Si hay un campo en el que la IA esté suponiendo una verdadera revolución ese es el de la salud. Tecnologías como big data, el machine learning o el Procesamiento del Lenguaje Natural (NLP) están suponiendo mejoras constantes tanto para los profesionales sanitarios, los pacientes y para todo el sistema de salud en general. ¿Cómo? Con programas y aplicaciones que ayudan, primero a prevenir, después a diagnosticar y, por último, a tratar.
Un ejemplo de la contribución de la IA lo encontramos en las consultas médicas. El facultativo tiene la obligación de transcribir lo que el enfermo le está contando, con lo que pierde tiempo para el diálogo y la observación, claves para elaborar un buen diagnóstico. Siempre respetando la privacidad del paciente, esos datos quedan recogidos para extraer patrones y tendencias que serán útiles después para mejorar la toma de decisiones clínicas y hospitalarias.
También se trabaja con sistemas digitales de diagnóstico por imagen, muy efectivos para detectar enfermedades como el cáncer o el alzhéimer.
Basada en la detección por imagen, en este caso mediante una resonancia magnética T1, existe ya una solución que logra detectar el grado de manifestación de la enfermedad en el paciente. La clasificación y etiquetación de la resonancia se basa en el CDR, Clinical Demential Rating, que establece una escala global de cinco puntos que abarca seis ejes: la memoria, la orientación, el juicio, la resolución de problemas, el desempeño en comunidad, además del rendimiento en casa, las aficiones y el cuidado personal. El sistema de valoración se basa en la clasificación estándar de la comunidad médica internacional para el alzhéimer. Una puntuación de 0 descarta la enfermedad, 0,5 se traduce en demencia muy leve, el 1 leve, el 2 moderada y el 3 severa.
Otra área clave en el caso de la aplicación de la IA está relacionada con la optimización de recursos hospitalarios, como, por ejemplo, prever en tiempo real la disponibilidad de camas.
Durante picos de virus respiratorios, los hospitales suelen enfrentar saturación en urgencias y hospitalizaciones. Ante estas situaciones utilizando la inteligencia artificial se han desarrollado modelos predictivos basados en datos históricos y factores relevantes que anticipan la previsión de ocupación de camas.