El aprendizaje automático o machine learning tiene aplicaciones útiles en el cuidado de la salud, como ayudar a prevenir la sepsis en pacientes hospitalizados o mejorar la detección de brotes pandémicos, como la COVID-19. Dicha tecnología suele asociarse con aplicaciones complejas albergadas en la nube, aunque también es posible incorporar sus algoritmos en pequeñas piezas de hardware mediante el tiny machine learning o pequeño aprendizaje automático, conocido por el acrónimo TinyML. Se trata de un tipo de aprendizaje automático que une la inteligencia artificial y los dispositivos inteligentes.

Los algoritmos de TinyML pueden ejecutarse en microcontroladores, es decir, circuitos integrados utilizados en electrónica de consumo, telecomunicaciones y soluciones de detección táctil, que a menudo controlan otras partes de un sistema electrónico.

El consumo energético de un microprocesador con TinyML es de apenas unos cuantos milivatios, en comparación con los más de 100 vatios que puede requerir la CPU de una computadora de escritorio. Ese bajo consumo permite que los dispositivos TinyML funcionen sólo con baterías, incluso durante años. Se estima que en la actualidad existen más de 250,000 millones de microcontroladores en uso y se espera que este número crezca a razón de un 20% al año.

De hecho, uno de los ejemplos más ubicuos son los smart phones, cuyos asistentes virtuales (Google, Alexa o Siri) utilizan microprocesadores con TinyML. Lo mismo ocurre con las cámaras, que gracias al aprendizaje automático pueden procesar las fotografías. Por supuesto, los circuitos integrados también están presentes en un número creciente de dispositivos integrados a la Internet de las Cosas Médicas (IoMT).

Los algoritmos de TinyML funcionan en gran medida de la misma manera que un algoritmo de aprendizaje automático típico, sólo que pueden entrenarse en el borde de la nube o directamente en el dispositivo del usuario.

Procesamiento en el borde

Otras ventajas del TinyML, además del bajo consumo de energía, se pueden contar:

●Poca latencia: Dado que el algoritmo se ejecuta directamente en el dispositivo o en el borde de la nube, no es necesario enviar los datos a un servidor. Esto reduce la latencia de la respuesta.

●Menor ancho de banda: Como los datos pocas veces son enviados a un servidor, se utiliza menos ancho de banda de Internet.

●Privacidad: Al ejecutarse en el borde o en el dispositivo, el algoritmo no almacena datos en ningún servidor.

El TinyML pone al alcance de los médicos datos procesados que hacen mucho más sencilla la analítica predictiva. Dado que el procesamiento se ejecuta en el borde, disminuye la dependencia de la nube, lo cual permite mantener el rendimiento aunque se incremente el volumen de datos al tiempo que se reduce la latencia.

Otro ejemplo del TinyML en el cuidado de la salud es el dispositivo desarrollado por Edge Impulse y Arduino para detectar casos de COVID-19. Para ello, configuraron una placa Nano BLE Sense para discernir en el sonido de la tos la presencia de patrones reveladores de un contagio con el virus. Para ello, el dispositivo requiere apenas 20 KB de memoria RAM.

Prevención de enfermedades con TinyML

El monitoreo de pacientes hospitalizados es otra área del cuidado de la salud donde el TinyML puede resultar muy útil. Los dispositivos médicos emiten alarmas audibles para alertar al personal sanitario cuando un paciente requiere atención. Sin embargo, suele suceder que en muchas ocasiones se trata de una falsa alarma. Dado que en los hospitales dichos sucesos son numerosos y continuos, pueden llevar a médicos y enfermeras sufran desensibilización por sobreexposición sensorial. Es decir, que dejen de percibir los sonidos de alerta, lo cual podría provocar situaciones que pongan en peligro la vida de los pacientes.

Una manera de evitar dicha situación es con el uso de TinyML, que al discriminar cuáles situaciones requieren verdaderamente la atención del personal y cuáles no, disminuye el estrés y la carga de trabajo de médicos y enfermeras, que ya no deben gastar energías en atender falsas alarmas.

Por su parte, el proyecto Solar Scare Mosquito utiliza TinyML para frenar la propagación de enfermedades transmitidas por mosquitos, como el dengue, la malaria, el zika o el chikungunya. Se trata de un dispositivo portátil que se coloca en áreas donde suele estancarse el agua pluvial. Cuando se acumula el agua, el aparato flota y se enciende automáticamente para producir burbujas de aire. Estas agitan el agua para airear la superficie hasta un radio de 2 metros. Ello impide la reproducción de los insectos, que requieren aguas inmóviles y con poco oxígeno para que se desarrollen sus larvas. La bomba de aire del aparato funciona en intervalos de 10 minutos, lo cual alarga su vida útil. Además, el dispositivo tiene alarmas para alertar si se seca el agua o si alguien trata de retirarlo. Como se alimenta de energía solar, puede funcionar de forma indefinida.