Un estudio flamante analizó de cerca cómo se desempeña la inteligencia industrial generativa (IA) al diagnosticar afecciones médicas en comparación con los médicos. Fue realizado por un peña de investigación dirigido por el Dr. Hirotaka Takita y el profesor asociado Daiju Ueda en la Aptitud de Medicina de Graduados de la Universidad Metropolitana de Osaka.

Esta revisión sistemática y metaanálisis pasaron por una gran cantidad de estudios, 18,371 en total, y lo redujeron a 83 para un prospección detallado. Los hallazgos arrojan luz sobre las fortalezas y debilidades de la IA en la atención médica.

La investigación cubrió diferentes modelos de IA generativos, como GPT-4, LLAMA3 70B, Gemini 1.5 Pro y el soneto Claude 3, en varios campos médicos. GPT-4 fue el más estudiado. En genérico, la precisión diagnóstica de estos modelos de IA promedió 52.1% (IC 95%: 47.0–57.1%). Algunos modelos eran tan precisos como los médicos no expertos, sin diferencia estadística importante (diferencia de precisión: 0.6% (IC 95%: −14.5% a 15.7%), P = 0.93). Sin retención, los médicos expertos aún superaron la IA, con una brecha de precisión significativa del 15.8% (IC del 95%: 4.4% –27.1%, p = 0.007)), aunque con todos los avances, eso puede ser solo cuestión de tiempo.

El estudio todavía encontró que la IA funcionó de guisa similar en la mayoría de las especialidades médicas, con un par de excepciones: dermatología y urología. La IA mostró resultados más fuertes en dermatología, probablemente porque el campo implica aceptar patrones, poco en lo que AI es particularmente bueno. Pero donado que la dermatología todavía requiere un razonamiento enrevesado y la toma de decisiones específicas del paciente, los resultados no cuentan toda la historia. Para la urología, los hallazgos se basaron en un solo estudio holgado, lo que hace que sea más difícil aplicar los resultados de guisa más amplia.

“Esta investigación muestra que las capacidades de diagnosis de IA generativa son comparables a los médicos no especialistas. Podría estilarse en educación médica para apoyar a los médicos no especialistas y ayudar en el diagnosis en áreas con medios médicos limitados”, agregó el Dr. Takita. “Se necesita más investigaciones, como evaluaciones en escenarios clínicos más complejos, evaluaciones de rendimiento utilizando registros médicos reales, mejorar la transparencia de la toma de decisiones de IA y la demostración en diversos grupos de pacientes, para revisar las capacidades de la IA”.

Más allá del diagnosis, el estudio destacó el potencial para el uso de IA en la educación médica. Según los investigadores, “el rendimiento comparable de los modelos de IA generativos actuales a los médicos en entornos no expertos revela una oportunidad para integrar la IA en la capacitación médica”. La IA podría estilarse para fingir casos de la vida existente, ayudando a los estudiantes de medicina y los aprendices a cultivarse y evaluar sus habilidades.

Sin retención, existen preocupaciones sobre la transparencia y el sesgo en estos modelos. Muchos sistemas de IA no comparten detalles sobre sus datos de capacitación, lo que plantea preguntas sobre si sus resultados pueden aplicarse a todas las poblaciones. Los investigadores señalaron que “la transparencia garantiza una comprensión del conocimiento, el contexto y las limitaciones del maniquí” y enfatizaron la penuria de aplicaciones de IA claras, éticas y validadas.

Por ahora, la IA generativa, aunque prometedora, tiende a guerrear con casos complejos en los que se tráfico de información detallada del paciente. ¿Deberían los médicos comenzar a preocuparse por perder sus trabajos? Es difícil aseverar en este momento, pero en lo que respecta a los diagnósticos, eso es sin duda una posibilidad.

Fuente: Universidad Metropolitana de Osaka, Naturaleza | Imagen a través de Depósito

Este artículo fue generado con poco de ayuda de AI y revisado por un editor.