Transformación de los Sistemas de Atención Médica con Inteligencia Artificial
En un mundo donde la tecnología avanza a un ritmo vertiginoso, la inteligencia artificial (IA) está transformando profundamente la forma en que vivimos, trabajamos y cuidamos de nuestra salud. En particular, los sistemas de atención médica impulsados por tecnologías como la inteligencia artificial en el borde (Edge AI), la inteligencia artificial embebida (Embedded AI) y las soluciones basadas en la nube están revolucionando los paradigmas tradicionales del sector. Estas innovaciones no solo prometen diagnósticos más rápidos y precisos, sino también un monitoreo remoto eficiente, privacidad mejorada y accesibilidad a una atención personalizada. Pero, ¿qué tan preparadas están las tecnologías actuales para enfrentar estos desafíos?
Impacto de la IA en el Ecosistema Médico Global
En este artículo exploraremos las capas de aprendizaje de la IA y su impacto en el ecosistema médico, desde dispositivos portátiles equipados con sensores avanzados hasta arquitecturas de aprendizaje federado y en enjambre que garantizan la privacidad de los datos sensibles. También analizaremos cómo las comunicaciones 6G y las constelaciones satelitales en órbita baja (LEO) están facilitando la expansión de estas tecnologías a las regiones más remotas del mundo. Prepárate para descubrir cómo la convergencia de IA, sensores biomédicos, redes avanzadas y algoritmos ligeros está marcando un antes y un después en la atención médica global.
Capas de Aprendizaje: Incrustada, en el Borde y en la Nube
La inteligencia artificial (IA) ha revolucionado diversos sectores gracias a su capacidad de aprendizaje y adaptabilidad. Dentro del ecosistema de dispositivos inteligentes, los sistemas de Internet de las Cosas con Inteligencia Artificial (AIoT, Artificial Intelligence of Things) y los sistemas de Internet de las Cosas Médicas con Inteligencia Artificial (AIoMT, Artificial Intelligence of Medical Things) requieren implementar IA en dispositivos con capacidades computacionales heterogéneas. Para abordar esta necesidad, se han desarrollado soluciones basadas en tres capas de aprendizaje: IA incrustada, IA en el borde e IA en la nube. Estas capas, que representan distintos niveles de procesamiento y ubicación computacional, están impulsando avances significativos en aplicaciones de atención médica, entre otros campos.
Algoritmos Ligeros y Dispositivos de Bajo Consumo en IA Incrustada
En primer lugar, la IA incrustada constituye un área emergente que se centra en el diseño de algoritmos ligeros, capaces de operar en dispositivos de bajo consumo como relojes inteligentes y otros dispositivos portátiles. En el ámbito de la atención médica, se han entrenado algoritmos de aprendizaje automático de baja complejidad, como bosques aleatorios (RF, Random Forest, Bosque Aleatorio) (Sabry et al., 2022), máquinas de vectores de soporte (SVM, Support Vector Machine, Máquina de Vectores de Soporte) (Reddy et al., 2020) y redes neuronales convolucionales superficiales (CNN, Convolutional Neural Networks, Redes Neuronales Convolucionales) (Wong et al., 2022). También se han explorado estructuras neuronales híbridas y recurrentes como opciones viables. Por otra parte, para maximizar la eficiencia de los dispositivos, se ha investigado la implementación de estos algoritmos en hardware especializado, como matrices de puertas programables en campo (FPGA, Field-Programmable Gate Array) (Azghadi et al., 2020) y semiconductores de óxido de metal complementario (CMOS, Complementary Metal-Oxide-Semiconductor) (Chandrasekaran et al., 2021). Estas iniciativas han sido esenciales para permitir que dispositivos compactos y de bajo consumo operen con algoritmos avanzados de IA.
Diferencias entre la IA Incrustada y la IA en el Borde
En segundo lugar, la IA en el borde, aunque a menudo se confunde con la IA incrustada, se distingue porque opera en dispositivos situados un paso más allá del dispositivo final, como teléfonos inteligentes y computadoras personales, tal como se muestra en la Figura 2. Este nivel intermedio incluye dispositivos con capacidades computacionales muy variadas, desde teléfonos inteligentes básicos hasta computadoras avanzadas con potentes tarjetas gráficas. En este contexto, algoritmos como bosques aleatorios (RF, Random Forest) (Chen et al., 2022; Ashfaq et al., 2022), máquinas de vectores de soporte (SVM, Support Vector Machine) (Ashfaq et al., 2022) y redes neuronales convolucionales (CNN, Convolutional Neural Networks) (He et al., 2020; Rahman & Hossain, 2021) han encontrado aplicaciones significativas en dispositivos de menor potencia. Para dispositivos más avanzados, algoritmos como memoria a corto y largo plazo (LSTM, Long Short-Term Memory) (Queralta et al., 2019) han demostrado ser especialmente útiles, abriendo nuevas posibilidades para el análisis en tiempo real y el manejo de grandes volúmenes de datos.
Beneficios de las Capas de Aprendizaje en la Atención Médica
En resumidas cuentas, se puede decir que las tres capas de aprendizaje de la inteligencia artificial -incrustada, en el borde y en la nube- representan un marco clave para abordar los desafíos de implementación en sistemas con capacidades computacionales diversas. En el ámbito de la atención médica, estas capas están facilitando la incorporación de algoritmos avanzados en dispositivos portátiles y sistemas intermedios, mejorando la precisión diagnóstica y el monitoreo continuo. Estas consideraciones sugieren, que es necesario seguir desarrollando arquitecturas de IA ligeras y explorar tecnologías de hardware más eficientes para potenciar la IA incrustada, mientras se fortalecen las capacidades computacionales del borde mediante algoritmos más avanzados. Además, sería beneficioso fomentar la interoperabilidad entre estas capas para optimizar el flujo de datos y garantizar un desempeño eficiente en aplicaciones críticas como la atención médica.
Inteligencia Artificial en la Nube: Procesamiento Avanzado de Datos Médicos
La inteligencia artificial (IA) ha transformado diversos sectores mediante el desarrollo de soluciones innovadoras, y su implementación en la computación en la nube, el aprendizaje de capa cruzada y el aprendizaje federado ha abierto nuevas posibilidades en campos como la atención médica. Estas tecnologías, impulsadas por la creciente capacidad computacional y los avances en algoritmos, permiten abordar desafíos complejos y procesar grandes volúmenes de datos mientras se mantiene la privacidad de los usuarios. A continuación, se analiza cómo estas tecnologías contribuyen al desarrollo de soluciones en el ámbito médico, junto con sus beneficios y limitaciones.
No cabe duda, que la inteligencia artificial en la nube desempeña un papel básico en la gestión de conjuntos de datos extremadamente grandes o colaborativos. Los recursos de computación en la nube son esenciales para entrenar modelos complejos, como los modelos transformadores, los cuales requieren grandes cantidades de datos y una capacidad computacional significativa. En el contexto de la atención médica, esta tecnología se utiliza especialmente para aplicaciones de imágenes médicas, donde el tamaño y la complejidad de los datos demandan este tipo de infraestructura (Aruna et al., 2020; Hwang et al., 2019). Además, la inteligencia artificial en la nube se aplica frecuentemente en el preentrenamiento de algoritmos, permitiendo que estos sean implementados posteriormente en dispositivos de inteligencia artificial de borde, como teléfonos inteligentes, optimizando así su rendimiento (Ashfaq et al., 2022).
IA de Capa Cruzada: Potenciando la Atención Médica con Privacidad
Por otro lado, la inteligencia artificial de capa cruzada aprovecha las ventajas de las diferentes capas de aprendizaje. Mientras que la inteligencia artificial de borde e integrada ofrece baja latencia y alta preservación de la privacidad, la computación en la nube proporciona una potencia computacional mucho mayor. La IA de capa cruzada combina estas capacidades, permitiendo, por ejemplo, realizar un procesamiento inicial en dispositivos de borde antes de transferir los datos a la nube para análisis más complejos. Este enfoque reduce la latencia y, al mismo tiempo, utiliza los recursos de la nube de manera eficiente (He et al., 2020; Vasconcelos et al., 2020). Además, en el ámbito médico, esta tecnología facilita el análisis de datos sensibles respetando las restricciones de privacidad, lo que la convierte en una herramienta valiosa para diversas aplicaciones.
Aprendizaje Federado: Innovación en Modelos Descentralizados de IA Médica
Entre las aplicaciones destacadas de la IA de capa cruzada se encuentra el aprendizaje federado, una arquitectura de aprendizaje distribuido particularmente adecuada para la atención médica. Este enfoque permite entrenar algoritmos de aprendizaje automático en dispositivos de borde descentralizados, sin necesidad de crear bases de datos centralizadas que puedan comprometer la privacidad del paciente. Posteriormente, los modelos entrenados localmente son combinados en la nube para generar un modelo global que se puede redistribuir a los dispositivos de borde. Este enfoque ya ha demostrado su utilidad en áreas como el análisis funcional de imágenes por resonancia magnética (fMRI, functional MRI analysis) (Li et al., 2020) y la clasificación de cáncer de próstata clínicamente significativo mediante imágenes de coeficiente de difusión aparente (ADC, apparent diffusion coefficient imagery) (Yan et al., 2021). Sin embargo, a pesar de sus beneficios en términos de privacidad, el aprendizaje federado depende de un servidor central, lo que crea un único punto de falla.
Aprendizaje en Enjambre: Seguridad y Descentralización en IA Médica
Para superar esta limitación, se ha propuesto el aprendizaje en enjambre, un enfoque descentralizado que combina la tecnología blockchain con estructuras de igual a igual para garantizar la estabilidad del sistema. Al igual que el aprendizaje federado, el aprendizaje en enjambre permite el entrenamiento local en dispositivos de borde, compartiendo únicamente los resultados de dicho aprendizaje. Sin embargo, se diferencia al eliminar la dependencia de un servidor central, lo que hace que el sistema sea más resistente y seguro. Además, el uso de blockchain asegura que solo nodos legítimos puedan participar en la red, fortaleciendo la privacidad y la integridad de los datos. Este enfoque ha mostrado resultados prometedores en aplicaciones médicas como la detección de tuberculosis y el diagnóstico de COVID-19 (Warnat-Herresthal et al., 2021).
Debe quedar claro, que las tecnologías de inteligencia artificial basadas en la computación en la nube, el aprendizaje de capa cruzada y el aprendizaje distribuido han demostrado un gran potencial en la atención médica. Mientras que la computación en la nube permite procesar grandes volúmenes de datos y entrenar modelos complejos, las tecnologías de capa cruzada y el aprendizaje federado garantizan un equilibrio entre rendimiento y privacidad. Por su parte, el aprendizaje en enjambre presenta una solución innovadora y segura para entornos donde la descentralización es clave. Con seguridad, fomentar la investigación y la implementación de estas tecnologías, especialmente en sectores sensibles como la atención médica, permitirá desarrollando soluciones que mejoren la calidad de vida de los pacientes y optimicen los procesos clínicos.
Innovaciones en Sensores Médicos para Dispositivos Portátiles
En los últimos años, se ha observado un notable progreso en los componentes físicos necesarios para la implementación de sistemas avanzados de inteligencia artificial en Internet de las cosas médicas, (AIoMT, Artificial Intelligence of Medical Things). Entre estos avances, destacan los sensores de salud bien establecidos como la fotopletismografía, (PPG, Photoplethysmography), la electrocardiografía, (ECG, Electrocardiography), y la electroencefalografía, (EEG, Electroencephalography), que se encuentran ampliamente disponibles, proporcionando a los investigadores múltiples oportunidades para recopilar datos y desarrollar aplicaciones innovadoras (Zangrillo et al., 2022). En el ámbito de la ciencia de materiales, los sensores de sudor y de líquido intersticial continúan siendo un foco importante de investigación, con el potencial de detectar y gestionar condiciones tanto a corto como a largo plazo, incluyendo desde la acumulación de ácido láctico hasta el monitoreo de la diabetes (Van Hoovels et al., 2021). Además, los métodos de detección sin contacto han ganado terreno en la literatura reciente, destacándose técnicas como la fotopletismografía remota, (rPPG, remote Photoplethysmography), y el análisis de estado de canal, los cuales son cada vez más explorados para medir indicadores de salud que van desde signos vitales hasta niveles de actividad física (Yue et al., 2021).
Sensores PPG, ECG y EEG: Avances en Monitoreo de la Salud
Es evidente, que las tecnologías de sensores de salud integradas en el Internet de las Cosas Médicas (AIoMT, Artificial Intelligence of Medical Things) han estado transformado significativamente el panorama de la medicina personalizada y el monitoreo de salud. Particularmente, tecnologías como la fotopletismografía (PPG, Photoplethysmography), la electrocardiografía (ECG, Electrocardiography) y la electroencefalografía (EEG, Electroencephalography) han demostrado ser herramientas esenciales. Por ejemplo, la PPG, que detecta cambios volumétricos en la sangre a través de la luz emitida y reflejada en los tejidos, se utiliza ampliamente en dispositivos portátiles como relojes inteligentes para medir el ritmo cardíaco y los niveles de oxígeno en sangre (Zangrillo et al., 2022).
Por otro lado, la ECG, que registra la actividad eléctrica del corazón mediante electrodos colocados en la piel, ha sido fundamental para detectar anomalías como arritmias cardíacas. Aplicaciones prácticas incluyen monitores portátiles como los parches de ECG, utilizados por pacientes con enfermedades cardíacas crónicas para un monitoreo continuo y en tiempo real. Además, la EEG, que mide la actividad eléctrica cerebral, es comúnmente empleada en el diagnóstico de epilepsia y trastornos del sueño. Un ejemplo innovador incluye los auriculares EEG no invasivos, los cuales se usan en investigaciones neurocientíficas para evaluar niveles de estrés y concentración (Van Hoovels et al., 2021).
Integración de Sensores y Algoritmos de IA para Predicción de Enfermedades
Adicionalmente, la combinación de estas tecnologías con algoritmos de inteligencia artificial ha permitido el desarrollo de sistemas predictivos avanzados. Por ejemplo, los dispositivos basados en PPG integrados con modelos de aprendizaje automático pueden predecir el riesgo de enfermedades cardiovasculares al analizar patrones en los datos recolectados. De manera similar, las soluciones que integran ECG y aprendizaje profundo permiten detectar condiciones complejas como la fibrilación auricular con alta precisión, mientras que las interfaces cerebro-computadora basadas en EEG ofrecen nuevas oportunidades en la rehabilitación de pacientes con parálisis (Yue et al., 2021).
De esta manera, las tecnologías de sensores como PPG, ECG y EEG continúan evolucionando, impulsadas por la innovación en inteligencia artificial y miniaturización de hardware. Estas herramientas no solo facilitan diagnósticos más rápidos y precisos, sino que también habilitan un monitoreo de salud más accesible y eficiente, mejorando la calidad de vida de los pacientes y optimizando los recursos médicos.
Tecnologías de Comunicación Avanzadas en AIoMT
Por otro lado, los avances en tecnología de comunicaciones han fortalecido los sistemas de AIoMT al proporcionar nuevas herramientas y estándares altamente adecuados. Tecnologías emergentes como la sexta generación de comunicaciones, (6G, Sixth Generation Communications), prometen comunicaciones de altísima velocidad y una capacidad de red ampliada, lo que facilitará aplicaciones avanzadas como la telesalud, la telecirugía y el uso de vehículos aéreos no tripulados para emergencias médicas (Vaezi et al., 2022). De igual manera, la capacidad reducida, (RedCap, Reduced Capability), emerge como un sucesor eficiente de la banda estrecha para Internet de las cosas, (NB-IoT, Narrowband Internet of Things), ofreciendo menor latencia y mayor fiabilidad, características clave para dispositivos de baja potencia que requieren transferencias de datos más robustas (Moloudi et al., 2021). Asimismo, las comunicaciones satelitales en el Internet de las cosas, (IoT, Internet of Things), con constelaciones densas en órbita terrestre baja, (LEO, Low Earth Orbit), serán fundamentales para garantizar una cobertura global en áreas rurales o remotas donde las redes celulares no están disponibles (Chen et al., 2022).
Adviértase, podemos señalar que RedCap, (Reduced Capability), es una tecnología emergente dentro del ecosistema de las comunicaciones inalámbricas que se diseñó específicamente para dispositivos con menor capacidad. En términos técnicos, esta tecnología optimiza el uso de la banda ancha y los recursos de red, proporcionando latencias bajas y eficiencia energética mejorada. Este enfoque permite conectar dispositivos como sensores o monitores médicos portátiles, los cuales no necesitan las altas tasas de transferencia de datos de otras soluciones, pero requieren estabilidad y bajo consumo energético (Moloudi et al., 2021). Por consiguiente, RedCap utiliza canales de transmisión más angostos y protocolos simplificados para reducir la complejidad de hardware y software en los dispositivos conectados.
Tecnología RedCap y su Rol en Dispositivos Médicos de Baja Potencia
Asimismo, RedCap es considerado un sucesor eficiente de NB-IoT, (Narrowband Internet of Things), debido a sus mejoras en rendimiento y adaptabilidad. A diferencia de NB-IoT, que se centra exclusivamente en dispositivos de muy baja potencia, RedCap amplía su alcance para incluir dispositivos con necesidades de comunicación moderada pero que aún requieren eficiencia energética. Adicionalmente, RedCap emplea mecanismos avanzados de multiplexación y gestión de la red para manejar múltiples dispositivos simultáneamente sin afectar la calidad del servicio, una característica crítica para aplicaciones en tiempo real como la telemedicina (Chen et al., 2022).
Por ejemplo, en aplicaciones médicas, los monitores de ritmo cardíaco y presión arterial, que dependen de actualizaciones periódicas de datos en plataformas remotas, pueden beneficiarse enormemente de la tecnología RedCap. Estas aplicaciones requieren una transferencia constante y fiable de pequeñas cantidades de datos, lo que se logra mediante los protocolos simplificados de RedCap, minimizando así el consumo de batería y garantizando la integridad de la información médica en tiempo real. Además, dispositivos portátiles utilizados en telemetría médica pueden operar durante períodos extendidos sin recargar gracias a la eficiencia energética de esta tecnología, permitiendo un monitoreo continuo en pacientes crónicos o en condiciones críticas (Vaezi et al., 2022).
Constelaciones LEO: Expandiendo la Telemedicina a Zonas Remotas
Así mismo, las comunicaciones satelitales en el Internet de las cosas, (IoT, Internet of Things), utilizando constelaciones densas en órbita terrestre baja, (LEO, Low Earth Orbit), ofrecen un enfoque técnico innovador para expandir la cobertura de redes en áreas remotas. Estas constelaciones comprenden numerosos satélites compactos en órbitas a altitudes de entre 200 y 2,000 kilómetros, diseñados para garantizar bajas latencias y anchos de banda adecuados para el intercambio de datos, siendo particularmente útiles en aplicaciones de telemedicina. En particular, la integración con la inteligencia artificial de las cosas médicas, (AIoMT, Artificial Intelligence of Medical Things), mejora los flujos de trabajo al automatizar diagnósticos y gestionar datos médicos de forma precisa y en tiempo real (Vaezi et al., 2022).
Hay que resaltar, que las características técnicas de estas redes incluyen comunicación bidireccional, redundancia robusta frente a fallos de enlace y un diseño modular que permite añadir satélites para mejorar la capacidad o reemplazar los defectuosos sin interrumpir la operación de la constelación. Además, estas tecnologías emplean protocolos avanzados de encriptación para proteger datos sensibles durante su transmisión (Moloudi et al., 2021).
En el ámbito de la telemedicina, un ejemplo práctico incluye la implementación de sistemas AIoMT para monitoreo remoto de pacientes en áreas rurales mediante sensores portátiles conectados a redes LEO. Estos dispositivos pueden medir constantes vitales como presión arterial o niveles de oxígeno en sangre y enviar datos a centros médicos en tiempo real. De igual manera, en situaciones de emergencia, drones autónomos equipados con kits de primeros auxilios pueden ser guiados a través de estas redes para entregar suministros críticos en zonas de difícil acceso (Chen et al., 2022).
Modelos de Aprendizaje Automático y su Impacto en la Medicina
En el área de aprendizaje automático, (ML, Machine Learning), se ha notado que las actuales investigaciones frecuentemente emplean modelos convencionales como las máquinas de soporte vectorial, (SVM, Support Vector Machines), y los bosques aleatorios, (RF, Random Forests), que dependen en gran medida de la extracción manual de características, lo que puede introducir sesgos humanos (Lahmiri & Shmuel, 2019). Sin embargo, se ha estado explorado menos el uso de modelos más avanzados como las redes de memoria a largo y corto plazo, (LSTM, Long Short-Term Memory), y los transformadores, que son particularmente adecuados para datos secuenciales como series temporales (Yildirim et al., 2019). De igual manera, las investigaciones de modelos emergentes como transformadores y autoencoders sobre aplicaciones a problemas de salud, son limitadas, representando una gran oportunidad para el desarrollo futuro (Rong & Li, 2021).
En el campo del aprendizaje automático, (ML, Machine Learning), las máquinas de soporte vectorial, (SVM, Support Vector Machines), y los bosques aleatorios, (RF, Random Forests), han mostrado su capacidad para resolver problemas complejos. Primero, las SVM son algoritmos supervisados diseñados para clasificar datos dividiendo el espacio en el que se encuentran utilizando un hiperplano óptimo. Este hiperplano maximiza el margen entre las clases, lo que las hace altamente efectivas en conjuntos de datos con claras separaciones lineales (Vapnik, 1995). Para ilustrar, en un contexto médico, las SVM se han empleado para la detección de cáncer mediante el análisis de datos de imágenes mamográficas, logrando una clasificación precisa entre tejidos benignos y malignos (El Naqa et al., 2002).
Por otra parte, los bosques aleatorios, RF consisten en múltiples árboles de decisión que trabajan de manera conjunta, cada uno entrenado con un subconjunto de datos diferente. Esta combinación mejora la precisión y reduce el riesgo de sobreajuste, siendo útil en aplicaciones donde las variables independientes pueden ser tanto numéricas como categóricas (Breiman, 2001). Por ejemplo, en la medicina, los RF se han utilizado para predecir enfermedades cardiovasculares al integrar datos de historial médico, estilos de vida y resultados de pruebas clínicas (Rodríguez-Galiano et al., 2012).
Aplicaciones Médicas de SVM y Bosques Aleatorios
En cuanto a su aplicación en sistemas AIoMT, (Artificial Intelligence of Medical Things), estas tecnologías ayudan a procesar y analizar grandes volúmenes de datos provenientes de dispositivos médicos conectados. Por ejemplo, los bosques aleatorios, RF pueden integrar datos de sensores portátiles para predecir picos en niveles de glucosa, mientras que las SVM son efectivas para clasificar patrones en señales de electrocardiograma, optimizando la detección temprana de arritmias (Krittanawong et al., 2017).
Redes LSTM y Transformadores: Avances en Análisis Secuencial
También tenemos que aclarar, que las redes de memoria a largo y corto plazo, (LSTM, Long Short-Term Memory), son un tipo de red neuronal recurrente diseñada específicamente para manejar secuencias de datos temporales. Por ejemplo, su estructura utiliza unidades de memoria que regulan el flujo de información mediante tres puertas principales: entrada, olvido y salida. Esto permite que las LSTM recuerden información relevante durante largos periodos y olviden lo innecesario, mejorando su rendimiento en tareas como predicción de series temporales. Por ejemplo, en el ámbito médico, estas redes se han aplicado con éxito para predecir la evolución de enfermedades crónicas, basándose en datos históricos del paciente (Lahmiri & Shmuel, 2019). Además, las LSTM han demostrado ser útiles en sistemas de monitoreo cardíaco para detectar anomalías en los electrocardiogramas, proporcionando alertas tempranas en caso de riesgos potenciales (Yildirim et al., 2019).
Por otra parte, los transformadores son arquitecturas avanzadas diseñadas inicialmente para procesamiento de lenguaje natural. Su mecanismo de atención permite que el modelo identifique qué partes de una secuencia son más relevantes para comprender el contexto, evitando la dependencia secuencial de modelos recurrentes. Esto los hace altamente eficientes y escalables. En aplicaciones médicas, los transformadores han sido empleados para analizar grandes volúmenes de registros médicos electrónicos, facilitando la identificación de patrones que podrían ser indicativos de enfermedades. Por ejemplo, en oncología, se han utilizado para clasificar imágenes de biopsias, mejorando la precisión en el diagnóstico de cáncer (Rong & Li, 2021).
Autoencoders para Detección de Anomalías en Señales Biométricas
Al referirnos a los autoencoders, éstos son modelos no supervisados diseñados para reducir dimensionalidad y reconstruir datos de entrada. Funcionan comprimiendo los datos a una representación más compacta y luego descomprimiéndolos para reproducir la entrada inicial. Por ejemplo, en el contexto de los sistemas de Internet de las Cosas Médicas, (AIoMT, Artificial Intelligence of Medical Things), se emplean para detectar anomalías en señales biométricas, como la respiración o frecuencia cardíaca, en tiempo real. Esto permite identificar irregularidades que podrían ser síntoma de afecciones críticas y requerir intervención inmediata (Lahmiri & Shmuel, 2019).
Con esto se puede afirmar, que la combinación de estas tecnologías está transformando el campo médico. Por ejemplo, un sistema AIoMT basado en autoencoders y LSTM puede monitorear la salud de pacientes en tiempo real, enviando datos a un servidor central que utiliza transformadores para analizar y predecir riesgos. Este enfoque permite una intervención más oportuna y precisa, mejorando la calidad de la atención médica.
Comparativa: IA en el Borde vs. IA Embebida en la Medicina
Además, la evolución de tecnologías como la inteligencia artificial en el borde y embebida ha transformado significativamente el enfoque convencional centrado en la nube. Este cambio hacia el procesamiento local ha resultado en sistemas de atención médica con menor latencia, mayor privacidad y tolerancia a fallos mejorada (Rahman & Hossain, 2021). Además, se ha identificado la inteligencia artificial de capa cruzada, (Cross-layer AI, Cross-layer Artificial Intelligence), como una solución eficiente para problemas con altas demandas computacionales, distribuyendo las tareas de procesamiento entre capas embebidas, de borde y de nube (Xu et al., 2019).
En este contexto, es importante comprender la distinción entre inteligencia artificial en el borde (Edge AI) y la inteligencia artificial embebida (Embedded AI). Aunque ambas tecnologías comparten la característica de procesar datos localmente sin depender exclusivamente de la nube, sus aplicaciones y características técnicas presentan diferencias significativas.
En primer lugar, la inteligencia artificial en el borde, utiliza dispositivos que procesan datos cerca de su origen, como sensores o cámaras inteligentes. Esto reduce la latencia, aumenta la privacidad y mejora la eficiencia operativa. Un ejemplo es el monitoreo continuo de pacientes mediante dispositivos portátiles que evalúan signos vitales y alertan en tiempo real sobre posibles emergencias médicas (Rahman & Hossain, 2021). Por el contrario, la IA embebida está integrada directamente en dispositivos hardware específicos y optimizados para ejecutar tareas de aprendizaje automático con consumo de energía reducido. Un ejemplo práctico es un desfibrilador automático implantable, que analiza ritmos cardíacos anormales y toma decisiones autónomas basadas en algoritmos preconfigurados.
Aplicaciones Médicas de Edge AI y Embedded AI
Adicionalmente, la inteligencia artificial de capa cruzada se destaca al integrar procesamiento distribuido entre dispositivos de borde, embebidos y la nube. Este enfoque permite manejar cargas de trabajo computacional intensivas dividiéndolas en niveles apropiados, garantizando una solución más eficiente para sistemas de Internet de las Cosas Médicas (AIoMT, Artificial Intelligence of Medical Things) (Xu et al., 2019).
En el ámbito médico, un ejemplo de la Edge AI sería un sistema de diagnóstico por imágenes en hospitales que analiza escaneos radiológicos en tiempo real para identificar patrones asociados a patologías específicas, acelerando el tiempo de respuesta para intervenciones críticas. Mientras tanto, un ejemplo de la Embedded AI es un marcapasos que ajusta dinámicamente la frecuencia cardíaca según las necesidades físicas del paciente, ofreciendo un soporte personalizado sin necesidad de conexión continua a sistemas externos.
Es significativo además destacar que, aunque la Edge AI y la Embedded AI comparten un enfoque hacia la descentralización del procesamiento, su diseño técnico y aplicaciones las posicionan como soluciones complementarias y específicas dentro de los sistemas de AIoMT. Las diferencias en su implementación destacan cómo ambas tecnologías satisfacen diversas demandas médicas al integrar capacidades inteligentes directamente en dispositivos clínicos avanzados.
Preservación de la Privacidad en la IA Médica: Aprendizaje Federado y en Enjambre
En lo que respecta a la privacidad, las técnicas de aprendizaje federado, (Federated Learning), y aprendizaje en enjambre, (Swarm Learning), han demostrado un gran potencial. Estas metodologías permiten entrenar modelos locales sin la necesidad de compartir datos sensibles, lo que garantiza la seguridad de la información. Entre ambas técnicas, el aprendizaje en enjambre destaca por su enfoque descentralizado y robusto, que mejora la flexibilidad y la resiliencia del sistema (Warnat-Herresthal et al., 2021).
Considerando las tecnologías de aprendizaje federado, (Federated Learning, FL), y aprendizaje en enjambre, (Swarm Learning, SL), ambas se destacan como técnicas avanzadas en el ámbito de los sistemas de inteligencia artificial de las cosas médicas, (AIoMT, Artificial Intelligence of Medical Things). De forma inicial, ambas metodologías permiten la colaboración en la creación de modelos de aprendizaje sin compartir directamente los datos entre los nodos participantes, contribuyendo a mantener la privacidad de la información.
Por un lado, el aprendizaje federado, (Federated Learning, FL), se basa en una arquitectura centralizada que coordina el entrenamiento de modelos distribuidos. Aquí, los dispositivos locales entrenan un modelo utilizando sus datos, y solo los parámetros o gradientes actualizados se envían al servidor central, donde se realiza una agregación global. Por ejemplo, en aplicaciones médicas, el FL permite que hospitales ubicados en diferentes geografías colaboren para desarrollar modelos predictivos para el diagnóstico sin comprometer la privacidad del paciente. Esta técnica ha sido utilizada en análisis de imágenes médicas para detectar enfermedades como el cáncer de mama a partir de mamografías distribuidas en diferentes centros de salud (Sheller et al., 2020).
Diferencias Clave entre Aprendizaje Federado y Aprendizaje en Enjambre
En cambio, el aprendizaje en enjambre, (Swarm Learning, SL), adopta un enfoque más descentralizado, eliminando la dependencia de un servidor central. Los nodos comparten información entre sí de manera directa para mejorar el modelo global en un esquema inspirado en los sistemas biológicos colectivos. Este enfoque es particularmente útil en entornos heterogéneos o cuando la conectividad con un servidor central no es confiable. Un caso práctico incluye la detección y prevención de epidemias mediante dispositivos móviles y sensores distribuidos que intercambian información para modelar patrones de propagación de enfermedades infecciosas (Warnat-Herresthal et al., 2021).
Por otro lado, mientras que ambas metodologías ofrecen robustez en términos de privacidad, sus diferencias clave radican en su arquitectura. La FL se centra en optimizar la eficiencia del entrenamiento global con menos intercambio entre nodos, mientras que la SL prioriza la adaptabilidad y la flexiilidad al trabajar en sistemas más dinámicos y distribuidos. Este contraste permite que las instituciones seleccionen la técnica adecuada dependiendo de los requisitos específicos de su aplicación médica.
Convergencia de Tecnologías Avanzadas en la Atención Médica
Con todo este análisis se puede afirmar, que la convergencia de tecnologías avanzadas de sensores, comunicaciones, aprendizaje automático y métodos de preservación de la privacidad está impulsando el desarrollo de soluciones innovadoras en el campo de la AIoMT. Es fundamental seguir explorando el potencial de modelos avanzados de aprendizaje automático, así como garantizar una implementación ética y segura mediante el uso de técnicas de privacidad robustas. Por lo que, es necesario priorizar la investigación en tecnologías de comunicación como 6G y constelaciones LEO, junto con el desarrollo de sensores más versátiles, para expandir la accesibilidad y eficacia de los sistemas médicos inteligentes. A medida que se avance en estos ámbitos, será posible transformar los sistemas de atención médica global, haciéndolos más rápidos, accesibles y seguros para todos.
El Futuro de la IA Médica: Retos y Oportunidades Transformadoras
El impacto de la inteligencia artificial en la medicina y los sistemas de atención médica apenas comienza a vislumbrarse, y su potencial para transformar la sociedad del futuro es inmenso. Tecnologías como el aprendizaje federado, los sensores avanzados y las arquitecturas de inteligencia artificial en el borde y embebida no solo están redefiniendo el cuidado de la salud, sino también demostrando cómo la innovación puede adaptarse a las necesidades reales de privacidad, eficiencia energética y diagnóstico temprano. En un mundo donde la tecnología evoluciona rápidamente, mantenerse al día con estos avances no es opcional, sino esencial.
Invitamos a los lectores a profundizar en el estudio de estas áreas tecnológicas para comprender y anticiparse a los nuevos paradigmas que marcarán el futuro de la sociedad. Con conocimientos actualizados, seremos capaces de integrar estas soluciones disruptivas en nuestro día a día, maximizando su impacto positivo en la calidad de vida de las personas. A medida que las tecnologías como la inteligencia artificial médica, la computación en la nube, las comunicaciones 6G y las constelaciones LEO se desarrollan, cada uno de nosotros tiene la oportunidad de ser parte activa de este cambio transformador. ¡El futuro de la atención médica inteligente está aquí, y está en nuestras manos aprovecharlo!
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
Aruna, S. K., Sindhanaiselvan, K., & Madhusudhanan, B. (2020). Computerized grading of brain tumors supplemented by artificial intelligence. Soft Computing, 24(10), 7827–7833. https://doi.org/10.1007/s00500-019-04403-7
Ashfaq, Z., et al. (2022). Embedded AI-based digi-healthcare. Applied Sciences, 12(1), 519. https://doi.org/10.3390/app12010519
Azghadi, M. R., et al. (2020). Hardware implementation of deep network accelerators towards healthcare and biomedical applications. IEEE Transactions on Biomedical Circuits and Systems, 14(6), 1138–1159. https://doi.org/10.1109/TBCAS.2020.3032196
Breiman, L. (2001). Random forests. Machine Learning, 45(1), 5–32.
Chandrasekaran, 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. https://doi.org/10.1109/JETCAS.2021.3126025
Chen, H., Xiao, M., & Pang, Z. (2022). Satellite-based computing networks with federated learning. IEEE Wireless Communications, 29(1), 78–84.
Chen, P.-J., Hu, T.-H., & Wang, M.-S. (2022). Raspberry Pi-based sleep posture recognition system using AIoT technique. Healthcare, 10(3), 513. https://doi.org/10.3390/healthcare10030513
Chen, T., Wang, J., & Liu, P. (2022). Next-generation IoT: The potential of LEO satellites for global coverage. Journal of Satellite Communications, 35(3), 245–258.
Chen, Z., et al. (2022). Low Earth Orbit Constellations: Opportunities and Challenges for Global Connectivity. Journal of Advanced Communications, 15(3), 450–467.
El Naqa, I., Yang, Y., Galatsanos, N. P., Nishikawa, R. M., & Wernick, M. N. (2002). A support vector machine approach for detection of microcalcifications. IEEE Transactions on Medical Imaging, 21(12), 1552–1563.
He, Y., Fu, B., Yu, J., Li, R., & Jiang, R. (2020). Efficient learning of healthcare data from IoT devices by edge convolution neural networks. Applied Sciences, 10(24), 8934. https://doi.org/10.3390/app10248934
Hwang, D.-K., et al. (2019). Artificial intelligence-based decision-making for age-related macular degeneration. Theranostics, 9(1), 232–245. https://doi.org/10.7150/thno.28852
Krittanawong, C., Johnson, K. W., Rosenson, R. S., Wang, Z., & Tang, W. H. W. (2017). Artificial intelligence and the cardiovascular disease epidemic. European Heart Journal, 38(34), 2730–2736.
Lahmiri, S., & Shmuel, A. (2019). Deep learning applications in medical diagnostics. Journal of Medical Systems, 43(6), 127–134.
Lahmiri, S., & Shmuel, A. (2019). Detection of Parkinson’s disease based on voice patterns ranking and optimized support vector machine. Biomedical Signal Processing and Control, 49, 427–433.
Li, X., Gu, Y., Dvornek, N., Staib, L. H., Ventola, P., & Duncan, J. S. (2020). Multi-site fMRI analysis using privacy-preserving federated learning and domain adaptation: ABIDE results. Medical Image Analysis, 65, 101765. https://doi.org/10.1016/j.media.2020.101765
Moloudi, A., Sharifian, M., & Haghani, N. (2021). RedCap: An evolution in IoT communication. International Journal of Wireless Networks, 18(4), 312–328.
Moloudi, R., et al. (2021). Enhanced Narrowband IoT for Low Latency and High Reliability. International Journal of IoT Systems, 8(4), 310–322.
Moloudi, S., et al. (2021). Coverage evaluation for 5G reduced capability new radio (NR-RedCap). IEEE Access, 9, 45055–45067.
Queralta, J. P., Gia, T. N., Tenhunen, H., & Westerlund, T. (2019). Edge-AI in LoRa-based health monitoring: Fall detection system with fog computing and LSTM recurrent neural networks. In Proceedings of the 42nd International Conference on Telecommunications and Signal Processing (TSP), 601–604. https://doi.org/10.1109/TSP.2019.8768726
Rahman, M. A., & Hossain, M. S. (2021). An Internet-of-Medical-Things-enabled edge computing framework for tackling COVID-19. IEEE Internet of Things Journal, 8(21), 15847–15854. https://doi.org/10.1109/JIOT.2021.3059305
Rahman, M., & Hossain, M. S. (2021). Analysis of latency and privacy in AI applications. Journal of Advanced Computing Systems.
Reddy, G. N. K., Manikandan, M. S., & Murty, N. V. L. N. (2020). On-device integrated PPG quality assessment and sensor disconnection/saturation detection system for IoT health monitoring. IEEE Transactions on Instrumentation and Measurement, 69(9), 6351–6369. https://doi.org/10.1109/TIM.2020.2976729
Rodríguez-Galiano, V. F., Ghimire, B., Rogan, J., Chica-Olmo, M., & Rigol-Sanchez, J. P. (2012). An assessment of the effectiveness of a random forest classifier for land-cover classification. ISPRS Journal of Photogrammetry and Remote Sensing, 67, 93–104.
Rong, G., & Li, H. (2021). Transformative potential of AI in healthcare. Health Informatics Journal, 27(3), 209–225.
Rong, M., & Li, K. (2021). A multi-type features fusion neural network for blood pressure prediction based on photoplethysmography. Biomedical Signal Processing and Control, 68, Article 102772.
Sabry, F., Eltaras, T., Labda, W., Hamza, F., Alzoubi, K., & Malluhi, Q. (2022). Towards on-device dehydration monitoring using machine learning from wearable devices data. Sensors, 22(5), 1887. https://doi.org/10.3390/s22051887
Sheller, M. J., Edwards, B., Reina, G. A., Martin, J., & Bakas, S. (2020). Multi-institutional deep learning modeling without sharing patient data: A feasibility study on brain tumor segmentation. Medical Image Analysis, 58, 101539.
Vaezi, M., et al. (2022). 6G and Beyond: Technologies for Enhanced Medical Applications. Medical Technology Review, 17(2), 90–105.
Vaezi, M., Ding, Z., & Poor, H. V. (2022). 6G communications and applications in healthcare. IEEE Transactions on Medical Communications, 39(2), 123–134.
Van Hoovels, K., Xuan, X., Cuartero, M., Gijssel, M., Swarén, M., & Crespo, G. A. (2021). Can wearable sweat lactate sensors contribute to sports physiology? ACS Sensors, 6(10), 3496–3508.
Van Hoovels, N., et al. (2021). Monitoring health indicators through advanced sensor integration. Journal of Medical Technologies, 45(3), 67–80.
Vapnik, V. (1995). The nature of statistical learning theory. Springer Science & Business Media.
Vasconcelos, F. F. X., Sarmento, R. M., Filho, P. P. R., & Albuquerque, V. H. C. de. (2020). Artificial intelligence techniques empowered edge-cloud architecture for brain CT image analysis. Engineering Applications of Artificial Intelligence, 91, 103585. https://doi.org/10.1016/j.engappai.2020.103585
Warnat-Herresthal, S., et al. (2021). Swarm learning for decentralized and confidential clinical machine learning. Nature, 594(7862), 265–270. https://doi.org/10.1038/s41586-021-03583-3
Wong, D. L. T., Li, Y., Deepu, J., Ho, W. K., & Heng, C. H. (2022). An energy-efficient ECG ventricular ectopic beat classifier using binarized CNN for edge AI devices. IEEE Transactions on Biomedical Circuits and Systems, 16(2), 222–232. https://doi.org/10.1109/TBCAS.2022.3150834
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
Xu, Y., Chen, H., & Zhang, L. (2019). Cross-layer Artificial Intelligence: A Framework for Efficient Edge and Cloud Integration. Journal of Computing Frameworks.
Xu, Z., et al. (2019). BECT spike detection based on novel EEG sequence features and LSTM algorithms. IEEE Transactions on Neural Systems and Rehabilitation Engineering, 29, 1734–1743.
Yan, Z., Wicaksana, J., Wang, Z., Yang, X., & Cheng, K. T. (2021). Variation-aware federated learning with multi-source decentralized medical image data. IEEE Journal of Biomedical and Health Informatics, 25(7), 2615–2628. https://doi.org/10.1109/JBHI.2021.3068411
Yildirim, Ö., Talo, M., Ciaccio, E. J., & Acharya, U. R. (2019). Analysis of heart sounds with LSTM networks. Computers in Biology and Medicine, 103, 104–115.
Yildirim, O., Baloglu, U. B., Tan, R.-S., Ciaccio, E. J., & Acharya, U. R. (2019). A new approach for arrhythmia classification using deep coded features and LSTM networks. Computer Methods and Programs in Biomedicine, 176, 121–133.
Yue, J., et al. (2021). Remote monitoring of physiological parameters using AI-driven solutions. Sensors and Health Applications, 34(2), 145–158.
Yue, Z., Feng, X., Chen, X., Dai, L. L., & Xu, Y. (2021). A wearable mechano-acoustic sensor based on electrochemical redox reaction for continuous cardiorespiratory monitoring. Applied Physics Letters, 118(2), Article 23703.
Zangrillo, A., et al. (2022). Innovations in AIoMT for cardiovascular applications. Healthcare IoT Research, 12(4), 210–225.