Inteligencia Artificial en Medicina

Tomado sin modificar de Safi. J Med Internet Res. 2020;22(12):e19127.

Aunque la definición actual de chatbots está ampliamente aceptada como programas informáticos que simulan una conversación con los usuarios a través de texto o lenguaje hablado, sigue habiendo confusión en torno a la terminología. En la bibliografía se utilizan indistintamente términos como agentes conversacionales, sistemas de diálogo, agentes conversacionales personificados, interfaces conversacionales inteligentes, chatbots (Laranjo), bots inteligentes, asistentes digitales, agentes intelectuales (Parmar), IA conversacional o asistentes virtuales (VA, el término preferido en este libro). Además, los recientes avances en inteligencia artificial (IA) han revolucionado el campo del procesamiento del lenguaje natural (PLN), en particular con la introducción de Transformers en 2017 (Vaswani). Estos avances han llevado al desarrollo de enormes modelos de lenguaje, a menudo denominados modelos fundacionales, por parte de un grupo de Stanford (Bommasani), marcando un hito significativo en el campo de la IA.

Hoy en día, los chatbots se utilizan ampliamente en diversas industrias y sectores, especialmente en la atención al cliente. Al incorporar un chatbot a su sitio web, aplicación móvil o plataforma de mensajería, las empresas pueden ofrecer asistencia y resolver problemas de forma automatizada y eficiente, sin necesidad de intervención humana inmediata. Esto no sólo mejora la satisfacción del cliente al ofrecer respuestas rápidas, sino que también reduce los costes y la carga de trabajo del personal de atención al cliente. La evolución de los chatbots a lo largo del tiempo ha sido notable. Desde los primeros intentos en la década de 1960, como el chatbot Eliza, que simulaba ser un terapeuta, hasta los asistentes virtuales más avanzados y populares de la actualidad, como Siri, Google Now, Alexa y Bixby, los chatbots han mejorado en términos de comprensión del lenguaje natural, respuesta contextual y personalización.

Para 2027, Gartner predice que el 25 % de las organizaciones adoptarán chatbots como su principal canal de atención al cliente, ofreciendo experiencias mejoradas y rentabilidad. Una encuesta reciente muestra que el 54 % de los encuestados ya están utilizando chatbots o IA conversacional para aplicaciones de cara al cliente. Sin embargo, medir el rendimiento y el ROI sigue siendo un reto. Gartner sugiere desarrollar una estrategia de despliegue, mejorar la usabilidad del chatbot, definir métricas relevantes y revisarlas y analizarlas periódicamente para priorizar las áreas de mejora (Gartner).

Aspectos técnicos para el desarrollo de asistentes virtuales en medicina

Una revisión sistemática finalizada en 2019 tuvo como objetivo explorar los aspectos técnicos y las metodologías de desarrollo asociadas a la VA utilizada en el ámbito médico, a través de una revisión exhaustiva de la literatura disponible en 8 bases de datos bibliográficas (IEEE, ACM, Springer, ScienceDirect, Embase, MEDLINE, PsycINFO y Google Scholar). Se incluyeron 45 artículos, en los que se identificaron 4 módulos principales: módulo de comprensión de textos, módulo de gestión de diálogos, capa de base de datos y módulo de generación de textos (Safi).

1. Módulo de comprensión del texto:
   Su función es extraer el significado de la entrada del usuario antes de generar una respuesta específica. En los estudios incluidos, se utilizaron 7 métodos para la comprensión de textos:
   1.1 La concordancia de patrones es el método más utilizado para la comprensión de texto en los chatbots médicos, utilizado por 18 de los 45 chatbots (40%). Este método consiste en buscar patrones específicos en la entrada del usuario y compararlos con una base de datos de patrones predefinidos para determinar la respuesta adecuada. Se menciona que este método es más fiable en la práctica porque produce respuestas precisas a consultas bien definidas, lo que da lugar a menos errores.
   1.2 El aprendizaje automático consiste en entrenar al chatbot con un conjunto de datos para que aprenda a entender y responder a las entradas del usuario. La mayoría de los estudios emplean algoritmos supervisados, como árboles de decisión y bosques aleatorios. Sin embargo, este método puede producir distintos tipos de errores, lo que puede resultar problemático en aplicaciones médicas en las que se requiere una gran precisión.
   1.3 Los servicios web se prestan a través de un servidor informático que responde a solicitudes a través de puertos en una red, como Dialogflow de Google a través de Internet, para resolver problemas específicos en un dominio concreto. Su uso puede ser beneficioso para el desarrollo de chatbots médicos porque permite acceder a grandes cantidades de datos y recursos computacionales sin tener que almacenarlos localmente. Además, los servicios web pueden utilizarse para integrar los chatbots con otros sistemas y aplicaciones médicas existentes.
   1.4 El Procesamiento del Lenguaje Natural (PLN) es una rama de la inteligencia artificial que se ocupa de la interacción entre los ordenadores y el lenguaje humano. Los métodos basados en el PLN utilizan técnicas como el reconocimiento de entidades con nombre para identificar información relevante en la entrada del usuario y generar respuestas adecuadas. Se indica que estos métodos pueden ser útiles para mejorar la precisión y eficacia de los chatbots médicos, pero también pueden ser más complejos y costosos de implementar que otros métodos, como la concordancia de patrones.
   1.5 Las entradas fijas son casos en los que el usuario selecciona una opción de una lista predefinida en lugar de introducir texto libre. En estos casos, la VA no necesita un módulo de comprensión de texto, ya que el sistema sólo tiene que dirigir la entrada del usuario al gestor de diálogos. Sin embargo, este método puede ser limitante para los usuarios y no permitir la libre expresión de sus preocupaciones o preguntas.
   1.6 Los enfoques híbridos combinan dos o más de los métodos anteriormente mencionados para la comprensión de textos. Pueden ser beneficiosos porque pueden aprovechar los puntos fuertes de los distintos métodos y mitigar sus puntos débiles. Además, podrían ser más eficaces a la hora de abordar problemas complejos y diversos en el ámbito médico

1.7 Los enfoques basados en reglas funcionan mediante un conjunto de reglas IF-THEN que definen cómo debe responder la VA a las entradas del usuario. Cabe señalar que las VA basadas en reglas pueden ser menos precisas y flexibles que otros métodos, pero su aplicación y mantenimiento pueden resultar más sencillos y rentables.

2. Módulo de gestión del diálogo:
Controla diversos aspectos de la conversación y vincula cada entrada del usuario a una salida adecuada. Existen dos enfoques principales: estático y dinámico.
2.1 En el enfoque estático, la entrada del usuario se compara directamente con una salida adecuada utilizando un algoritmo de concordancia de patrones o un conjunto de reglas predefinidas.
2.2 En el enfoque dinámico, el contexto de la conversación cambia en función de las características específicas de la entrada del usuario. Los cambios de contexto pueden lograrse entrenando algoritmos de aprendizaje automático para identificar el contexto a partir de la entrada del usuario o utilizando un servicio web para identificar la intención del usuario.

3. Capa de base de datos:
Los chatbots mantienen tres tipos diferentes de bases de datos:
3.1 Una base de conocimientos médicos que incluye una biblioteca de hechos médicos.
3.2 Una base de datos de información del usuario que incluye detalles sobre los datos demográficos y las preferencias del usuario.
3.3 Una base de datos de guiones de diálogo que incluya todas las posibles entradas de texto conversacional en respuesta a los usuarios.
El tipo de base de datos utilizada depende del tipo y la funcionalidad del chatbot. Los chatbots educativos suelen mantener una base de conocimientos médicos, mientras que los chatbots que utilizan el cambio de contexto basado en emociones suelen mantener una base de datos de información sobre el usuario.

Referencias

[1] Laranjo L, Dunn AG, Tong HL, Kocaballi AB, Chen J, Bashir R, et al. Conversational agents in healthcare: a systematic review. J Am Med Inform Assoc. 2018;25(9):1248-58.

[2] Parmar P, Ryu J, Pandya S, Sedoc J, Agarwal S. Health-focused conversational agents in person-centered care: a review of apps. NPJ Digit Med. 2022;5:21.

[3] Vaswani A, Shazeer N, Parmar N, Uszkoreit J, Jones L, Gomez AN, et al. Attention Is All You Need [Internet]. arXiv; 2017 [citado 17 de abril de 2023]. Disponible en: http://arxiv.org/abs/1706.03762

[4] Bommasani R, Hudson DA, Adeli E, Altman R, Arora S, von Arx S, et al. On the Opportunities and Risks of Foundation Models [Internet]. arXiv; 2022 [citado 24 de abril de 2023]. Disponible en: http://arxiv.org/abs/2108.07258

[5] Gartner Predicts Chatbots Will Become a Primary Customer Service Channel Within Five Years [Internet]. [citado 20 de mayo de 2023]. Disponible en: https://www.gartner.com/en/newsroom/press-releases/2022-07-27-gartner-predicts-chatbots-will-become-a-primary-customer-service-channel-within-five-years

[6] Safi Z, Abd-Alrazaq A, Khalifa M, Househ M. Technical Aspects of Developing Chatbots for Medical Applications: Scoping Review. J Med Internet Res. 2020;22(12):e19127.