Machine Learning y su aplicación en ciencias de la salud

XXXIV Semana de Investigación Científica; CUCS/UdG

Pérez-Guerrero Edsaúl Emilio

Instituto de Investigación en Ciencias Biomédicas

2023-10-19

Objetivo

Comprender los conceptos generales sobre Machine learning y sus aplicaciones en ciencias de la salud.

Agenda

  • Introducción al Machine Learning (ML) y conceptos
  • Tipos de aprendizaje en ML y su aplicación en salud
  • ¿Por qué es relevante el Machine Learning en ciencias de la salud?
  • Aplicaciones prácticas y casos de estudio
  • ¿Cómo comenzar en ML?
  • Conclusiones y futuro de ML en ciencias de salud

Introducción y conceptos

Machine Learning (ML) en todos lados

Machine Learning (ML) en todos lados

ML en todos lados

Esto es un perro

ML en todos lados

Estos también son perros

ML en todos lados

¿Cómo se que un perro es un perro?

ML en todos lados

Un poco de historia…

Historia del ML

Un poco de Historia

Historia del ML

Definición formal del ML

  • Es la disciplina científica que se centra en cómo las computadoras aprenden a partir de los datos1 (Deo, 2015)
  • Se refiere en términos generales al proceso de ajustar modelos predictivos a los datos o de identificar agrupaciones informativas dentro de los datos2 (Jiang et al., 2020)
  • Un programa de computadora aprende de la experiencia E con respecto a alguna clase de tareas T y medida de desempeño P, si su desempeño en las tareas en T, medido por P, mejora con la experiencia3 (Ghatak, 2017)

Comprendiendo el ML ¿Qué hace?

ML e Inteligencia Artificial (AI)

Conceptos

  • Machine learning
  • Inteligencia artificial

¿Son lo mismo?

¿Cuales son sus diferencias?

ML e Inteligencia Artificial (AI)

  • AI: Campo amplio de la informática que busca crear máquinas que puedan simular la inteligencia humana 1 (Gupta et al., 2021)
  • ML: Es un subconjunto de la AI (algoritmos y modelos que permiten el aprendizaje de los datos)
  • El objetivo de la IA es imitar e imitar el comportamiento humano, y el ML nos brinda las herramientas matemáticas que nos permiten hacerlo
  • Todo modelo de ML es una IA pero no todo la IA es ML

ML e Inteligencia Artificial (AI)

Categoría Inteligencia Artificial (IA) Machine Learning (ML)
Definición Campo amplio de la informática que busca crear máquinas capaces de simular la inteligencia humana. Subconjunto de la IA que se refiere a algoritmos y modelos que permiten a las computadoras aprender de los datos.
Ejemplo Sistema en diagnóstico médico que utiliza reglas codificadas manualmente para sugerir posibles enfermedades basándose en síntomas. Modelo que analiza datos médicos y registros de pacientes para predecir la probabilidad de una enfermedad o el resultado de un tratamiento específico.

Comprendiendo el ML ¿Cómo lo hace?

Funcionamiento general del ML

Funcionamiento general del ML

(Myszczynska et al., 2020)

Algoritmos en ML

Algunos algoritmos en ML

Aprendizaje supervisado

Aprendizaje supervisado

Ejemplo de ML supervisado

Aprendizaje No supervisado

Aprendizaje No supervisado

Ejemplo de ML no supervisado

(Shvetcov et al., 2023) 1

Aprendizaje por refuerzo

Tipos de ML

¿Por qué es relevante el Machine Learning en ciencias de la salud?

Cantidad de articulos publicados

Cantidad de articulos publicados

Cantidad de articulos publicados sobre ML

Cantidad de articulos publicados de ML en ciencias de la salud

(Machine learning) AND (healthcare for medicine or biomedical or biology or health)

Cantidad de revisiones publicados de ML en ciencias de la salud

Aplicaciones del ML en la clínica

Machine learning for clinical decision

Machine learning for clinical decision

(Peiffer-Smadja et al., 2020)

Algunos usos del ML en ciencias de la salud

Aplicaciones prácticas

Detección y diagnóstico en enfermeadades neurodegenerativas

Avances en el diagnóstico temprano de enfermedades neurodegenerativas1 (Myszczynska et al., 2020)

Aplicación del ML en Medicina personalizada

  • Khanna et al. desarrollaron un modelo de aprendizaje automático de árbol mejorado para predecir el tiempo hasta el diagnóstico de la enfermedad de Alzheimer en sujetos normales y pacientes con deterioro cognitivo leve basándose en información del genotipo, neuroimagen y datos clínicos, incluidas medidas neuropsicológicas, adquiridos por la Iniciativa de Neuroimagen de la Enfermedad de Alzheimer 1(Khanna et al., 2018)

  • Lin et al. desarrollaron un modelo de aprendizaje profundo para predecir la respuesta al tratamiento antidepresivo en pacientes con trastorno depresivo mayor basándose en datos de SNP, demográficos y clínicos, logrando una sensibilidad del 75 % y una especificidad del 69 % 2. (Lin et al., 2018)

Aplicación del ML en Medicina personalizada

Aplicación del ML en Medicina personalizada

Desarrollo de fármacos

(Vamathevan et al., 2019)

Gestión hospitalaria y predicción

Gestión hospitalaria con ML

  • Diseñaron un algoritmo para evaluar la gravedad de los pacientes con COVID-19 y las necesidades de intubación dinámica y predecir la duración de su estadía utilizando las señales de frecuencia respiratoria (BF) y saturación de oxígeno (SpO 2 ) 1(Boussen et al., 2022)

  • La puntuación MS 24 permitió distinguir tres niveles de gravedad con mayor riesgo de intubación: verde (3,4%), naranja (37%) y rojo (77%)

  • Algoritmo útil para decidir que pacientes son intubados y cuales no

Aplicación en la gestión hospitalaria

  • El objetivo de este estudio fueron desarrollar y evaluar un modelo predictivo clínico basado en registros médicos electrónicos para identificar necesidades de salud complejas de alto riesgo 1 (Ming et al., 2023)

  • El modelo demostró ser útil

Aplicación en el Monitoreo de pacientes

  • Estudio en el que se aplicó el uso de redes nueronales con datos farmacocinéticos y farmacodinámicos

  • El objetivo principal de este estudio es construir un modelo empírico que prediga cambios en la produndidad de la anestesia durante las infusiones controladas de propofol y remifentanilo

  • El modelo de aprendizaje profundo fue mejor que la medición del método tradicional 1 (Lee et al., 2018)

Como comenzar en ML

¿Cuándo? ¿Por qué?

  1. Manejo de Grandes Cantidades de Datos

  2. Análisis Multidimensional

  3. Reconocimiento de Patrones Complejos

  4. Predicción Mejorada

  5. Automatización

  1. Flexibilidad

  2. Manejo de Datos No Estructurados

  3. Actualización en Tiempo Real

  4. Interdisciplinariedad

  5. Simulaciones y Modelos Computacionales

(Wiemken & Kelley, 2020)

Una guía general para ML

Recursos de aprendizaje

Plataformas y herramientas

Recomendaciones

  1. Aprende lo Básico:

    • Matemáticas
    • Programación: Aprende Python o R

  2. Comienza con Conceptos Fundamentales:

  3. Manos a la Obra

    • Comienza con modelos simples y juegos de datos estándar para practicar.
    • Participa en competencias en plataformas como Kaggle.

  4. Proyectos Prácticos

    • Trabaja en tus propios proyectos.

  5. Mantente Actualizado

Problemas por resolver

Problemas por resolver

Calidad y Variedad de Datos

  • Los datos médicos son inherentemente heterogéneos, provienen de diversas fuentes y pueden variar en calidad 1 (Liu et al., 2021)
  • Los datos pueden estar incompletos, ser ruidosos o contener errores (Liu et al., 2021)

Interpretabilidad y Transparencia

Problemas por resolver

Generalización

  • Los modelos entrenados en un conjunto específico de datos o en una población particular pueden no generalizarse bien a otros conjuntos de datos o poblaciones 1 (Haug & Drazen, 2023)

Validación Clínica

  • Antes de ser utilizados en un entorno clínico real, los modelos de ML deben ser validados rigurosamente, un proceso que puede ser largo y costos 2 (Hu et al., 2021)

Problemas por resolver

Ética y Responsabilidad

  • Determinar la responsabilidad en caso de errores o malentendidos causados por predicciones de ML puede ser problemático 1 (Mathiesen & Broekman, 2022–)

Desafíos Técnicos

  • Algoritmos de ML altamente especializados para abordar problemas específicos 2 (Hu et al., 2021)
  • Datos con alta dimensionalidad o estructura temporal, pueden presentar desafíos adicionales (Hu et al., 2021)

Problemas por resolver

Sesgo y Equidad

  • Los datos médicos pueden contener sesgos inherentes que, si no se abordan adecuadamente, pueden llevar a que los modelos de ML reproduzcan o amplifiquen esos sesgos 1 (Haug & Drazen, 2023)
  • Esto puede resultar en decisiones inexactas para ciertos grupos de pacientes.

Resistencia al Cambio

  • La introducción de nuevas tecnologías en la práctica médica puede enfrentar resistencia de profesionales que están acostumbrados a métodos y procedimientos tradicionales 2 (Haug & Drazen, 2023)

Conclusiones

Comentarios finales

  • ML tiene un potencial significativo en el ámbito de la medicina y las ciencias de la salud. Su aplicación puede mejorar la precisión diagnóstica, personalizar tratamientos, acelerar el descubrimiento de fármacos y optimizar la gestión hospitalaria.

  • Si bien el ML ofrece muchas oportunidades en medicina, también presenta desafíos, especialmente en términos de la calidad de los datos

  • Hay una variedad de herramientas y software disponibles para trabajar en ML, lo que facilita su adopción

  • El futuro del ML en medicina es prometedor. A medida que la tecnología avance y se aborden los desafíos existentes, es probable que el ML juegue un papel aún más crucial en la transformación de la atención médica.

Contacto y presentación

edsaul.perezg@academicos.udg.mx

Referencias

Boussen, S., Cordier, P.-Y., Malet, A., Simeone, P., Cataldi, S., Vaisse, C., Roche, X., Castelli, A., Assal, M., Pepin, G., Cot, K., Denis, J.-B., Morales, T., Velly, L., & Bruder, N. (2022). Triage and monitoring of COVID-19 patients in intensive care using unsupervised machine learning. Computers in Biology and Medicine, 142, 105192. https://doi.org/https://doi.org/10.1016/j.compbiomed.2021.105192
Currie, G., Hawk, K. E., Rohren, E., Vial, A., & Klein, R. (2019). Machine learning and deep learning in medical imaging: Intelligent imaging [Doi: 10.1016/j.jmir.2019.09.005]. Journal of Medical Imaging and Radiation Sciences, 50(4), 477–487. https://doi.org/10.1016/j.jmir.2019.09.005
Deo, R. C. (2015). Machine learning in medicine. Circulation, 132(20), 1920–1930. https://doi.org/10.1161/CIRCULATIONAHA.115.001593
Erickson, B. J., Korfiatis, P., Akkus, Z., & Kline, T. L. (2017). Machine learning for medical imaging. RadioGraphics, 37(2), 505–515. https://doi.org/10.1148/rg.2017160130
Ghatak, A. (2017). Machine learning with r. Springer Singapore.
Goto, T., Camargo, J., Carlos A., Faridi, M. K., Freishtat, R. J., & Hasegawa, K. (2019). Machine Learning–Based Prediction of Clinical Outcomes for Children During Emergency Department Triage. JAMA Network Open, 2(1), e186937–e186937. https://doi.org/10.1001/jamanetworkopen.2018.6937
Gupta, R., Srivastava, D., Sahu, M., Tiwari, S., Ambasta, R. K., & Kumar, P. (2021). Artificial intelligence to deep learning: Machine intelligence approach for drug discovery. Molecular Diversity, 25(3), 1315–1360. https://doi.org/10.1007/s11030-021-10217-3
Haug, C. J., & Drazen, J. M. (2023). Artificial intelligence and machine learning in clinical medicine, 2023. New England Journal of Medicine, 388(13), 1201–1208. https://doi.org/10.1056/NEJMra2302038
Hu, M., Shu, X., Yu, G., Wu, X., Välimäki, M., & Feng, H. (2021). A risk prediction model based on machine learning for cognitive impairment among chinese community-dwelling elderly people with normal cognition: Development and validation study. J Med Internet Res, 23(2), e20298. https://doi.org/10.2196/20298
Jiang, T., Gradus, J. L., & Rosellini, A. J. (2020). Supervised Machine Learning: A Brief Primer. Behavior Therapy, 51(5), 675–687. https://doi.org/10.1016/j.beth.2020.05.002
Khanna, S., Domingo-Fernández, D., Iyappan, A., Emon, M. A., Hofmann-Apitius, M., & Fröhlich, H. (2018). Using Multi-Scale Genetic, Neuroimaging and Clinical Data for Predicting Alzheimer’s Disease and Reconstruction of Relevant Biological Mechanisms. Scientific Reports, 8(1), 11173. https://doi.org/10.1038/s41598-018-29433-3
Lee, H.-C., Ryu, H.-G., Chung, E.-J., & Jung, C.-W. (2018). Prediction of Bispectral Index during Target-controlled Infusion of Propofol and Remifentanil: A Deep Learning Approach. Anesthesiology, 128(3), 492–501. https://doi.org/10.1097/ALN.0000000000001892
Lin, E., Kuo, P.-H., Liu, Y.-L., Yu, Y. W.-Y., Yang, A. C., & Tsai, S.-J. (2018). A deep learning approach for predicting antidepressant response in major depression using clinical and genetic biomarkers. Frontiers in Psychiatry, 9. https://www.frontiersin.org/articles/10.3389/fpsyt.2018.00290
Liu, J., Chen, Y., Li, S., Zhao, Z., & Wu, Z. (2021). Machine learning in orthodontics: Challenges and perspectives. Advances in Clinical and Experimental Medicine, 30. https://doi.org/10.17219/acem/138702
MacEachern, S. J., & Forkert, N. D. (2021). Machine learning for precision medicine. Genome, 64(4), 416–425. https://doi.org/10.1139/gen-2020-0131
Mathiesen, T., & Broekman, M. (2022–). Machine learning and ethics (V. E. Staartjes, L. Regli, & C. Serra, Eds.; pp. 251–256). Springer International Publishing.
Ming, D. Y., Zhao, C., Tang, X., Chung, R. J., Rogers, U. A., Stirling, A., Economou-Zavlanos, N. J., & Goldstein, B. A. (2023). Predictive modeling to identify children with complex health needs at risk for hospitalization. Hospital Pediatrics, 13(5), 357–369. https://doi.org/10.1542/hpeds.2022-006861
Munjal, N. K., Fleischman, A. D., & Coller, R. J. (2023). Machine Learning, Predicting Future Hospitalizations, and the Importance of Perception. Hospital Pediatrics, 13(5), e114–e116. https://doi.org/10.1542/hpeds.2023-007224
Myszczynska, M. A., Ojamies, P. N., Lacoste, A. M. B., Neil, D., Saffari, A., Mead, R., Hautbergue, G. M., Holbrook, J. D., & Ferraiuolo, L. (2020). Applications of machine learning to diagnosis and treatment of neurodegenerative diseases. Nature Reviews Neurology, 16(8), 440–456. https://doi.org/10.1038/s41582-020-0377-8
Peiffer-Smadja, N., Rawson, T. M., Ahmad, R., Buchard, A., Georgiou, P., Lescure, F.-X., Birgand, G., & Holmes, A. H. (2020). Machine learning for clinical decision support in infectious diseases: A narrative review of current applications [Doi: 10.1016/j.cmi.2019.09.009]. Clinical Microbiology and Infection, 26(5), 584–595. https://doi.org/10.1016/j.cmi.2019.09.009
Shvetcov, A., Thomson, S., Spathos, J., Cho, A.-N., Wilkins, H. M., Andrews, S. J., Delerue, F., Couttas, T. A., Issar, J. K., Isik, F., Kaur, S., Drummond, E., Dobson-Stone, C., Duffy, S. L., Rogers, N. M., Catchpoole, D., Gold, W. A., Swerdlow, R. H., Brown, D. A., & Finney, C. A. (2023). Blood-Based Transcriptomic Biomarkers Are Predictive of Neurodegeneration Rather Than Alzheimer’s Disease. International Journal of Molecular Sciences, 24(19), 15011. https://doi.org/10.3390/ijms241915011
Vamathevan, J., Clark, D., Czodrowski, P., Dunham, I., Ferran, E., Lee, G., Li, B., Madabhushi, A., Shah, P., Spitzer, M., & Zhao, S. (2019). Applications of machine learning in drug discovery and development. Nature Reviews Drug Discovery, 18(6), 463–477. https://doi.org/10.1038/s41573-019-0024-5
Wiemken, T. L., & Kelley, R. R. (2020). Machine learning in epidemiology and health outcomes research. Annual Review of Public Health, 41(1), 21–36. https://doi.org/10.1146/annurev-publhealth-040119-094437
Yin, M., Zhang, R., Zhou, Z., Liu, L., Gao, J., Xu, W., Yu, C., Lin, J., Liu, X., Xu, C., & Zhu, J. (2022). Automated machine learning for the early prediction of the severity of acute pancreatitis in hospitals. Frontiers in Cellular and Infection Microbiology, 12. https://doi.org/10.3389/fcimb.2022.886935

XXXIV Semana de Investigación Científica