.

Robótica

La inteligencia artificial encuentra señales de depresión invisibles para los médicos

1

El aprendizaje automático ya es capaz de detectar el trastorno a partir de resonancias magnéticas con una precisión del 75% y también ha descubierto que podrían existir cuatro tipos distintos y los mejores tratamientos en cada caso

  • por Jamie Condliffe | traducido por Teresa Woods
  • 21 Abril, 2017

La depresión es un trastorno que parece sencillo, pero sus orígenes son complejos y seguimos sin entenderlos del todo. Pero el aprendizaje automático puede ayudar a los científicos a descubrir algunos de sus misterios para proporcionar mejores tratamientos.

Un paciente debe presentar varios síntomas de una larga lista para que se le diagnostique un trastorno depresivo grave, que se cree que se produce por una combinación de factores genéticos, ambientales y psicológicos. Una vez diagnosticados, pueden recibir terapias cognitivas-conductuales o fármacos para mejorar su estado. Pero los tratamientos no funcionan igual para cada paciente ya que los síntomas pueden variar ampliamente.

Recientemente, muchos investigadores de inteligencia artificial han empezado a desarrollar técnicas de aprendizaje automático para explicar trastornos médicos. Tales enfoques son capaces de detectar tendencias y detalles en conjuntos de datos masivos que los humanos jamás podrían encontrar. Esto permite ofrecer resultados que pueden ser utilizados para diagnosticar a otros pacientes.The New Yorker publicó recientemente un ensayo especialmente interesante sobre el uso de la técnica para realizar diagnósticos a partir de imágenes médicas.

Y ya hay trabajos similares en curso enfocados en la depresión. Un estudio publicado este año en la revista Psychiatry Research demostró que el aprendizaje de máquinas puede analizar imágenes de resonancia magnética para establecer las probabilidades de que alguien sufra el trastorno. Al identificar diferencias sutiles en las imágenes de personas afectadas y no afectadas, el equipo encontró que se podía identificar qué pacientes sufrían el mayor trastorno depresivo a partir de imágenes de resonancia magnética con una precisión de aproximadamente el 75%.

Y lo que resulta aún más interesante es que, tal y como Vox informa, los investigadores de la Facultad de Medicina Weill Cornell (EEUU) están empleando una táctica similar para identificar diferentes tipos de depresión. Al utilizar algoritmos de aprendizaje automático para escudriñar datos captados cuando el cerebro se encuentra en reposo, los científicos han podido categorizar cuatro subtipos diferentes del trastorno que se manifiestan como diferentes combinaciones de ansiedad y falta de placer.  

Por supuesto, no todos los proyectos para realizar diagnósticos precisos mediante imágenes de resonancia magnética han tenido éxito. Pero la inteligencia artíficial sí parece mejorar las probabilidades de encontrar síntomas de la enfermedad en las imágenes que los propios médicos. Como poco, los experimentos refuerzan la idea de que existen distintos tipos de depresión.

El enfoque de las imágenes podría ser sólo una pequeña parte de un esfuerzo mayor para que el aprendizaje automático encuentre pistas del trastorno. Investigadores del Centro Médico Langone de la Universidad de Nueva York (EEUU), por ejemplo, están empleando inteligencia artificial para diferenciar patrones vocales específicos en personas que sufren de depresión, además de problemas como el trastorno de estrés postraumático.

Y la idea de que podría haber muchos tipos de depresión podría resultar útil, según Vox. El medio señala otro reciente estudio de la Universidad Emory (EEUU) que encontró que el aprendizaje automático puede identificar diferentes patrones de actividad cerebral en imágenes por resonancia magnética funcional que están correlacionados con la eficacia de diferentes formas de tratamiento. En otras palabras, la inteligencia artificial no sólo sería capaz de identificar el tipo de depresión, sino también el tratamiento más adecuado. Aún queda mucho para que tales enfoques proporcionen resultados clínicamente relevantes, pero demuestran que es posible que haya mejores maneras de ayudar a los afectados en el futuro.

Mientras tanto, algunos investigadores también intentan desarrollar inteligencias artificiales que se aseguren de que la depresión no dé paso a acontecimientos trágicos como las autolesiones o el suicidio. El mes pasado, por ejemplo, Wired informó de que unos científicos de la Universidad Estatal de Florida (EEUU) habían desarrollado software de aprendizaje automático que analiza patrones dentro de los historiales médicos para señalar pacientes con probabilidad de desarrollar pensamientos suicidas. Y Facebook afirma poder hacer algo similar mediante el análisis de contenidos del usuario, pero queda por ver cuán eficaces podrán resultar sus intervenciones.

 (Para saber más: VoxWiredNew YorkerFacebook da "un gran paso adelante" para evitar los suicidios en directoLa voz y la inteligencia artificial podrían diagnosticar decenas de dolencias)

Robótica

 

La inteligencia artificial y los robots están transofrmando nuestra forma de trabajar y nuestro estilo de vida.

  1. "Antes sólo satisfacíamos las necesidades del usuario, ahora las despertamos"

    Para el CTO del gigante del comercio electrónico chino Alibaba, Jack Ma, la compañía ha cosechado grandes éxitos gracias a la inteligencia artificial pero aún queda mucho potencial por explorar. Por eso la empresa va a invertir 12.500 millones de euros en crear una academia de investigación

  2. Un niño de seis años es más listo que cualquier asistente inteligente, según un nuevo test

    Una nueva prueba asegura poder comparar cualquier tipo de inteligencia, ya sea humana o artificial. Según sus resultados, Siri es el asistente más tonto de todos los analizados, frente al de Google, que es el más listo y demuestra mejoras notables de un año para otro

  3. El hallazgo de hace 30 años en el que se basa toda la inteligencia artificial actual

    La retropropagación nació en 1986, pero no generó avances importantes hasta hace poco. Ahora es la base de las redes neuronales y el aprendizaje profundo, pero dadas sus limitaciones y a falta de otro hallazgo fundamental, puede que estemos al final de una revolución en lugar de al principio