El uso de la inteligencia artificial (IA) en el cuidado de la salud es cada vez más común, particularmente para aplicaciones y servicios en la nube. Sin embargo, el uso de la inteligencia artificial en el borde aún no se encuentra tan extendido. La razón es que los primeros algoritmos de IA se pensaron para acceder a datos concentrados en una ubicación central. En cambio, la inteligencia artificial en el borde recurre al aprendizaje distribuido.
Es decir, muchos de los datos se procesan en dispositivos y aplicaciones situados en la periferia y no son transmitidos a una nube central. Eso es común con muchos de los elementos integrantes de la Internet de las Cosas Médicas (IoMT).
Procedimientos agilizados
Existen varios motivos para implementar la inteligencia artificial en el borde:
●Facilita la protección de los datos sensibles: Al evitar el tránsito de la información generada, por ejemplo, en una tomografía, se reduce el riesgo que puedan acceder a ellos ciberdelincuentes al acecho en la red.
●Optimiza el uso del ancho de banda y el análisis de datos: El enorme volumen de los datos generados por la imagenología médica puede ser demasiado para su transmisión por las redes. Es por ello que resulta más eficiente procesarlos directamente en el borde, mediante aplicaciones de IA diseñadas ex profeso.
●Minimiza la latencia: El retraso en la transmisión de los datos puede ser desdeñable en muchos casos de la vida cotidiana. No así en el cuidado de la salud, como por ejemplo en las cirugías robóticas. Es por ello que, para ciertas tareas, resulta mejor recurrir a la inteligencia artificial en el borde. Y esa tendencia no hará sino acelerarse. De hecho, Frost & Sullivan estima que el mercado de la cirugía asistida por IA valdrá alrededor de 225 millones de dólares en 2024.
Cada acción tomada durante una cirugía requiere ser registrada. Con el uso de la inteligencia artificial en el borde, es posible que cámaras y otros dispositivos de la IoMT registren y clasifiquen automáticamente la información producida en los quirófanos. Luego, pueden transmitirla a otras aplicaciones centralizadas, donde se pueden analizar con mayor profundidad e integrar en bases de datos extensas utilizadas para mejorar los procedimientos.
Retos de la inteligencia artificial en el borde
En general, los dispositivos de la IoMT ven su rendimiento mejorado mediante el uso de la inteligencia artificial en el borde. Al recopilar y procesar los datos antes de enviarlos a un servidor remoto, facilita la tarea de los profesionales de la salud. A diferencia de los primeros dispositivos de la IoMT —en su mayoría sensores sin capacidad de procesamiento—, los más recientes pueden realizar el análisis primario de los datos antes de transmitirlos a una aplicación en la nube para su tratamiento más sofisticado. Ahora bien, implementar adecuadamente la inteligencia artificial en el borde puede resultar muy desafiante.
Los algoritmos requieren de una gran cantidad de datos para su entrenamiento. Sin embargo, si no están debidamente contextualizados, puede ser muy arduo obtener resultados precisos en los procedimientos que se busca optimizar. Esto es porque a los algoritmos no pueden detectar anomalías sin datos identificados de manera adecuada al momento de crear un modelo. Es decir, la inteligencia artificial en el borde necesita del conocimiento de las personas para aprender a realizar las tareas.
Además, se debe tener en cuenta que la IA no pude resolver por sí misma todos los problemas. Obtener un resultado determinado puede implicar una larga secuencia de pasos interdependientes. Hay que enseñarle a la IA esos pasos y la relación entre ellos. Pero no se debe descuidar que si el conjunto de datos es muy extenso y se recopila durante un periodo demasiado amplio, se puede llegar a modelos demasiado complejos y difíciles de actualizar. Lo mejor es buscar a expertos en el desarrollo de la inteligencia artificial en el borde. Con su auxilio es más factible llegar a soluciones sencillas y escalables para asegurar su utilidad perdurable a lo largo del tiempo.
