A principios del siglo XIX, los médicos basaban sus decisiones clínicas principalmente en la observación y la experiencia personal. Herramientas como el estetoscopio y la exploración física detallada eran fundamentales, mientras que las teorías médicas predominantes, como la teoría de los gérmenes y la teoría miasmática de la enfermedad, guiaban tanto el diagnóstico como el tratamiento. Estos eran a menudo empíricos y se basaban en remedios tradicionales, incluyendo prácticas como las sangrías y las purgas.

Con el avance de la patología y la introducción de autopsias, los médicos mejoraron su comprensión de las enfermedades. La literatura médica, aunque menos accesible que hoy en día, era consultada para mantenerse actualizados, pero la falta de técnicas diagnósticas estandarizadas limitaba la precisión de los diagnósticos, que dependían en gran medida del juicio clínico del médico.

En el siglo XX, la toma de decisiones médicas evolucionó significativamente con el avance tecnológico y la introducción de la Medicina Basada en la Evidencia (MBE). Durante las décadas de 1970 y 1980, se promovió el uso de la investigación científica y los datos clínicos para guiar las decisiones médicas, lo que llevó al desarrollo y adopción de guías clínicas estandarizadas.

Paralelamente, en las décadas de 1960 y 1970, se desarrollaron los primeros Sistemas de Apoyo a la Decisión Clínica (CDSS), diseñados para diagnosticar infecciones bacterianas y recomendar tratamientos. Estos sistemas utilizaban reglas de producción y motores de inferencia para analizar datos y proporcionar recomendaciones. A medida que avanzaba la tecnología, los CDSS se integraron más ampliamente en los sistemas de información hospitalaria en las décadas de 1980 y 1990, facilitando la gestión de datos del paciente y proporcionando recomendaciones en tiempo real. A finales del siglo XX, la interoperabilidad y la adopción de estándares se volvieron cruciales, permitiendo que los CDSS se integraran eficazmente en diferentes entornos clínicos.

La inteligencia artificial (IA) ha emergido como una herramienta transformadora en el ámbito de la salud, prometiendo cambiar la manera en que se presta la atención médica. Uno de los usos más prometedores de la IA es en los sistemas de apoyo a la decisión clínica, que ayudan a los profesionales de la salud a tomar decisiones informadas basadas en un análisis robusto de datos clínicos.

Sin embargo, aún persisten interrogantes sobre la realidad del uso de IA y los CDSS en salud. Los sistemas de apoyo a la toma de decisiones basados en IA se utilizan para diagnóstico asistido, predicción de resultados, personalización del tratamiento, entre otros. Es pertinente revisar los usos específicos y evaluar el nivel de rigor científico y los estándares que cumplen. Además, es fundamental entender cómo han funcionado estos sistemas en la práctica clínica. Esto incluye evaluar su precisión diagnóstica, efectividad en la mejora de resultados de salud, y su capacidad para integrarse de manera efectiva en los flujos de trabajo clínicos sin generar errores adicionales o sobrecargar a los profesionales de la salud.

La adopción de sistemas basados en IA enfrenta varios desafíos. Para poder adoptar correctamente estas herramientas, debemos entender las principales barreras para su uso habitual por los profesionales de la salud y su beneficio para los pacientes. Es fundamental establecer métodos de investigación científica más rigurosos y reportes más completos para validar los sistemas de IA en salud, considerando la adecuación del tamaño de la cohorte, datos de precisión y la validación adecuada con bases de datos externos.

Aunque las bases de datos de acceso abierto facilitan la colaboración, es importante evaluar su idoneidad para capturar las particularidades locales de los sistemas de salud y las poblaciones, complementándose con datos locales cuando sea necesario. Así se podrá abordar la preocupación por la falta de equidad en la implementación de modelos en distintas poblaciones. Los CDSS basados en IA muestran potencial para mejorar la atención médica, pero su efectividad y aceptación varían según el contexto y la implementación específica. Se deben realizar evaluaciones más completas del impacto clínico y la eficacia de la implementación de los modelos de IA en entornos clínicos reales.

Además se debe trabajar sobre el desarrollo de marcos de trabajo robustos para la implementación efectiva, asegurando que los modelos sean claros y prácticos en su aplicación clínica. Se necesita mejorar la interpretabilidad/explicabilidad de los métodos de IA para los médicos mediante entrenamiento adecuado y conocimientos comprensibles, para aumentar la confianza en los CDSS basados en IA. Recientemente, para superar esto, ha habido un creciente interés en desarrollar modelos y técnicas de IA Explicable (XAI) para hacer que los modelos actuales sean interpretables. 

Podes encontrar más información en el ateneo 644 de Jacobo Tomás Lerner Rojas: https://www.youtube.com/watch?v=uH8T7bYN2Yk