10- De la Prevención al Diagnóstico: Cómo AIoMT Está Cambiando la Atención Médica

Inteligencia Artificial Médica y AIoMT: Revolucionando la Atención Sanitaria

En un mundo cada vez más conectado, la inteligencia artificial médica y el Internet de las Cosas Médicas (AIoMT) están redefiniendo la atención sanitaria, ofreciendo soluciones innovadoras para mejorar la calidad de vida de millones de personas. Estas tecnologías, capaces de integrar dispositivos conectados, análisis de datos médicos y algoritmos avanzados, están transformando la manera en que se detectan, diagnostican y gestionan las enfermedades, desde el monitoreo no invasivo de condiciones crónicas hasta la detección temprana de patologías complejas como la demencia o el cáncer. En este artículo, exploraremos cómo estas herramientas tecnológicas están revolucionando la atención médica, abordando casos de uso concretos y el impacto potencial que pueden tener en los paradigmas de salud del futuro.

Personalización y Accesibilidad en la Atención Médica con AIoMT

A medida que el aprendizaje automático en salud y los sistemas de monitoreo remoto se vuelven más sofisticados, el AIoMT está liderando una revolución hacia la personalización y accesibilidad de la atención médica. Con la capacidad de identificar biomarcadores médicos, emplear gemelos digitales y generar diagnósticos asistidos por inteligencia artificial, estas tecnologías no solo permiten una atención más precisa, sino que también facilitan intervenciones preventivas que pueden salvar vidas. Este análisis busca destacar cómo el desarrollo de estas herramientas no solo optimiza los recursos médicos, sino que también promueve una medicina más inclusiva, eficiente y ética para la sociedad.

Aplicaciones de la AIoMT en la Gestión de Enfermedades Complejas

La inteligencia artificial aplicada a la inteligencia artificial del Internet de las cosas médicas, (AIoMT, Artificial Intelligence of Medical Things), está transformando la forma en que se brinda atención médica al mejorar los resultados para pacientes y cuidadores a lo largo de la cadena de atención. En este contexto, la AIoMT ha demostrado su capacidad para abordar desafíos específicos en diversas áreas de la medicina, proporcionando herramientas innovadoras y no invasivas para la detección, el diagnóstico y la gestión de condiciones complejas. En particular, esta tecnología ha destacado en el campo de la atención a la demencia, donde sus aplicaciones están redefiniendo los enfoques de cuidado. La Figura 7 muestra un sistema de hogar inteligente para el monitoreo de personas con demencia.

Identificación Temprana de Demencia: Tecnología AIoMT en Acción

La demencia, se considera un conjunto de síntomas cognitivos y conductuales causados por condiciones neurológicas como la enfermedad de Alzheimer y la enfermedad de Parkinson, afecta progresivamente la memoria, la capacidad de comunicación y el comportamiento de los individuos. En las etapas iniciales, la identificación temprana es clave para planificar cuidados efectivos y mejorar la calidad de vida tanto de los pacientes como de sus redes de apoyo. En este sentido, la tecnología AIoMT ha mostrado un potencial significativo. Por ejemplo, estudios recientes han implementado reconocimiento de actividades mediante aprendizaje automático para procesar datos de sensores de movimiento, tanto portátiles como no invasivos, con el objetivo de identificar alteraciones de la movilidad asociadas a la demencia (Ahamed et al., 2020). Asimismo, investigaciones han empleado señales de electroencefalografía, (EEG, Electroencephalography), imágenes de resonancia magnética, (MRI, Magnetic Resonance Imaging), y datos de actividad para diagnosticar la demencia de manera precisa (Yildirim et al., 2019). Adicionalmente, la realidad virtual ha emergido como una herramienta prometedora: un estudio reciente asignó a las participantes tareas de navegación en un entorno tridimensional, analizando su desempeño mediante modelos de bosque aleatorio para detectar la demencia con altos niveles de exactitud (Bayahya et al., 2021).

A medida que la demencia avanza, las necesidades de cuidado evolucionan, y el riesgo de caídas y lesiones aumenta significativamente. En esta etapa, la AIoMT puede desempeñar un papel esencial al monitorear la actividad diaria y alertar a los cuidadores sobre comportamientos anormales. Por ejemplo, un estudio innovador utiliza aprendizaje automático para analizar datos de medidores inteligentes, (Smart Meters, Smart Meters), capturando interacciones de los pacientes con dispositivos electrónicos en sus hogares, logrando detectar anomalías en el comportamiento de forma no invasiva y respetando la privacidad de los usuarios (Shah et al., 2021). Otra tecnología prometedora emplea información del estado del canal, (CSI, Channel State Information), para clasificar actividades, lo que podría ser aplicado en el cuidado de la demencia en el futuro (Khan et al., 2021).

Monitoreo Continuo y Diagnóstico Ético en Demencia

Así, las aplicaciones de la tecnología AIoMT en el cuidado de la demencia están revolucionando los modelos de atención al proporcionar herramientas avanzadas para la detección temprana, el diagnóstico preciso y el monitoreo continuo. Es de suma importancia, fomentar la investigación interdisciplinaria para integrar estas tecnologías de manera ética y efectiva en los entornos de cuidado, asegurando que las soluciones desarrolladas no solo sean precisas, sino también accesibles y respetuosas con la privacidad de los pacientes. Además, es fundamental promover políticas públicas que incentiven la adopción responsable de la AIoMT, optimizando así su impacto en la calidad de vida de las personas afectadas y sus familias.

Se resalta, que el cuidado de personas con demencia representa un desafío significativo tanto para los pacientes como para sus cuidadores, dado que los síntomas asociados, como la agresión y la agitación, pueden generar situaciones de riesgo físico y emocional. En este contexto, el Internet de las cosas médicas, apoyado por la inteligencia artificial, o inteligencia artificial en el Internet de las cosas médicas (AIoMT, Artificial Intelligence of Medical Things), se ha convertido en una herramienta prometedora para mejorar la calidad del cuidado y aliviar la carga de los cuidadores. Estas tecnologías innovadoras permiten la identificación y gestión temprana de comportamientos asociados con la demencia, facilitando intervenciones oportunas y efectivas.

Apoyo a Cuidadores mediante AIoMT: Casos de Estudio Innovadores

Un ejemplo destacado es el desarrollo de sistemas de la AIoMT diseñadas específicamente para apoyar a los cuidadores en la detección de comportamientos relacionados con la angustia y la agitación en pacientes con demencia. En un estudio reciente, se implementó un sistema que combinaba dispositivos portátiles con monitoreo ambiental para recopilar datos fisiológicos y de movimiento. Los dispositivos portátiles integraban acelerómetros, fotopletismogramas, (PPG, Photoplethysmogram), sensores de sudoración y temperatura de la piel, los cuales se colocaban en la muñeca del paciente. Además, se utilizaron cámaras para registrar información adicional sobre la actividad diaria (Raza et al., 2021). Posteriormente, se aplicaron algoritmos de aprendizaje automático para procesar estos datos, lo que permitió predecir con precisión episodios de agitación y angustia.

Cabe destacar, que un estudio posterior llevado a cabo por el mismo grupo de investigación concluyó que los dispositivos portátiles, por sí solos, eran altamente efectivos para identificar episodios de agitación en pacientes con demencia. Este hallazgo demuestra que incluso tecnologías menos invasivas y más accesibles pueden proporcionar resultados significativos para apoyar a los cuidadores en el manejo de estos síntomas complejos (Tiersen et al., 2021).

Con todo lo aquí descrito se puede afirmar, que las tecnologías de la AIoMT ofrecen soluciones innovadoras y efectivas para abordar los desafíos asociados con el cuidado de personas con demencia. Todo esto exige la necesidad de continuar impulsando investigaciones que optimicen estas herramientas, con énfasis en su accesibilidad, precisión y facilidad de uso para cuidadores y familias. Asimismo, es indispensable fomentar colaboraciones interdisciplinarias que integren conocimientos de la ingeniería, la medicina y las ciencias sociales, garantizando que estas tecnologías no solo sean técnicamente viables, sino también éticamente responsables y centradas en las necesidades de los usuarios. Este enfoque permitirá maximizar el impacto positivo de la AIoMT en el cuidado de la demencia, mejorando tanto la calidad de vida de los pacientes como la de quienes los cuidan.

Gemelos Digitales y su Impacto en el Diagnóstico Personalizado de Demencia

Por otra parte, hay que considerar que expresar emociones hacia los cuidadores representa un desafío significativo para las personas con demencia, y esta dificultad, en muchos casos, puede desembocar en frustración y agresión. En respuesta a este problema, un estudio reciente presentó un sistema basado en la Inteligencia Artificial de las Cosas Médicas, (AIoMT, Artificial Intelligence of Medical Things), que emplea aprendizaje automático para clasificar las emociones de pacientes con demencia a partir de datos obtenidos con sensores portátiles de electroencefalografía (EEG, NeuroSky, 2023). Además, modelos avanzados de aprendizaje automático, como aquellos basados en transformadores, se han desarrollado para identificar emociones no solo a través del habla, (BERT, Bidirectional Encoder Representations from Transformers, 2018), sino también mediante datos obtenidos de imágenes (Gou et al., 2022). Estas innovaciones tecnológicas tienen el potencial de ser aplicadas en grupos de pacientes con demencia, ayudando a los cuidadores a interpretar las emociones de los pacientes y adaptando el cuidado a sus necesidades específicas en tiempo real.

Asimismo, se ha propuesto un marco de gemelo digital orientado a apoyar tanto a los cuidadores como a los proveedores de atención médica de personas con demencia (Elayan et al., 2021). Este marco integra los sistemas de Inteligencia Artificial de las Cosas Médicas, (AIoMT, Artificial Intelligence of Medical Things), como los de evaluación de emociones y agitación, proporcionando retroalimentación inmediata a los cuidadores y generando, al mismo tiempo, un gemelo digital del paciente. Al evaluar a nuevos pacientes, algoritmos de Inteligencia Artificial, (AI, Artificial Intelligence), buscan gemelos digitales previamente generados con características similares y los fusionan para crear un modelo representativo del nuevo paciente. Este tipo de perfilado digital, también ofrece a los médicos herramientas valiosas para identificar signos tempranos de deterioro cognitivo u otros cambios relevantes en la condición de los pacientes, facilitando un manejo más preventivo.

Predicción y Prevención de Enfermedades con IA: Enfoques para Demencia y Más

La demencia, con su impacto profundo en pacientes y cuidadores, sigue siendo un campo lleno de incertidumbres, pues no existe una cura para las condiciones que la generan. Ante esta realidad, una serie de estudios han enfocado sus esfuerzos en identificar factores asociados con su desarrollo. Por ejemplo, un estudio utilizó puntuaciones de explicaciones SHAP, (SHapley Additive exPlanations), para analizar factores demográficos y riesgos de salud vinculados a diagnósticos futuros de demencia, ofreciendo información valiosa para mitigar el riesgo en áreas específicas (Danso et al., 2021). De manera complementaria, otro estudio identificó biomarcadores mediante pruebas cognitivas e imágenes médicas, evaluando la relación entre parámetros individuales y los resultados de deterioro cognitivo (Valerio et al., 2021). Estas iniciativas permiten a los médicos detectar individuos en riesgo de desarrollar demencia, lo que facilita la implementación de intervenciones preventivas.

Además, se han llevado a cabo investigaciones para comprender cómo se manifiesta la demencia en el cerebro. Un estudio empleó puntuaciones de LIME, (Local Interpretable Model-agnostic Explanations), para identificar características clave en imágenes de resonancia magnética (MRI) y en expresiones génicas relacionadas con la enfermedad de Alzheimer, proporcionando a los investigadores pistas importantes para el diagnóstico y tratamiento de la enfermedad (Kamal et al., 2021). En paralelo, otro estudio utilizó un modelo explicable de aprendizaje automático con mapas de calor para localizar regiones cerebrales asociadas con la enfermedad de Alzheimer, ofreciendo a los médicos una herramienta que no solo incrementa su confianza, sino que también profundiza en el entendimiento de esta condición (Yu et al., 2022).

Podemos estar seguros, que la demencia constituye un desafío complejo con efectos devastadores tanto para los pacientes como para sus cuidadores. Sin embargo, los avances en la Inteligencia Artificial de las Cosas Médicas, (AIoMT, Artificial Intelligence of Medical Things), representan una solución prometedora para mejorar el diagnóstico, cuidado y monitoreo de esta condición. Estas tecnologías no solo facilitan la identificación de riesgos y biomarcadores, sino que también abren caminos hacia investigaciones futuras que podrían transformar el enfoque del tratamiento de la demencia. Por lo tanto, se recomienda seguir fomentando el desarrollo de estas herramientas, promoviendo su integración en los sistemas de salud, y asegurando una implementación ética y accesible que priorice el bienestar de los pacientes y sus cuidadores.

AIoMT en Accidentes Cerebrovasculares: Desde la Prevención hasta la Rehabilitación

Sumado a esto, el accidente cerebrovascular, también denominado accidente cerebrovascular (CVA, Cerebrovascular Accident), representa una emergencia médica que ocurre cuando se interrumpe el flujo sanguíneo al cerebro, lo que genera un daño potencialmente irreversible en las funciones cerebrales. La rapidez en el diagnóstico y tratamiento es esencial para minimizar el impacto, aunque las secuelas a largo plazo, como dificultades en el habla y la movilidad, son comunes en los sobrevivientes. En este contexto, la inteligencia artificial de las cosas médicas (AIoMT, Artificial Intelligence of Medical Things), se perfila como una herramienta prometedora para transformar la cadena de atención relacionada con los accidentes cerebrovasculares, desde la prevención hasta el tratamiento y la recuperación.

Algoritmos Predictivos en la Prevención de Accidentes Cerebrovasculares

En la etapa preventiva, un sistema integral basado en AIoMT puede identificar personas en riesgo utilizando datos médicos rutinarios. Diversos estudios recientes han evidenciado el poder del aprendizaje automático para predecir el riesgo de un accidente cerebrovascular combinando variables clínicas y demográficas obtenidas a partir de los registros médicos electrónicos (EHRs, Electronic Health Records) y dispositivos de monitoreo de la salud. Por ejemplo, un estudio empleó un modelo híbrido de redes neuronales convolucionales (CNN, Convolutional Neural Network) para predecir accidentes cerebrovasculares isquémicos, alcanzando un área bajo la curva característica del receptor (AUROC, Area Under the Receiver Operating Characteristic curve) de 0.974, mientras que un modelo basado en máquinas de vectores de soporte (SVM, Support Vector Machine) obtuvo un AUROC de 0.970 para la predicción de accidentes cerebrovasculares hemorrágicos (Lin et al., 2020). De manera similar, otro estudio aplicó un enfoque de conjunto para analizar datos demográficos y clínicos fundamentales, logrando un AUROC de 0.989 (Dritsas & Trigka, 2022). Esta capacidad de predicción resulta necesaria, ya que permite implementar estrategias preventivas personalizadas para reducir significativamente los riesgos de sufrir un accidente cerebrovascular.

Diagnóstico Rápido y Preciso con AIoMT en Accidentes Cerebrovasculares

Sin embargo, incluso con intervenciones preventivas efectivas, el riesgo de un accidente cerebrovascular nunca puede eliminarse por completo. Por ello, es fundamental garantizar una identificación rápida en caso de que ocurra un evento de este tipo, ya que un diagnóstico temprano permite minimizar el daño cerebral mediante tratamientos oportunos. En este sentido, la AIoMT ha demostrado su eficacia en diversas aplicaciones diagnósticas. Por ejemplo, el uso de redes neuronales convolucionales (CNN, Convolutional Neural Network) para analizar imágenes de tomografía computarizada (CT, Computed Tomography) del cerebro ha sido exitoso en diagnosticar accidentes cerebrovasculares (Dourado et al., 2019). Además, se ha investigado la posibilidad de identificar accidentes cerebrovasculares antes de la admisión hospitalaria mediante algoritmos de bosque aleatorio (RF, Random Forest) para procesar señales de electroencefalograma (EEG, Electroencephalogram) (Choi et al., 2021) y SVM para analizar informes escritos por paramédicos en el lugar del incidente (Mayampurath et al., 2021). Asimismo, un estudio reciente utilizó un enfoque combinado que incluye redes neuronales completamente conectadas (FCNN, Fully Connected Neural Network), RF y SVM para descubrir biomarcadores genéticos relacionados con los accidentes cerebrovasculares, identificando moléculas de microARN como posibles indicadores clave. Este avance tiene el potencial de acelerar los diagnósticos en pacientes hospitalizados y mejorar la precisión en el manejo clínico. la Figura. 8 describe una evaluación prehospitalaria de accidentes cerebrovasculares en un entorno de ambulancia inteligente.

Admitamos entonces, que la integración de la inteligencia artificial de las cosas médicas (AIoMT, Artificial Intelligence of Medical Things) en la atención de los accidentes cerebrovasculares puede revolucionar tanto la prevención como el diagnóstico y tratamiento de esta condición. Para maximizar su impacto, es de vital importancia seguir invirtiendo en investigaciones que refinen los algoritmos predictivos, diagnostiquen con mayor rapidez y precisión, y desarrollen estrategias preventivas efectivas. Además, es esencial implementar programas de capacitación para los profesionales de la salud que les permitan utilizar estas tecnologías de manera óptima. A medida que se superen las barreras técnicas, éticas y logísticas, la AIoMT podría convertirse en una herramienta indispensable en la lucha contra los accidentes cerebrovasculares, reduciendo significativamente su impacto en la salud pública.

Los accidentes cerebrovasculares representan una de las principales causas de discapacidad y mortalidad a nivel mundial. A pesar de que los tratamientos disponibles pueden mitigar el daño inicial, los sobrevivientes suelen enfrentarse a secuelas significativas, como dificultades en el habla y limitaciones en la movilidad. En este contexto, es indispensable evaluar los resultados a largo plazo esperados para los pacientes que han sufrido un accidente cerebrovascular, ya que esto puede orientar las decisiones terapéuticas de manera más efectiva. Por ejemplo, investigaciones han demostrado que el uso de redes neuronales convolucionales totalmente conectadas, (FCNN, Fully Connected Neural Networks), permite procesar datos clínicos, información sobre medicación y características demográficas recopiladas a través del monitoreo continuo y reportes médicos (Heo et al., 2019; Qin et al., 2021). Asimismo, se han identificado parámetros clave asociados con resultados adversos, como el puntaje de coma de Glasgow, (Glasgow Coma Score), la presencia de fibrilación auricular, el tipo de accidente cerebrovascular y la edad del paciente (Qin et al., 2021).

Rehabilitación Post-Ictus: Soluciones Basadas en AIoMT

Por otro lado, cuando los resultados a largo plazo son desfavorables, intervenciones como la rehabilitación post-ictus son fundamentales para apoyar la recuperación del paciente. Sin embargo, uno de los principales desafíos tras el alta hospitalaria es garantizar la adherencia a los programas de rehabilitación. Recientemente, se ha implementado un sistema basado en inteligencia artificial y tecnología médica de las cosas, (AIoMT, Artificial Intelligence of Medical Things), diseñado para monitorear el cumplimiento de los ejercicios prescritos mediante datos obtenidos de acelerómetros. Este sistema también tiene la capacidad de rastrear cambios en la ejecución de los ejercicios, proporcionando información valiosa sobre la evolución del estado del paciente con el tiempo (Bernal et al., 2021). Además, durante el proceso de recuperación, es frecuente que los pacientes enfrenten el riesgo de caídas, lo que puede provocar nuevas lesiones. Para abordar este problema, un estudio reciente demostró que los sistemas de AIoMT equipados con algoritmos de aprendizaje automático, (ML, Machine Learning), y unidades de medición inercial, (IMU, Inertial Measurement Unit), pueden detectar caídas y activar dispositivos como airbags portátiles para reducir el impacto y prevenir daños adicionales (Botonis et al., 2022).

De lo anterior conviene afirmar, que la atención de los accidentes cerebrovasculares se presenta como un caso ejemplar del impacto positivo que la tecnología AIoMT puede tener en la medicina moderna. La implementación de estas herramientas no solo facilita la identificación temprana de riesgos, permitiendo a los pacientes adoptar medidas preventivas, sino que también apoya un diagnóstico rápido y preciso en los momentos críticos posteriores al accidente cerebrovascular. Además, el uso de técnicas explicables dentro de los sistemas basados en inteligencia artificial puede ayudar a identificar biomarcadores y factores de riesgo relevantes, contribuyendo a la planificación personalizada del tratamiento y abriendo nuevas oportunidades de investigación en la prevención y manejo de accidentes cerebrovasculares. Para optimizar estos avances, se resalta la importancia de seguir desarrollando sistemas basados en la AIoMT que sean accesibles y adaptables a las necesidades individuales de los pacientes, así como promover la integración de estas tecnologías en las prácticas clínicas cotidianas para maximizar su impacto en la salud pública.

AIoMT y Cáncer: Transformando el Diagnóstico y Tratamiento

Para continuar tenemos que considerar también, que el cáncer es una de las principales causas de muerte en todo el mundo, con una amplia variedad de tipos que afectan a millones de personas. En este contexto, la inteligencia artificial aplicada a la Internet de las Cosas Médicas, (AIoMT, Artificial Intelligence of Medical Things), emerge como una herramienta prometedora para mejorar los procesos de diagnóstico, tratamiento y recuperación de diversas formas de cáncer. Variados estudios de casos se centran específicamente en el cáncer de mama, el tipo más común a nivel mundial y una de las principales causas de mortalidad relacionada con el cáncer. Sin embargo, es alentador destacar que, cuando se detecta y trata en etapas tempranas, las tasas de supervivencia del cáncer de mama pueden alcanzar entre el 95% y el 100%, como se observa en países como Australia (Hassanien et al., 2022).

Diagnóstico Temprano de Cáncer de Mama con AIoMT

Se tiene que reconocer, que la tecnología AIoMT ofrece un potencial significativo para optimizar el abordaje del cáncer de mama al perfeccionar los diagnósticos, evaluar pronósticos, definir tratamientos adecuados e identificar pacientes con riesgo de recurrencia. Estas capacidades son fundamentales para detectar nuevos casos o recurrencias en etapas tempranas, lo que maximiza las posibilidades de supervivencia del paciente. Actualmente, el diagnóstico temprano depende en gran medida del acceso a servicios médicos especializados; sin embargo, estudios recientes sugieren que la AIoMT podría transformar este escenario al facilitar la detección temprana desde el hogar. Por ejemplo, investigaciones han utilizado imágenes infrarrojas del pecho tomadas con teléfonos inteligentes, procesadas mediante modelos de Redes Neuronales Convolucionales, (CNN, Convolutional Neural Networks), para identificar la presencia de cáncer de mama. Los resultados mostraron una precisión superior al 95%, destacando además una alta sensibilidad al cáncer de mama. Este enfoque obtuvo mejores resultados con imágenes infrarrojas a color, aunque las imágenes en escala de grises también lograron precisiones razonables. No obstante, una limitación importante de este trabajo fue el uso de una base de datos que solo incluía imágenes de cáncer de mama y personas sanas, sin considerar casos de bultos o tumores no cancerosos (Shome et al., 2021). Otro estudio abordó esta limitación al implementar un modelo profundo basado en CNN para diferenciar entre bultos mamarios benignos y malignos en imágenes de mamografía, logrando una notable precisión del 99.12% (Roy et al., 2020).

Clasificación Histológica y Estadificación con Tecnologías de IA

Tras el diagnóstico, resulta esencial evaluar la severidad del cáncer de mama para desarrollar planes de tratamiento efectivos. En este ámbito, los enfoques basados en AIoMT han demostrado ser valiosos. La clasificación histológica de tumores, que determina la rapidez con que un tumor puede crecer y propagarse, es determinante para planificar tratamientos personalizados. Un estudio reciente utilizó datos de expresión genética provenientes de registros de salud y muestras de tumores de mama para asignar grados histológicos mediante un modelo de árboles de decisión potenciados, (Gradient-Boosted Decision Tree). Los resultados fueron prometedores, con una precisión del 90% y un Área Bajo la Curva Operativa del Receptor, (AUROC, Area Under the Receiver Operating Characteristic Curve), de 0.88 (Bacha & Taouali, 2022). Asimismo, otro estudio procesó imágenes de microscopía de tumores de cáncer de mama utilizando un modelo CNN para identificar la etapa del cáncer, logrando una precisión del 97.81%. Además, se obtuvieron precisiones superiores al 98% para identificar el tipo de cáncer de mama (Ahamed et al., 2021). La clasificación y la estadificación histológica son fundamentales para minimizar diagnósticos erróneos o subestimaciones de cánceres agresivos, al tiempo que evitan el sobretratamiento en casos de bajo riesgo.

Predicción de Respuestas a Tratamientos Oncológicos con AIoMT

Adicionalmente, los avances en la AIoMT también han explorado formas de predecir la respuesta de los pacientes a diferentes tratamientos, como la quimioterapia neoadyuvante, (NAC, Neoadjuvant Chemotherapy), que se utiliza para reducir el tamaño del tumor antes de la cirugía o radioterapia. Sin embargo, este tratamiento solo es efectivo en aproximadamente el 70% de los pacientes (Chandrabhatla et al., 2021). Por lo tanto, la identificación temprana de pacientes que no responderán favorablemente a la NAC es esencial para ajustar los planes de tratamiento y mejorar los resultados. Un estudio procesó características extraídas de imágenes de tomografía computarizada mediante árboles de decisión potenciados para predecir si los tumores se reducirían al menos en un 30% en respuesta al tratamiento, alcanzando una precisión del 88%, aunque con un AUROC de solo 0.632. Por otro lado, un enfoque diferente combinó características extraídas de imágenes de resonancia magnética, (MRI, Magnetic Resonance Imaging), con variables clínicas, utilizando una red neuronal completamente conectada, (FCNN, Fully Connected Neural Network), que logró un AUROC de 0.975 y una precisión del 91.2% (Das et al., 2022).

De esta manera, la integración de tecnologías basadas en AIoMT tiene un impacto significativo en la mejora de los procesos relacionados con el cáncer de mama, desde el diagnóstico temprano hasta la estadificación y predicción de respuestas al tratamiento. Para maximizar estos beneficios, es importante fomentar la investigación continua y la implementación de estas tecnologías en entornos clínicos, garantizando además la creación de bases de datos más inclusivas y representativas. Asimismo, se plantea priorizar la capacitación de profesionales de la salud en el uso de estas herramientas y garantizar el acceso equitativo a estas tecnologías, especialmente en regiones con recursos limitados. Estos esfuerzos pueden contribuir no solo a mejorar las tasas de supervivencia, sino también a transformar la atención médica del cáncer de mama en un modelo más accesible, preciso y personalizado.

Debemos comprender que, en el tratamiento del cáncer de mama, la quimioterapia neoadyuvante, (NAC, Neoadjuvant Chemotherapy), desempeña un papel fundamental en ciertos casos, ya que puede conducir a una respuesta completa patológica, (pCR, pathologic Complete Response), lo que significa la ausencia de tejido canceroso en las muestras de biopsia. Este resultado es altamente favorable, ya que indica que el paciente está en remisión y podría no requerir más tratamiento, salvo que ocurra una recaída. Identificar a los pacientes que podrían alcanzar una pCR después de recibir NAC es clave para optimizar los planes de tratamiento personalizados. En este sentido, un estudio reciente utilizó parámetros demográficos y clínicos extraídos de registros médicos electrónicos, (EHRs, Electronic Health Records), con el objetivo de predecir la probabilidad de pCR. Tras evaluar diversos modelos de aprendizaje automático, (ML, Machine Learning), el enfoque basado en árboles de decisión potenciados demostró ser el más eficaz, logrando un área bajo la curva característica operativa del receptor de 0.810, (AUROC, Area Under the Receiver Operating Characteristic Curve) (El Atrache et al., 2021). Estos resultados subrayan el potencial del aprendizaje automático para mejorar la precisión en la predicción de resultados clínicos, lo que podría revolucionar la planificación del tratamiento en oncología.

Reducción del Riesgo de Recurrencia en Cáncer de Mama

Posteriormente al tratamiento exitoso del cáncer de mama, el riesgo de recurrencia sigue siendo una preocupación significativa debido a su estrecha asociación con la mortalidad. La identificación de pacientes con alto riesgo de recurrencia es esencial para facilitar la detección temprana y permitir intervenciones que mejoren los resultados clínicos. En un reciente estudio sobre inteligencia artificial aplicada a dispositivos médicos, (AIoMT, Artificial Intelligence of Medical Things) se, explora la predicción de recurrencia del cáncer mediante el análisis de imágenes histopatológicas. Este estudio también emplea un enfoque de árboles de decisión potenciados y alcanza un AUROC de 0.72, identificando predictores relevantes entre las características extraídas de las imágenes. Sin embargo, una limitación importante es que no se diferenciaron las recurrencias regionales de las distantes, siendo estas últimas, también conocidas como metástasis, las que presentan una correlación más alta con la mortalidad. Realizar un análisis que contemple estas distinciones podría ofrecer una guía más efectiva para la planificación del tratamiento (Xu et al., 2020).

Por otro lado, aunque las técnicas basadas en la AIoMT exploradas tienen el potencial de transformar el diagnóstico y el tratamiento del cáncer, es un hecho desafortunado que no todos los cánceres responden a las terapias disponibles. Por esta razón, el cáncer de mama sigue siendo una de las principales causas de mortalidad a nivel mundial, lo que refuerza la necesidad de mejorar las terapias existentes e identificar nuevas estrategias de tratamiento. En esta línea, la inteligencia artificial explicable, (AI, Explainable Artificial Intelligence), ha demostrado ser una herramienta prometedora. Por ejemplo, otro estudio reciente emplea la secuenciación de ácido ribonucleico, (RNA, Ribonucleic Acid), en células inmunes del microambiente tumoral, aquellas que rodean directamente al tumor, y calcula puntuaciones SHAP, (Shapley Additive Explanations), para identificar las características del microambiente asociadas con mejores resultados de supervivencia. En esta investigación se destaca la relevancia de las células B, células T CD8+, macrófagos M0 y células T NK como factores críticos relacionados con tasas de supervivencia de cinco años o más (Chakraborty et al., 2021). Estos hallazgos tienen el potencial de guiar futuras investigaciones hacia la modificación de los microambientes tumorales para que sean menos favorables al crecimiento tumoral, mejorando así los pronósticos clínicos.

De manera complementaria, se han analizado mapas térmicos, (Heatmapping), para estudiar las características morfológicas de imágenes histopatológicas y asociarlas con expresiones génicas y pronósticos clínicos. Esta metodología permite identificar características moleculares clave que pueden servir como objetivos terapéuticos para tratamientos personalizados, lo que representa un avance significativo en la aplicación de la medicina de precisión al cáncer de mama (Binder et al., 2021). Estas herramientas tecnológicas no solo permiten comprender mejor el comportamiento del cáncer, sino que también brindan nuevas oportunidades para diseñar terapias dirigidas, más efectivas.

Con todo lo anterior se puede asegurar, que los avances en tecnologías de inteligencia artificial y su integración en dispositivos médicos, como los abordados en este análisis, demuestran el gran potencial para transformar el diagnóstico, tratamiento y manejo del cáncer de mama. Como se muestra en la Figura 9, la implementación de sistemas integrados que combinan diagnóstico, identificación y categorización de etapas o fases y predicción de resultados clínicos podría beneficiar enormemente a los pacientes, especialmente en contextos con recursos limitados. Además, muchas de estas estrategias podrían adaptarse fácilmente a otros tipos de cáncer, ampliando su impacto positivo sobre una población más amplia de pacientes oncológicos. Sin duda, se hace indispensable que las futuras investigaciones en oncología sigan explorando estas tecnologías para optimizar su uso en la práctica clínica, mientras se continúa desarrollando técnicas que combinan inteligencia artificial explicable con la medicina de precisión para mejorar los pronósticos y reducir la mortalidad asociada al cáncer.

AIoMT en Pandemias: Innovaciones en la Gestión del COVID-19

La gestión de la pandemia de COVID-19, (Coronavirus Disease 2019), causada por el virus SARS-CoV-2, (Severe Acute Respiratory Syndrome Coronavirus 2), ha representado uno de los mayores desafíos de salud pública a nivel mundial en el siglo XXI. Desde su identificación a finales de 2019, este virus se propagó rápidamente, generando millones de muertes y una carga sin precedentes para los sistemas de salud globales. A pesar de los avances en el tratamiento y el incremento en las tasas de vacunación, el SARS-CoV-2, (SARS-CoV-2, Severe Acute Respiratory Syndrome Coronavirus 2), ha sido altamente virulento y ha ocasionado un número significativo de fallecimientos. En este contexto, el desarrollo e implementación de tecnologías innovadoras han sido esenciales para mitigar el impacto de la pandemia. Una de las áreas más prometedoras ha sido la aplicación de técnicas basadas en inteligencia artificial y dispositivos médicos conectados, (AIoMT, Artificial Intelligence of Medical Things). Este enfoque generó una amplia investigación orientada a mejorar la capacidad de diagnosticar, tratar y gestionar la propagación de la enfermedad.

Diagnóstico Temprano del COVID-19 con AIoMT

En el ámbito del diagnóstico temprano, la identificación oportuna de infecciones por SARS-CoV-2, (Severe Acute Respiratory Syndrome Coronavirus 2), fue fundamental para controlar la transmisión. Diversos estudios exploraron cómo la técnica de AIoMT, (Artificial Intelligence of Medical Things), pudo aprovechar dispositivos accesibles para detectar el COVID-19, (Coronavirus Disease 2019), en etapas iniciales. Por ejemplo, un estudio realizado por Otoom et al. (2020) propuso un marco basado en AIoMT que recopila datos de síntomas a través de teléfonos inteligentes mediante sensores y encuestas. Esta metodología aplicó modelos de aprendizaje automático, siendo la red neuronal completamente conectada, (FCNN, Fully Connected Neural Network), la que obtuvo el mejor desempeño con un área bajo la curva ROC, (AUROC, Area Under the Receiver Operating Characteristic), de 0.955 y una precisión del 92.89%. Por otro lado, Ardakani et al. (2020) utilizaron dispositivos portátiles para recopilar datos de signos vitales en serie temporal y desarrollaron un modelo basado en memoria a largo y corto plazo, (LSTM, Long Short-Term Memory), logrando un AUROC de 0.68 y una sensibilidad de 0.73. Aunque los resultados aún presentan margen de mejora, la capacidad de detectar infecciones antes de la aparición de síntomas es clave para implementar medidas de aislamiento temprano y reducir la propagación del virus.

Asimismo, los sistemas de AIoMT basados en imágenes médicas han demostrado ser particularmente útiles en entornos con recursos limitados. En este contexto, Ismael y Sengür (2021) probaron diferentes arquitecturas de redes neuronales convolucionales, (CNN, Convolutional Neural Networks), para distinguir entre COVID-19, pulmones sanos y casos de neumonía a partir de imágenes de tomografía computarizada, (CT, Computed Tomography). Este enfoque alcanzó una precisión del 99.51% y un AUROC de 0.994. Por su parte, otro estudio liderado por Ardakani et al. (2020) evaluó modelos de aprendizaje automático, (ML, Machine Learning), para analizar imágenes de rayos X de tórax, obteniendo una precisión del 94.7% utilizando tanto una red residual, (ResNet, Residual Network), como máquinas de vectores de soporte, (SVM, Support Vector Machines). Además, se ha explorado el uso de imágenes de ultrasonido pulmonar como fuente de datos diagnósticos, con un estudio piloto que implementa un enfoque de transformadores de visión, logrando una sensibilidad del 60% (Ismael & Sengür, 2021). En este panorama, los rayos X destacan como una opción más accesible y rápida que las tomografías computarizadas, lo que los posiciona como una herramienta altamente viable para el diagnóstico masivo.

Monitoreo Remoto y Supervisión de Pacientes con COVID-19

En relación al monitoreo de pacientes con COVID-19, los avances en AIoMT han mostrado un potencial significativo para supervisar de manera remota a los pacientes en entornos de atención virtual. En Australia, por ejemplo, los pacientes de alto riesgo fueron seguidos mediante sistemas de autoinforme supervisados por personal clínico que solicita hospitalización si la condición del paciente empeora (Monaghesh & Hajizadeh, 2020). Sin embargo, este enfoque depende en gran medida de los informes subjetivos de los pacientes y no siempre incluye revisiones diarias. Una solución más eficiente sería la integración de sensores portátiles para monitoreo continuo y automático. En este sentido, Tiersen et al. (2021) desarrollaron un chaleco equipado con sensores avanzados que incluyen fotopletismografía, (PPG, Photoplethysmography), electrocardiografía, (ECG, Electrocardiography), electromiografía, cardiografía acústica y miografía acústica. Este sistema utiliza redes neuronales convolucionales en un modelo de red de IA adversarial generativa para clasificar sonidos de tos y respiración, logrando identificar casos de COVID-19, en el 80% de las ocasiones. Por otro lado, esta tecnología podría fusionarse con sistemas de autoinforme de síntomas para mejorar la evaluación de la condición de los pacientes, como se ilustra en la Figura 10.

Asimismo, las tecnologías basadas en AIoMT, (Artificial Intelligence of Medical Things), demostraron un gran potencial para abordar diversos aspectos de la gestión de la pandemia del COVID-19, desde el diagnóstico temprano hasta el monitoreo remoto de pacientes. Sin embargo, aún existen áreas que requieren investigación y desarrollo adicional para optimizar estos enfoques y garantizar su implementación efectiva en diferentes contextos. Por lo tanto, es importante priorizar inversiones en investigaciones que refinen los modelos existentes, y fomenten la adopción de dispositivos accesibles para garantizar la integración de estas herramientas en sistemas de salud pública a nivel global. Por lo que, este enfoque holístico podría fortalecer significativamente la capacidad de respuesta frente a futuras emergencias sanitarias.

Clasificación de Gravedad y Predicción de Mortalidad en COVID-19

Por otro lado, en el contexto actual de la atención médica, determinar qué pacientes deben ser admitidos en salas virtuales o físicas es un desafío clave, especialmente durante emergencias sanitarias como la pandemia de COVID-19. Los modelos basados en tecnología de Internet de las Cosas para la Salud, (AIoMT, Artificial Intelligence of Medical Things), han demostrado un gran potencial para identificar la gravedad de las enfermedades y prever pronósticos clínicos. Un estudio reciente de Risch et al. (2022) empleó modelos de Bosques Aleatorios, (RF, Random Forest), para clasificar la gravedad del COVID-19 utilizando características derivadas de tomografías computarizadas y variables clínicas. La gravedad se categorizó como moderada, severa o crítica, logrando una precisión notable, con un Área Bajo la Curva de Características Operativas del Receptor, (AUROC, Area Under the Receiver Operating Characteristic), de 0.927 al distinguir entre gravedad moderada y severa/crítica, y de 0.929 al diferenciar entre severa y crítica. Además, la recuperación parcial frente a prolongada se clasificó con un AUROC de 0.960, aunque la recuperación completa no se evaluó debido a la falta de casos suficientes. Estos modelos también se aplicaron a la predicción de parámetros como la duración de la hospitalización, estancia en cuidados intensivos y uso de oxígeno, obteniendo errores cuadrados medios de raíz de 0.88, 0.69 y 0.92 semanas, respectivamente. Estos resultados ofrecen a los médicos información determinante para decisiones de jerarquización en escenarios donde los recursos hospitalarios son limitados.

No obstante, a pesar de los avances significativos en la clasificación de la gravedad y la predicción de tiempos de tratamiento, estos modelos no incorporan la predicción del riesgo de mortalidad, un aspecto fundamental para priorizar a los pacientes más críticamente enfermos. La capacidad de prever la mortalidad permitiría una asignación de recursos más efectiva. En este sentido, estudios adicionales han investigado esta área, integrando datos demográficos, clínicos, de laboratorio y características de imágenes procesadas con modelos de Bosques Aleatorios con Aumento Gradual, (gradient-boosted RF, Gradient-Boosted Random Forest). Un ejemplo notable de Risch et al. (2022) alcanzó un AUROC de 0.9521 al distinguir entre mortalidad y no mortalidad, demostrando la eficacia de estas herramientas en escenarios críticos de jerarquización.

Además de su utilidad en la clasificación y predicción, las técnicas de AIoMT fueron empleadas para acelerar el desarrollo de tratamientos contra el COVID-19. Un estudio innovador utilizó una Red Neuronal de Conexión Total, (FCNN, Fully Connected Neural Network), para identificar compuestos que interactúan con proteínas clave del SARS-CoV-2, con el objetivo de descubrir posibles medicamentos. Mediante una técnica de Inteligencia Artificial explicable basada en muestreo aleatorio dejando uno fuera, (Leave-One-Out Random Sampling), se identificaron medicamentos prometedores, algunos de ellos previamente aprobados para otras enfermedades como la hepatitis C. Estos hallazgos son de gran relevancia, ya que permiten acortar el tiempo necesario para el desarrollo de nuevos tratamientos, mejorando así los resultados en los pacientes (Habibzadeh et al., 2020; Castiglione et al., 2021).

En términos generales, los sistemas basados en AIoMT demostraron ser una herramienta transformadora en la lucha contra el COVID-19. Estos sistemas no solo respaldaron un diagnóstico rápido y preciso, sino que también permitieron clasificar a los pacientes según su riesgo, predecir desenlaces clínicos y desarrollar tratamientos innovadores. A escala poblacional, la tecnología AIoMT pudo ser empleada para modelar la propagación del virus, ayudando a los sistemas de salud a prepararse mejor para futuros brotes. Asimismo, su aplicación en el descubrimiento de medicamentos y el desarrollo de vacunas más eficaces y duraderas resultó esencial, particularmente ante la aparición de nuevas variantes del SARS-CoV-2 (Monaghesh & Hajizadeh, 2020). Todo lo anterior, llevó al uso estratégico y continuo de la tecnología AIoMT no solo para optimizar la atención médica durante pandemias, sino también para establecer un camino hacia una medicina más eficiente y personalizada. De esta forma, promover la integración de estas tecnologías en sistemas de salud globales, capacitar a los profesionales médicos en su uso y fomentar la investigación multidisciplinaria permitiría maximizar sus beneficios.

Aplicaciones Generalizadas de AIoMT en la Salud Global

A lo largo de esta revisión de diversos estudios de caso, se ha identificado que los sistemas de inteligencia artificial de las cosas médicas, (AIoMT, Artificial Intelligence of Medical Things) representan una herramienta de gran valor para abordar una amplia gama de desafíos en la atención médica, tanto a nivel individual como comunitario. En este sentido, este análisis ha revelado cómo la AIoMT puede integrarse a lo largo de toda la cadena de atención médica, desde el diagnóstico inicial, pasando por el monitoreo y la gestión de enfermedades, hasta el tratamiento y la recuperación de los pacientes. Estas capacidades innovadoras prometen revolucionar la manera en que se presta atención sanitaria en múltiples contextos.

De manera específica, los casos de uso analizados se han centrado en un conjunto limitado de condiciones de salud prevalentes, lo que permite vislumbrar el potencial de transferir muchas de las técnicas implementadas a otras afecciones de salud generalizadas. Por ejemplo, las estrategias desarrolladas para el cuidado de la demencia, como la detección de actividades y la comunicación emocional, pueden adaptarse eficazmente a otras formas de tratamientos asistidos y a personas con altos requerimientos de atención (Tiersen et al., 2021). Asimismo, los avances en la rehabilitación de accidentes cerebrovasculares han puesto de manifiesto el potencial de la AIoMT para extenderse a una variedad de procesos de recuperación física, relacionados con lesiones o enfermedades (Bisio et al., 2019). De igual manera, las técnicas basadas en AIoMT que han sido utilizadas en el diagnóstico, tratamiento y manejo del cáncer de mama podrían aplicarse con éxito a otros tipos de cáncer, ofreciendo nuevas herramientas para la oncología (Sadasivuni et al., 2020). Por último, las tecnologías desplegadas para la gestión de la pandemia de la enfermedad por coronavirus 2019, (COVID-19), como el monitoreo remoto y el análisis predictivo, pueden ser ajustadas para enfrentar desafíos similares en el manejo de la influenza y otras epidemias (Castiglione et al., 2021).

Limitaciones y Oportunidades de la AIoMT en Tiempo Real

Sin embargo, un desafío clave identificado en todos los casos de uso estudiados radica en la naturaleza retrospectiva de la mayoría de los enfoques implementados hasta la fecha. La inteligencia artificial, (AI, Artificial Intelligence), ha sido aplicada principalmente a conjuntos de datos históricos recopilados mediante el internet de las cosas, (IoT, Internet of Things), lo que limita la capacidad de evaluar el desempeño de los sistemas de AIoMT en tiempo real. Actualmente, es necesario ampliar los estudios a casos donde se hayan probado sistemas de AIoMT de extremo a extremo en entornos reales de atención médica. Para superar esta limitación, se subraya la necesidad de realizar pruebas exhaustivas en escenarios prácticos para validar el rendimiento de estas tecnologías, así como para comprender plenamente su impacto antes de proceder a su implementación a gran escala. Para lograr este objetivo, es fundamental fomentar una colaboración interdisciplinaria entre especialistas en tecnología y profesionales de la salud (Monaghesh & Hajizadeh, 2020).

Es conveniente entonces afirmar, que los sistemas de AIoMT poseen un inmenso potencial para transformar la atención médica en diversas áreas, desde el cuidado de enfermedades crónicas hasta la gestión de epidemias. Sin embargo, para que estos avances se traduzcan en beneficios tangibles, es necesario superar las limitaciones actuales a través de investigaciones que evalúen su efectividad en escenarios reales. Cabe destacar la importancia que tiene la implementación de estudios en tiempo real, fomentando la cooperación entre sectores tecnológicos y sanitarios, y asegurando que las soluciones desarrolladas sean escalables y accesibles para satisfacer las necesidades globales de atención médica.

La Inteligencia Artificial de las Cosas Médicas, (AIoMT, Artificial Intelligence of Medical Things), ha emergido como una tecnología innovadora con un impacto significativo en el monitoreo y manejo de la salud. Su capacidad para integrar dispositivos médicos conectados, algoritmos inteligentes y análisis de datos en tiempo real está transformando la manera en que se gestionan las condiciones de salud. No obstante, han surgido áreas clave que requieren atención para maximizar su potencial y abordar los desafíos que enfrenta. Existe la necesidad de analizar aspectos fundamentales que merecen consideración por parte de los investigadores, destacando oportunidades de mejora en los métodos avanzados de aprendizaje automático, la inteligencia artificial embebida y de borde, la fusión de datos, y la reducción de la dependencia de parámetros clínicos.

Adicionalmente, los métodos avanzados de aprendizaje automático tienen un gran potencial para mejorar la interpretación de datos en los sistemas de Inteligencia Artificial de las Cosas Médicas, (AIoMT, Artificial Intelligence of Medical Things). Actualmente, muchos estudios que analizan datos de series temporales, como fotopletismografía, (PPG, Photoplethysmography), electrocardiografía, (ECG, Electrocardiography), electroencefalografía, (EEG, Electroencephalography) o señales de respiración, tienden a limitarse a la extracción de unas pocas características antes de la etapa de aprendizaje automático (Raza et al., 2021; Tiersen et al., 2021). Aunque esta metodología ha producido resultados razonables, se podrían obtener mejoras significativas mediante el uso de modelos avanzados como redes basadas en Memoria a Largo y Corto Plazo, (LSTM, Long Short-Term Memory), y transformadores, que han demostrado eficacia en estudios previos en la interpretación de estas señales (Baker et al., 2021). Asimismo, una limitación similar se observa en estudios que procesan datos de imágenes médicas, los cuales mayoritariamente emplean Redes Neuronales Convolucionales, (CNN, Convolutional Neural Networks), o Máquinas de Vectores de Soporte, (SVM, Support Vector Machines) (Raza et al., 2021). La implementación de técnicas más recientes de visión por computadora, como los transformadores de visión y codificadores automáticos, representa una oportunidad sustancial para mejorar el rendimiento en el análisis de estos datos.

Por otra parte, la Inteligencia Artificial embebida y de borde constituye un área de interés creciente. La mayoría de los estudios en esta área se centran en niveles de computación en el borde o en la nube, dejando de lado las posibilidades de algoritmos más ligeros y optimizados para dispositivos con recursos limitados (He et al., 2020). Esto es esencial para permitir la implementación en dispositivos médicos portátiles y sensores conectados con menor capacidad de procesamiento. Además, en situaciones que demandan mayor potencia computacional, la descarga inteligente y los enfoques de Inteligencia Artificial a través de capas, (cross-layer AI approaches), podrían ser soluciones óptimas, ya que no solo reducen la latencia y aumentan la robustez, sino que también refuerzan la privacidad de los datos del paciente (Elayan et al., 2021). En este sentido, se recomienda a los futuros investigadores explorar estos enfoques para mejorar la eficiencia y adaptabilidad de los sistemas AIoMT.

Integración de Datos Multifuente: Mejorando Diagnósticos con AIoMT

Otro aspecto relevante es la fusión de datos provenientes de diferentes fuentes, lo cual representa una estrategia prometedora para mejorar la precisión en diagnósticos y pronósticos. Hay que reseñar, que algunos estudios han utilizado entradas variadas, como imágenes médicas, información clínica y parámetros demográficos, logrando resultados prometedores en diagnósticos como la depresión (Ding et al., 2019; de Souza Filho et al., 2021; Yan et al., 2020). Por lo tanto, la combinación de múltiples tipos de datos, como EEG, variables clínicas, datos demográficos y de imágenes médicas, podría proporcionar un desempeño diagnóstico superior al uso de fuentes únicas. Por lo tanto, la investigación futura debería enfocarse en desarrollar sistemas que integren múltiples flujos de datos para maximizar la precisión y utilidad clínica.

Dejemos claro, que uno de los principales desafíos de los sistemas actuales de la Inteligencia Artificial de las Cosas Médicas, (AIoMT, Artificial Intelligence of Medical Things), es su dependencia de parámetros clínicos y de laboratorio. Si bien estos datos son fácilmente accesibles en entornos hospitalarios, su disponibilidad es limitada en regiones con acceso restringido a servicios médicos o en aplicaciones de telesalud. Esto limita la utilidad de dichos sistemas en contextos comunitarios o remotos. Por lo tanto, es fundamental avanzar en el diseño de sistemas que puedan operar exclusivamente con datos recopilados por dispositivos portátiles y sensores ambientales, reduciendo así la dependencia de infraestructura clínica compleja y aumentando su accesibilidad.

Reducción de la Dependencia en Parámetros Clínicos: Un Enfoque para Contextos Remotos

Dentro de esta línea de argumentación se plantea, que la Inteligencia Artificial de las Cosas Médicas, (AIoMT, Artificial Intelligence of Medical Things), ofrece un potencial transformador en el campo de la salud, pero también presenta desafíos significativos que deben ser abordados para alcanzar su máxima eficacia. Entre las recomendaciones para futuros trabajos se destacan la implementación de modelos avanzados de aprendizaje automático, la optimización de algoritmos ligeros para dispositivos embebidos, la integración de múltiples fuentes de datos, y la reducción de la dependencia de parámetros clínicos. Estas iniciativas no solo mejorarán el rendimiento de los sistemas AIoMT, sino que también fomentarán una mayor accesibilidad y adaptabilidad en diferentes contextos, promoviendo así un impacto positivo más amplio en la atención médica global.

Es significativo agregar que, en el ámbito del diagnóstico y pronóstico médico, la clasificación descriptiva de enfermedades representa una limitación característica para la mejora de los resultados clínicos. Una dificultad clave en numerosos estudios es que los resultados suelen clasificarse de manera binaria, lo que restringe su utilidad clínica. Por ejemplo, la clasificación binaria de «resultados graves», como se menciona en Sadasivuni et al. (2020), podría beneficiarse enormemente al incorporar categorías más específicas, como resultados neurológicos, respiratorios o relacionados con infecciones. Asimismo, la categorización detallada de la severidad de la lesión renal aguda, (AKI, Acute Kidney Injury), propuesta en Ghiasi et al. (2022), permitiría identificar con mayor precisión los casos críticos. Del mismo modo, investigaciones como las de Shim et al. (2019) y Bala et al. (2022) destacan la importancia de prever la recurrencia del cáncer, lo que sería invaluable para diseñar planes de tratamiento personalizados. Además, una técnica más detallada en la clasificación del estadio del cáncer o el tipo de ansiedad podría ser importante para la toma de decisiones clínicas con conocimiento de causa. Por tanto, el desarrollo de herramientas diagnósticas y pronosticadas que proporcionan clasificaciones más descriptivas, constituye una oportunidad reveladora para que los investigadores futuros optimicen la atención al paciente.

Para abordar además las herramientas de explicabilidad, estas emergen como un recurso con un inmenso potencial para enfrentar enfermedades complejas. En este contexto, estas herramientas pueden facilitar la identificación de biomarcadores y características distintivas, orientando el desarrollo de diagnósticos más precisos, medicamentos innovadores y mejoras generales en la atención médica. En este punto hay que resaltar, que las técnicas establecidas como SHAP, (Shapley Additive Explanations), y LIME, (Local Interpretable Model-agnostic Explanations), ofrecen amplias oportunidades para explorar en esta dirección, como señalan Markus, Kors y Rijnbeek (2021). No obstante, un área clave para la investigación futura incluye el desarrollo de nuevas herramientas de explicabilidad que superen las limitaciones de las actuales, utilizando a SHAP y LIME como puntos de referencia. Por lo que, estas herramientas no solo deben proporcionar explicaciones comprensibles para los desarrolladores, sino también generar confianza en los médicos mediante métodos claros, como mapas de calor y trazados de importancia de las características. En este punto, es importante evaluar si estas explicaciones mejoran realmente la confianza y la comprensión de los médicos, lo que subraya la necesidad de validar estas herramientas mediante encuestas y estudios seleccionando algunos segmentos de expertos médicos. Queda claro, que el diseño de un marco estandarizado para la validación y comparación de herramientas de explicabilidad es fundamental para garantizar que los sistemas de inteligencia artificial en el ámbito de la atención médica sean socialmente responsables y realmente útiles para los proveedores de los servicios de salud (Markus et al., 2021; Warnat-Herresthal et al., 2021).

En esta línea de argumentación, la integración de la inteligencia artificial de las cosas médicas, (AIoMT, Artificial Intelligence of Medical Things), ha experimentado avances significativos en los últimos años. Sin embargo, muchos estudios aún se centran de manera aislada en el internet de las cosas, (IoT, Internet of Things), o en la inteligencia artificial, (AI, Artificial Intelligence). Es imperativo que las investigaciones futuras exploren la sinergia entre estas tecnologías, ya que su combinación tiene el potencial de proporcionar beneficios sustanciales que no se pueden alcanzar al utilizarlas por separado (Warnat-Herresthal et al., 2021).

En otros términos, se resalta que la implementación de herramientas diagnósticas más descriptivas y de sistemas de explicabilidad más avanzados puede transformar significativamente la práctica médica, mejorando los resultados clínicos y la confianza de los profesionales en el uso de tecnologías avanzadas. Por lo que es prudente advertir, que la investigación en la creación de clasificaciones más detalladas de enfermedades, la validación de herramientas de explicabilidad en escenarios clínicos reales y la promoción de una integración efectiva entre el IoT y la AI en el contexto de la tecnología AIoMT. Este enfoque integral no solo optimizará los procesos diagnósticos y de tratamiento, sino que también garantizará una adopción más amplia y efectiva de estas tecnologías en la atención médica.

AIoMT y Salud 5.0: Hacia una Nueva Era de la Atención Médica

el análisis anterior se ha llevado a cabo a través de una revisión de algunas investigaciones avanzadas sobre la Inteligencia Artificial de las Cosas Médicas, (AIoMT, Artificial Intelligence of Medical Things), destacando la fuerte sinergia entre las tecnologías de inteligencia artificial, (AI, Artificial Intelligence), y del Internet de las Cosas, (IoT, Internet of Things). Este enfoque interdisciplinario permite potenciar la transformación de la atención médica mediante el uso de dispositivos y sistemas inteligentes. Se destaca la importancia que tiene el estudio de los principales componentes de la AIoMT, explorando sensores y dispositivos predominantes y emergentes en este campo, con énfasis en tecnologías no invasivas y que preservan la privacidad. Asimismo, es vital considerar las comunicaciones en bandas licenciadas y no licenciadas, que incluyen el IoT sobre satélite, además de los próximos estándares de comunicación como RedCap y el Internet de las Cosas 6G, (6th Generation Internet of Things). Estos avances subrayan el continuo desarrollo en la conectividad de los sistemas de salud.

Además, es significativo examinar los algoritmos de aprendizaje automático utilizados en aplicaciones de salud, abarcando tanto algoritmos establecidos como novedosos implementados para resolver una amplia variedad de problemas médicos. Todo esto implica la necesidad de profundizar en las capas de aprendizaje y en los recursos computacionales necesarios para la AIoMT, explorando enfoques como la inteligencia artificial integrada, el cómputo en el borde y en la nube, junto con metodologías innovadoras como el aprendizaje federado y el aprendizaje en enjambre. Estas metodologías han demostrado ser efectivas para preservar la privacidad en entornos médicos, un aspecto fundamental en la atención sanitaria (Warnat-Herresthal et al., 2021; Xu et al., 2021).

En este punto se destaca, que con una arquitectura de la AIoMT claramente establecida, se avanza hacia el estudio de líneas de investigación novedosas, aplicadas a dominios clave de la salud. En este sentido resaltan, soluciones portátiles y de monitoreo no invasivo, que han mostrado resultados prometedores en la vigilancia de la salud general (Bianchi et al., 2019). También los desarrollos de última generación, se orientan a la incorporación de sistemas de AIoMT diseñados para el diagnóstico de condiciones físicas, mentales y de desarrollo integral en niños, los cuales, aunque efectivos, aún enfrentan dificultades apremiantes, como la diferenciación entre enfermedades con síntomas superpuestos (Tiersen et al., 2021). Asimismo, el pronóstico se identifica como un área activa de investigación, con un cuerpo notable de trabajos de investigación que buscan predecir resultados a corto y largo plazo bajo diversas condiciones médicas, lo que es necesario para optimizar los recursos de atención y diseñar rutas de tratamiento efectivas (Monaghesh & Hajizadeh, 2020).

Explicabilidad en la Inteligencia Artificial Médica: Avances y Retos

Todo Un aspecto innovador, es la Inteligencia Artificial Explicable, (XAI, Explainable Artificial Intelligence), cuyo desarrollo es fundamental en el contexto de la AIoMT. Los enfoques como los mapas de calor y los gráficos de importancia de características, han demostrado potencial para mejorar la interpretación clínica de las decisiones tomadas por los sistemas de AIoMT. Sin embargo, es necesaria la validación de estas herramientas para incrementar la confianza de los profesionales de la salud (Markus et al., 2021). Además, se plantea que la explicabilidad ofrece oportunidades significativas en la identificación de biomarcadores asociados con enfermedades y resultados clínicos, facilitando el desarrollo de tratamientos personalizados y diagnósticos más rápidos (Habibzadeh et al., 2020). Este enfoque, presenta un vasto potencial para avanzar en la comprensión de condiciones médicas complejas y novedosas (Yang et al., 2021).

Aquí nos referimos por otro lado, a la aplicabilidad de la AIoMT en escenarios reales. En este sentido, se han analizado diversos casos de uso. En primer lugar, lo referente a las iniciativas orientadas al desarrollo de sistemas de la AIoMT para apoyar a personas con demencia y a sus cuidadores, tanto en entornos de vida independiente como dependiente (Tiersen et al., 2021). También, las técnicas relacionadas con la atención al accidente cerebrovascular, que abarcan desde el diagnóstico hasta la rehabilitación, son de vital importancia (Bisio et al., 2019). Por otro lado, estas técnicas son muy importantes, orientando los avances del diagnóstico, tratamiento y recuperación del cáncer de mama mediante enfoques innovadores basados en la tecnología AIoMT (Wang et al., 2020). Se tiene que admitir, que la gestión del COVID-19, ha destacado por su capacidad para brindar atención personalizada y monitorizar la propagación d esta enfermedad a nivel poblacional (Castiglione et al., 2021).

Con todo y lo anterior, el análisis realizado evidencia que el campo de la AIoMT ofrece un potencial transformador para la atención médica en múltiples aspectos. La implementación de tecnologías de computación integrada y algoritmos avanzados de inteligencia artificial se presenta como esencial para el desarrollo de sistemas robustos y prácticos (Yang et al., 2021). Además, la mejora y validación de herramientas de explicabilidad representan áreas prometedoras para la investigación futura, especialmente en términos de mejorar la confianza y la utilidad clínica de estos sistemas (Markus et al., 2021). En general, la tecnología AIoMT se perfila como un campo interdisciplinario de creciente relevancia, que tiene el potencial de redefinir los paradigmas de atención sanitaria en la era de la Salud 5.0, brindando oportunidades inquietantes para investigadores, desarrolladores y profesionales de la salud por igual.

Conclusiones: El Potencial Transformador de la AIoMT en la Medicina

En conclusión, el desarrollo de tecnologías como el AIoMT no solo abre nuevas oportunidades para el diagnóstico, monitoreo y tratamiento de enfermedades, sino que también representa un cambio de paradigma en la forma en que entendemos y aplicamos la medicina. Estas herramientas avanzadas están diseñadas para enfrentar los desafíos médicos más complejos, desde el cuidado de personas con demencia hasta la prevención y tratamiento del cáncer. El impacto potencial de estas innovaciones no solo mejora la calidad de vida de los pacientes, sino que también alivia la carga de los sistemas de salud, promoviendo un enfoque más proactivo y preventivo en la atención médica.

Dada la rapidez con que estas tecnologías están evolucionando, resulta imperativo que los profesionales de la salud, investigadores y desarrolladores mantengan sus conocimientos actualizados para adaptarse a los nuevos paradigmas tecnológicos. Invertir en el estudio y la implementación de herramientas basadas en inteligencia artificial no solo garantizará una atención más precisa y personalizada, sino que también fomentará una sociedad mejor preparada para enfrentar los desafíos médicos del futuro. La invitación está abierta: profundizar en esta área no es solo una oportunidad profesional, sino también una contribución esencial para construir un sistema de salud más equitativo, eficiente y sostenible.

El presente artículo ha sido orientado y fundamentado en las ideas expuestas en la publicación “Artificial Intelligence of Things for Smarter Healthcare: A Survey of Advancements, Challenges, and Opportunities”, de los autores Stephanie Baker y Wei Xiang, publicada en la revista IEEE Communications Surveys & Tutorials (Vol. 25, No. 2, Segundo Trimestre de 2023). Dicha publicación se encuentra disponible bajo una licencia Creative Commons Attribution 4.0 (CC BY 4.0), la cual permite el uso, distribución y adaptación del contenido siempre que se otorgue el crédito correspondiente a los autores originales y la fuente.

Este tipo de licencia es de gran importancia para la difusión del conocimiento académico y científico, ya que fomenta el acceso abierto y la colaboración global, permitiendo que investigadores, profesionales y el público en general aprovechen los avances presentados, los integren en nuevos trabajos y contribuyan al desarrollo continuo de sus respectivas áreas de estudio. Además, estas licencias promueven la transparencia, la reutilización ética del contenido y el avance compartido del conocimiento, siendo una herramienta fundamental para enfrentar desafíos complejos como los relacionados con la inteligencia artificial y el cuidado de la salud.

Referencias Bibliográficas

Ahamed, F., Shahrestani, S., & Cheung, H. (2020). Internet of Things and machine learning for healthy ageing: Identifying the early signs of dementia. Sensors, 20(21), 6031. https://doi.org/10.3390/s20216031
Ardakani, A. A., Kanafi, A. R., Acharya, U. R., Khadem, N., & Mohammadi, A. (2020). Application of deep learning technique to manage COVID-19 in routine clinical practice using CT images: Results of 10 convolutional neural networks. Computers in Biology and Medicine, 121, Article 103795. https://doi.org/10.1016/j.acra.2020.09.004
Bacha, S., & Taouali, O. (2022). A novel machine learning approach for breast cancer diagnosis. Measurement, 187, 110233. https://doi.org/10.1016/j.measurement.2021.110233
Baker, S., Xiang, W., & Atkinson, I. (2021). A hybrid neural network for continuous and non-invasive estimation of blood pressure from raw electrocardiogram and photoplethysmogram waveforms. Computers in Biology and Medicine, 207, Article 106191. https://doi.org/10.1016/j.cmpb.2021.106191
Bala, M., Ali, M. H., Satu, M. S., Hasan, K. F., & Moni, M. A. (2022). Efficient machine learning models for early stage detection of autism spectrum disorder. Algorithms, 15(5), 166. https://doi.org/10.3390/a15050166
Bayahya, A. Y., Alhalabi, W., & AlAmri, S. H. (2021). Smart health system to detect dementia disorders using virtual reality. Healthcare, 9(7), 810.
Bernal, V. C. E., Hiremath, S. V., Wolf, B., Riley, B., Mendonca, R. J., & Johnson, M. J. (2021). Classifying and tracking rehabilitation interventions through machine-learning algorithms in individuals with stroke. Journal of Rehabilitation and Assistive Technology Engineering, 8, Article 20556683211044640. https://doi.org/10.1177/20556683211044640
Bianchi, V., Bassoli, M., Lombardo, G., Fornacciari, P., Mordonini, M., & Munari, I. D. (2019). IoT wearable sensor and deep learning: An integrated approach for personalized human activity recognition in a smart home environment. IEEE Internet of Things Journal, 6(5), 8553–8562. https://doi.org/10.1109/JIOT.2019.2929999
Binder, A., et al. (2021). Morphological and molecular breast cancer profiling through explainable machine learning. Nature Machine Intelligence, 3(4), 355–366. https://doi.org/10.1038/s42256-021-00303-4
Bisio, I., Garibotto, C., Lavagetto, F., & Sciarrone, A. (2019). When eHealth meets IoT: A smart wireless system for post-stroke home rehabilitation. IEEE Wireless Communications, 26(6), 24–29. https://doi.org/10.1109/MWC.001.1800642
Botonis, O. K., Pavlopoulos, A., Kouris, I., & Koutsouris, D. (2022). Wearable airbag technology and machine-learned models to mitigate falls after stroke. Journal of NeuroEngineering and Rehabilitation, 19(1), Article 60. https://doi.org/10.1186/s12984-022-01040-4
Castiglione, A., Umer, M., Sadiq, S., Obaidat, M. S., & Vijayakumar, P. (2021). The role of Internet of Things to control the outbreak of COVID-19 pandemic. IEEE Internet of Things Journal, 8(21), 16072–16082. https://doi.org/10.1109/JIOT.2021.3055773
Chakraborty, D., et al. (2021). Explainable artificial intelligence reveals novel insight into tumor microenvironment conditions linked with better prognosis in patients with breast cancer. Cancers, 13(14), Article 3450.
Chandrabhatla, S. T., Bhanushali, S. P., Banerjee, I., & Sanyal, A. (2021). Toward real-time, at-home patient health monitoring using reservoir computing CMOS IC. IEEE Journal on Emerging and Selected Topics in Circuits and Systems, 11(4), 829-839.
Choi, Y.-A., Kim, H., Lee, J., & Jung, K. (2021). Machine-learning-based elderly stroke monitoring system using electroencephalography vital signals. Applied Sciences, 11(4), 1761. https://doi.org/10.3390/app11041761
Danso, S. O., Zeng, Z., Muniz-Terrera, G., & Ritchie, C. W. (2021). Developing an explainable machine learning-based personalized dementia risk prediction model. Frontiers in Big Data, 4, Article 613047. https://doi.org/10.3389/fdata.2021.613047
Das, D., Roy, A., Gupta, S., & Banerjee, I. (2022). AI-enabled decision-making for neoadjuvant chemotherapy in breast cancer. Clinical Cancer Informatics, 5(2), 110–120.
de Souza Filho, E. M., et al. (2021). Can machine learning be useful as a screening tool for depression in primary care? Journal of Psychiatric Research, 132, 1-6. https://doi.org/10.1016/j.jpsychires.2020.12.014
Ding, X., et al. (2019). Classifying major depression patients and healthy controls using EEG, eye tracking, and galvanic skin response data. Journal of Affective Disorders, 251, 156–161. https://doi.org/10.1016/j.jad.2019.03.071
Dourado, M., da Silva, A. C., & Macedo, R. A. (2019). Automated stroke detection using convolutional neural networks with CT imaging. Computers in Biology and Medicine, 108, 87–96. https://doi.org/10.1016/j.compbiomed.2019.04.021
El Atrache, R., et al. (2021). Predictive modeling of complete pathological response in neoadjuvant therapy for breast cancer. BioMed Research International, 2021, 100789.
Elayan, H., Aloqaily, M., & Guizani, M. (2021). Digital twin for intelligent context-aware IoT healthcare systems. IEEE Internet of Things Journal, 8(23), 16749–16757. https://doi.org/10.1109/JIOT.2021.3073654
Ghiasi, S., et al. (2022). Sepsis mortality prediction using wearable monitoring in low–middle-income countries. Sensors, 22(5), 3866. https://doi.org/10.3390/s22053866
Habibzadeh, H., Dinesh, K., Shishvan, O. R., Boggio-Dandry, A., Sharma, G., & Soyata, T. (2020). A survey of healthcare Internet of Things (HIoT): A clinical perspective. IEEE Internet of Things Journal, 7(1), 53–71. https://doi.org/10.1109/JIOT.2019.2950959
He, M., Gu, W., Kong, Y., Zhang, L., Spanos, C. J., & Mosalam, K. M. (2020). CausalBG: Causal recurrent neural network for the blood glucose inference with IoT platform. IEEE Internet of Things Journal, 7(1), 598–610. https://doi.org/10.1109/JIOT.2019.2934126
Ismael, A. M., & Sengür, A. (2021). Deep learning approaches for COVID-19 detection based on chest X-ray images. Expert Systems with Applications, 164, Article 114054. https://doi.org/10.1016/j.acra.2020.09.004
Kamal, M. S., Hassan, S., & Alam, M. (2021). Alzheimer’s patient analysis using image and gene expression data. IEEE Transactions on Instrumentation and Measurement, 70, Article 101761. https://doi.org/10.1109/TIM.2020.3035940
Khatun, S., Morshed, B. I., & Bidelman, G. M. (2019). A single-channel EEG-based approach to detect mild cognitive impairment via speech-evoked brain responses. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 27(5), 1063–1070.
Lin, Q., Zhao, R., Wang, J., & Zheng, T. (2020). Predicting stroke using a hybrid CNN-SVM model based on clinical and demographic data. IEEE Internet of Things Journal, 7(8), 7034–7045. https://doi.org/10.1109/JIOT.2020.2976745
Markus, A. F., Kors, J. A., & Rijnbeek, P. R. (2021). The role of explainability in creating trustworthy artificial intelligence for healthcare: A comprehensive survey of the terminology, design choices, and evaluation strategies. Journal of Biomedical Informatics, 113, 103655. https://doi.org/10.1016/j.jbi.2020.103655
Mayampurath, A., Cao, G., & Wagner, C. (2021). Pre-hospital stroke prediction with machine learning applied to paramedic text reports. Journal of Biomedical Informatics, 121, Article 103879. https://doi.org/10.1016/j.jbi.2021.103879
Mohammed, B. A., et al. (2021). Multi-method analysis of medical records and MRI images for early diagnosis of dementia and Alzheimer’s disease based on deep learning and hybrid methods. Electronics, 10(22), 2860.
Monaghesh, E., & Hajizadeh, A. (2020). The role of telehealth during COVID-19 outbreak: A systematic review based on current evidence. BMC Public Health, 20, 1193. https://doi.org/10.1186/s12889-020-09301-4
NeuroSky. (2023). EEG hardware platforms. Retrieved from https://neurosky.com/biosensors/eeg-sensor/biosensors/
Otoom, M., et al. (2020). An IoT-based framework for early identification and monitoring of COVID-19 cases. Biomedical Signal Processing and Control, 62, Article 102149.
Qin, X., Yu, P., Zhang, F., & Wang, L. (2021). Machine learning for post-stroke recovery outcome prediction. Journal of NeuroEngineering and Rehabilitation, 18(1), Article 113. https://doi.org/10.1186/s12984-021-00853-y
Raza, M., Awais, M., Singh, N., Imran, M., & Hussain, S. (2021). Intelligent IoT framework for indoor healthcare monitoring of Parkinson’s disease patient. IEEE Journal on Selected Areas in Communications, 39(2), 593–602. https://doi.org/10.1109/JSAC.2021.3056290
Risch, M., et al. (2022). Investigation of the use of a sensor bracelet for the presymptomatic detection of changes in physiological parameters related to COVID-19: An interim analysis of a prospective cohort study (COVI-GAPP). BMJ Open, 12(6), e058274. http://bmjopen.bmj.com/content/12/6/e058274.abstract
Roy, S., Das, D., & Chakraborty, S. (2020). Deep learning for classification and localization of COVID-19 markers in point-of-care lung ultrasound. IEEE Transactions on Medical Imaging, 39(8), 2676-2687.
Sadasivuni, S., et al. (2020). Fusion of fully integrated analog machine learning classifier with electronic medical records for real-time prediction of sepsis onset. Scientific Reports, 10, 21282. https://doi.org/10.1038/s41598-020-78184-7
Sayeed, M. A., Mohanty, S. P., Kougianos, E., & Zaveri, H. P. (2019). Neurodetect: A machine learning-based fast and accurate seizure detection system in the IoMT. IEEE Transactions on Consumer Electronics, 65(3), 359–368. https://doi.org/10.1109/TCE.2019.2918625
Shah, S. A., et al. (2021). Privacy-preserving wandering behaviour sensing in dementia patients using modified logistic and dynamic Newton Leipnik maps. IEEE Sensors Journal, 21, 3669–3679.
Shim, M., et al. (2019). Machine-learning-based classification between post-traumatic stress disorder and major depressive disorder using P300 features. NeuroImage: Clinical, 24, 102001. https://doi.org/10.1016/j.nicl.2019.102001
Shome, D., et al. (2021). Breast cancer detection using smartphone-enabled CNN models. Computational Pathology, 10(3), 170–180.
Tiersen, F., et al. (2021). Smart home sensing and monitoring in households with dementia: User-centered design approach. JMIR Aging, 4(3), e27047. https://doi.org/10.2196/27047
Valerio, R., Kumar, P., & Singh, D. (2021). Machine learning identifies novel markers predicting functional decline in older adults. Brain Communication, 3(1), Article fcaa230. https://doi.org/10.1093/braincomms/fcaa230
Warnat-Herresthal, S., Schultze, H., Shastry, K. L., Manamohan, S., Mukherjee, S., Garg, V., … & Nattermann, J. (2021). Swarm learning for decentralized and confidential clinical machine learning. Nature, 594(7862), 265–270. https://doi.org/10.1038/s41586-021-03583-3
Wang, S., Wang, Y., Wang, D., Yin, Y., Wang, Y., & Jin, Y. (2020). An improved random forest-based rule extraction method for breast cancer diagnosis. Applied Soft Computing, 86, 105941. https://doi.org/10.1016/j.asoc.2019.105941
Xu, J., Glicksberg, B. S., Su, C., Walker, P., Bian, J., & Wang, F. (2021). Federated learning for healthcare informatics. Journal of Healthcare Informatics Research, 5(1), 1–19. https://doi.org/10.1007/s41666-020-00082-4
Yang, F., et al. (2021). Internet-of-Things-enabled data fusion method for sleep healthcare applications. IEEE Internet of Things Journal, 8(21), 15892–15905. https://doi.org/10.1109/JIOT.2020.3017901