Page 48 - Demo
P. 48

a fonDo
    48
tesla • OTOÑO 2018
tecnología para establecer un mar- co de interoperabilidad de datos de salud. Otro estudio de Curaesalud \[6\] nos muestra también los campos de aplicación en la historia clínica de pacientes, ayuda en la investigación clínica para la garantizar la veracidad y resultados de los ensayos clínicos, datos genómicos, datos generados por dispositivos conectados (IOMT/ IoHT) y también a los procesos de reclamación y pago de servicios sa- nitarios.
Los retos a los que se enfrenta esta tecnología, también mencio- nados en el artículo son, la veloci- dad de transacción y validación, el consumo energético y, sobre todo, uno no tecnológico: la “resistencia al cambio” principalmente en el en- torno sanitario.
Machine Learning y Deep Machine Learning
En general, los programas de com- putadora se clasifican como “inte- ligencia artificial” si más o menos, imitan las capacidades cognitivas de un ser humano y pueden, por ejemplo, resolver ciertos problemas de forma independiente o son ca- paces de aprender. En imagen mé- dica, el aprendizaje automático es lo más importante (Wang & Summers 2012) y particularmente una forma más poderosa de aprendizaje auto- mático como es el “aprendizaje pro- fundo” (Figura 1).
neural networks
El aprendizaje automático en mu- chos casos se basa en redes neuro-
figura 1. El campo de IA es una rama de la informática aplicada (la aplicación de conceptos de la informática a pro- blemas del mundo real). En el campo de la IA, el Machine Learning (o apren- dizaje automático), que utiliza algorit- mos de autoaprendizaje es el enfoque dominante para el área de la imagen médica. El Deep Machine Learning es bastante novedoso y un potente méto- do de aprendizaje automático y se basa en redes neuronales complejas (“pro- fundas”) \[7\].
nales artificiales (ANN o RN). Esto es, algoritmos computacionales que, si bien pueden no ser un modelo real del cerebro, están, sin embargo, inspirados por el funcionamiento neurobiológico y la interconexión de neuronas (Figura 2).
Iot/IoMt
Existe una visión ampliamente compartida sobre el gran potencial de Internet de las Cosas (IoT) para impulsar la innovación en muchos dominios de la salud. Por otro lado existen estudios de proyecciones que sitúan al sector sanitario como el mercado más importante de IoT en el futuro.
A nivel más de detalle cuando hablamos de IoT o de IoMT nos re- ferimos al sistema compuesto por sensores/biosensores o llevables (wearables) que captan una señal bio (temperatura, presión arterial, azúcar en sangre, etc.), sistemas de comunicaciones heterogéneos y particularmente las redes inalám- bricas que permiten el intercambio de información entre dispositivos y/o usuarios de los sistemas y tam- bién, y muy importante, de sistemas de seguridad de los datos IoMT que son altamente sensibles.
Un ejemplo claro que ha de cam- biar significativamente es el caso de los IoT para la diabetes, que, como se conoce es una de las enfermeda- des crónicas con más prevalencia en- tre la población y su crecimiento es constante. A ello está contribuyendo
figura 2. Estructura simplificada de una Red Neuronal Artificial (ANN).



















































































   46   47   48   49   50