, un software de triaje de candidatos a cirugía refractiva y en los algoritmos de cálculo biométrico de la LIO, como las fórmulas de Hill y Kane. En el futuro cercano debemos convivir con asistentes que facilitan elegir el mejor procedimiento para cada paciente mediante la interpretación de miles de cirugías incluyendo parámetros personalizados sugeridos por el aparato, como, por ejemplo, en la facoelmulsificación, cirugía refractiva y vitrectomia.

La IA estará en robots promoviendo las “cirugías mínimamente invasivas” permitiendo un procedimiento menos traumático y de recuperación más rápida. En estos casos, mediante la IA los robots pueden utilizar datos de cirugías anteriores para informarle al médico las nuevas técnicas quirúrgicas. La aplicación es amplia e incluye cirugías oculares, de próstata, abdominales y cardíacas, por ejemplo. Además del evidente beneficio que se le ofrece al paciente, médicos y clínicas pueden reducir costos y mejorar el margen de éxitos en estos procedimientos.

Diagnósticos precisos mediante el análisis de datos

El potencial de utilización de retinografías a través de la IA va más allá del diagnóstico y la clasificación de enfermedades, como la retinopatía diabética y la degeneración asociada a la edad. Se han evaluado imágenes de la retina de más de 280.000 pacientes mediante técnicas de deep learning correlacionando las retinografías con los factores de riesgo cardiovascular, incluyendo edad, género, presión arterial sistólica, tabaquismo y hemoglobina A1c. El estudio demostró el potencial de la tecnología para correlacionar la retinografía y los vasos retinianos con la probabilidad de un evento cardíaco adverso grave.

La Ex primera ministra británica, Theresa May, anunció que el uso de la IA ayudaría el sistema de salud del Reino Unido a predecir el cáncer en su etapa inicial. Se prevé que miles de muertes podrán ser evitadas ya en el año 2033. Para lograr este resultado, los algoritmos van a analizar registros médicos, hábitos de los pacientes y sus informaciones genéticas. La gran implicación de este cambio reside en adoptar una medicina de carácter más preventivo; es decir, en vez de tratar enfermedades cuidaremos más la salud. Aplicaciones y pulseras fitness ya monitorean las actividades físicas y generan muchos datos sobre el desarrollo y las reacciones orgánicas de cada usuario. Sin embargo, imagínese lo que la evolución de la IA puede proporcionar en términos de pronósticos y comparaciones a partir de este tipo de datos.

Otra innovación de gran potencial de impacto en el campo de la salud, surge de la combinación entre el análisis genético y la inteligencia artificial. Esta unión puede resultar en pruebas de sangre más precisas que logren leer nuestro sistema inmunológico – que defiende nuestro cuerpo y, por ello, funciona también como un registro general de enfermedades. Adaptive Biotechnologies está trabajando en este nuevo tipo de prueba en la que la IA ayudará a mapear todas las patologías que una persona ya ha padecido, incluyendo infecciones, cánceres y trastornos autoinmunes.

Todo para anticipar cada vez más el diagnóstico de enfermedades, simplifificar tratamientos y aumentar las posibilidades de cura. En el futuro, este análisis será imprescindible para elegir la mejor forma de tratamiento a seguir, ya que facilita y hace más segura la toma de decisiones de expertos aún antes del surgimiento de las patologías.

Además de favorecer una medicina personalizada y preventiva, la IA también tiene el papel de humanizar la salud. Para muchos, esta afifirmación puede ser cuidadosa debido a la imagen futurista de atendimientos robotizados, pero vemos que la IA tiene el poder de acercar los médicos a sus pacientes. Un estudio en “Annals of Internal Medicine” muestra que los médicos gastan más de la mitad de su tiempo (el 49%) analizando pruebas y actualizando registros en vez de estar al lado de sus pacientes (el 27%). Con las nuevas herramientas, los profesionales reducirán la rutina administrativa para poder concentrarse más en la interactuación con el paciente.

En suma podemos decir que la inteligencia artifificial en la salud revolucionará la forma como nos cuidamos antes de lo que la mayoría de los médicos esperan y más tarde de lo que les gustaría a algunos empresarios del sector. La forma a la que nos acostumbrados al tratamiento tiende a dar paso a un tipo de medicina pronóstica que prolongará la vida con calidad, a fifin de evitar más daños que tratarlos.

CONCLUSIÓN
El camino de utilizar la inteligencia artifificial de modo pleno en la medicina está apenas empezando. Hay

Introducción
La Inteligencia Artificial (IA) es un área de la ingeniería creada en el campo de los juegos de azar y que actualmente ha logrado diversos usos en Medicina y Salud Pública, donde una detección temprana de trastornos progresivos y crónicos podría cambiar el curso de enfermedades al mejorar los algoritmos de tratamiento que detienen o ralentizan su progresión. Particularmente, en la oftalmología, la Inteligencia Artificial ha cambiado drásticamente los paradigmas en las formas de diagnóstico, clasificación y tratamiento de muchas enfermedades como el glaucoma, la degeneración macular asociada a la edad, la retinopatía diabética y las ectasias corneales como el queratocono.

Inteligencia artifificial
La Inteligencia Artifificial (IA) es un campo específifico de la informática relacionada con programas informáticos que pueden funcionar sin instrucciones directas y precisas de sus usuarios, lo que les da a las computadoras habilidades básicas iguales a las de los humanos para resolver problemas, haciéndolas parecer inteligentes1 .

El aprendizaje automático o Machine Learning (ML), es un término que surgió en la década de 1980 para un subtipo de IA, y se defifine como un conjunto de métodos que detectan automáticamente patrones en los datos que luego son incorporados como información a fifin de predecir datos futuros en condiciones inciertas y así aprender por sí mismos.

Dentro de los sistemas de aprendizaje automático existen los supervisados y no supervisados.
Aprendizaje supervisado busca entrenar un modelo a partir de datos de entrenamiento ya clasifificados, al sincronizar las ponderaciones de las entradas y mejorar la precisión de sus predicciones hasta que estén optimizadas para luego mapear los conjuntos de datos de prueba como salidas correspondientes.

Aprendizaje no super visado se trata de entrenar un modelo con datos no clasifificados(sinunprocesode clasifificación humana), como tal, en el aprendizaje no supervisado, no hay instructor ni maestro, por lo cual el algoritmo debe aprender a dar sentido a los datos sin esta guía. En este último subtipo, el más común es el aprendizaje profundo (Deep Learning DL), también conocido como red neuronal profunda e involucra capas múltiples entre las capas de entrada y salida utilizando una forma no supervisada, lo cual evita la selección manual y la clasifificación de las áreas en el estudio de los procesos de aceleración1.

La forma en la que los programas de computadora logran una capacidad de funcionamiento similar a la de los seres humanos es por medio del entrenamiento sistemático del sistema con información para que sea capaz de diferenciar los diversos patrones y escenarios, además de tomar decisiones inteligentes basadas en los datos proporcionados en un primer paso (entrenamiento) y para que produzca una clasifificación o gestión correcta para nuevos casos.

La manera en la que se entrenan los programas en el ámbito de la oftalmología es recolectando miles de fotografías, patrones complejos o datos de diferentes situaciones en las que se busca generar un diagnóstico,clasifificaciónosugerencia de tratamiento. Cuantas más imágenes se recopilen y se entreguen al sistema para que aprenda a reconocerlas, mayor será la precisión del programa.

Por lo general, el uso directo de un conjunto de datos de validación externa respalda la confiabilidad y la solidez del algoritmo de aprendizaje automático.

Ectasia corneal
Los sistemas actuales de diagnóstico y seguimiento de la evolución de las ectasias corneales requieren de información sobre la forma de la superficie anterior, la superficie posterior, el grosor corneal, la biomecánica corneal y/o la potencia refractiva2.
Los estudios sobre la ectasia corneal se han enfocado en un sistema capaz de detectar cambios corneales evidentes, como el queratocono de las córneas normales, además de otros cambios como el astigmatismo y los procedimientos refractivos utilizando datos, obtenidos de diferentes máquinas como Pentacam HR, Topógrafo Corneal Keratron, EyeSys System, videoqueratoscopio asistido por computadora (TMS1-4), Corvis, RTVue, Galilei, CASIA SS-1000, Tomey EM 3000, Sirius y sistema de topografía CSO.
Se han probado múltiples formas diferentes de clasificadores de aprendizaje automático (MLC) como redes neuronales, árboles de decisión, análisis discriminante lineal, bosques aleatorios, máquinas de vectores de soporte, red bayesiana, agrupación basada en densidad, perceptrones multicapa, KNN, aplicados tanto en el diagnóstico como en el manejo de ectasias corneales1. (Tabla 1)

Los métodos actuales para
la detección automática del
queratocono son aplicados
bajo supervisión, principal-
mente, porque se requieren
de la clasificación y el diag-
nóstico como entrada para el
aprendizaje automático posterior2,4–7,9–11,17–19,19–24. Algunos
autores han desarrollado y pro-
puesto sistemas de aprendiza-
je automático sin supervisión
ni la necesidad de clasificación
previa de las imágenes y los
datos recopilados, el cual es un
abordaje muy útil para casos
con subtipos de queratocono
difíciles de diagnosticar en la práctica clínica 2,3,5,9 , 17–19,23,25–31.

Se han realizado varios estudios que evalúan la eficacia de la IA en el diagnóstico, clasificación y manejo del queratocono y sus formas más leves. 20,31,28

Twa et al 20, evaluaron la superficie corneal anterior con un polinomio Zernike de séptimo orden y aplicaron un modelo de árbol de decisión para establecer una diferenciación entre un ojo normal y uno queratocónico, con rangos de sensibilidad, especificidad y precisión de un 92%, 93% y 94%, respectivamente. Kamiya et al 31 evalúan la precisión en el diagnóstico del queratocono por medio del uso de aprendizaje profundo aplicado a los mapas de color medidos con la tomografía de coherencia óptica del segmento anterior de swept-source (AS-OCT) con una precisión del 99,1% en la discriminación entre ojos normales y querato cónicos. Silverman et al28 evalúan algoritmos computarizados automatizados para la diferenciación entre córneas normales y queratocónicas basadas únicamente en datos de grosor epitelial y estromal. El análisis discriminante lineal por pasos (LDA) y el análisis de la red neuronal (NN) fueron realizados después dando como resultado un modelo de seis variables que proporcionó un AUC del 100% (el análisis leave-one-out resultó en una especificidad del 99,2% y una sensibilidad del 94,6%).

La IA y formas más leves del queratocono
Algunos autores se han centrado en las formas más leves del queratocono, Arbelaez et al 12 y Smadja et al 6 han demostrado la capacidad de la IA para reconocer las características subclínicas de la ectasia corneal. Arbelaez et al. realizó un gran estudio utilizando un MLC para diferenciar casos subclínicos del queratocono -de los ojos normales, el clasificador tuvo como base de entrenamiento 3.502 ojos

cimas). Se registró una mejora significativa en los valores medios comparando G-2 y G-3 con G-1 con todos los casos a los 36 meses postoperatorios con respecto a los valores medios preoperatorios, los valores P y la desviación estándar se presentaron en (Ver tabla 2).

Por otro lado, la Rx Sphr (D) presentó una mejora significativa hasta los 36 meses después de la operación, mientras tanto; Rx Cyl (D) presentó un cambio de 0.5 (D) hasta los 36 meses con respecto a los va- lores medios preoperatorios, los valores de P se presentaron en la 24,25. (Ver tabla 2)

Los resultados del Visante CCT (μm) (Ver figura 2A- 2D), del punto Pentcam Thin- nest (μm) y VC (mm3), mostraron unos re- sultados de valores medios estadísticamente significativos comparando G-2 y G-3 con G-1 a los 36 meses con respecto a los valores medios preoperatorios 24,25. (Ver tabla 2)

Las aberraciones con valores estadística- mente significativos se obtuvieron solo con los valores medios en aberraciones de ter- cer orden (A. 3.er) y en aberraciones de alto orden (HOA) (μm) comparando G-2 y G-3 con G-1. Los de cuarto orden (A. 4.o or- den) (μm) y de bajo orden (LOA) (μm) presentaron solo una mejora, pero con no diferencia significativa hasta los 36 meses postoperatorios (Ver tabla 2) 24,25. Tam- bién, se obtuvo un aplanamiento en los va- lores medios de 3 (D) en Kmax (D) hasta los 36 meses después de la cirugía con res- pecto a los valores medios preoperatorios, se registraron más resultados en publica- ciones anteriores 24,25.

4.2. Resultados con la implantación de la lámina: resultados clínicos

Los autores no observaron ninguna compli- cación ni eventos adversos de ningún tipo durante el seguimiento hasta los 3 años, con la excepción de que la lámina implantada

mostró una leve turbidez temprana du- rante el primer mes posoperatorio, este problema estaba relacionado con un ede- ma lenticular leve. Se observó una recu- peración corneal y total transparencia en el tercer mes posoperatorio en todos los casos (Ver figura 2E, 2F, 7C-7F) 24, 25.

Todos los pacientes con láminas desce- lularizadas o recelularizadas obtuvieron una mejoría a los 6,12 y 36 meses poso- peratorios en los valores medios con res- pecto a los valores preoperatorios, a los 3 años posoperatorios los resultados de mejoradela AVSC fuerondehasta0,13 en valores decimales casi equivalentes a una línea en escala LogMar con lámi- nas descelularizadas y recelularizadas, la AVCC mejoró dehasta0.2conláminas descelularizadas y recelularizadas, equi- valentes a 2 líneas en la escala LogMar, así como la mejoría media en AVCLC era de 0.23 con láminas descelularizadas y recelularizadas, equivalentes a más de 2 líneas en la escala de LogMar. También los resultados medios de VC (mm3) demos- traron una mejora en los valores medios de 2-3 (mm3) en ambos grupos de lámi- nas a los 6,12 y 36 meses posoperatorio con respecto a los valores preoperatorios 24,25 (Ver tabla. 2). Las otras variables de la Rx Sphr (D), el Rx Cyl (D), Vi- sante CCT (μm) (Ver figura 2E, 2F), el Pentcam Thinnest (μm) (Ver figura 5, 6A,6B), aberración de tercer orden ((A. 3.er)) (μm) (Ver figura 6C,6D), abe- rración de cuarto orden (A. 4.o orden) (μm), HOA, aberración de bajo orden LOA (μm), km anterior (D) , Km pos- terior (D), Kmax (D) y Topo Cyl (D) con láminas descelularizadas y recelulari- zadas (Ver figura 5, 6A,6B), mostraron unos resultados cercanos a los resultados de los pacientes con la implantación de solo células ADASC explicados anterior- mente y publicados en publicaciones revi- sadas preoperatorios 24,25. (Ver tabla. 2)