Investigadores ecuatorianos aplican IA médica en diagnóstico temprano
Un equipo multidisciplinario de la Universidad de Guayaquil desarrolla modelos de inteligencia artificial
La ciencia y la tecnología avanzan a pasos agigantados, y en la Universidad de Guayaquil, un grupo de investigadores ha decidido poner ese progreso al servicio de la salud. Bajo la dirección del PhD. Darwin Patiño Pérez, el proyecto “Aplicaciones de Machine Learning y Deep Learning en la Detección de Enfermedades en Seres Humanos” busca desarrollar modelos de inteligencia artificial capaces de identificar con alta precisión patologías como la diabetes y enfermedades cardiovasculares.
El equipo está compuesto por 11 docentes de distintas áreas del conocimiento, entre ellos profesionales de la salud, expertos en estadística, tecnología y administración, además de cinco colaboradores externos. “Dependiendo del modelo que se esté implementando, contamos con la colaboración del integrante con mayor experiencia en esa área específica”, explica Patiño.
De los datos a la predicción: un proceso complejo y prometedor
Para que una inteligencia artificial pueda predecir enfermedades, necesita ser entrenada con datos relevantes. En este proyecto, se utilizan desde análisis de laboratorio, signos vitales e historial clínico hasta imágenes médicas (como resonancias y radiografías), señales biomédicas (como electrocardiogramas) y datos genómicos.
La información proviene de registros hospitalarios, equipos médicos y bases de datos genéticas, siempre bajo estrictos protocolos de anonimización para proteger la privacidad de los pacientes.
Sin embargo, el desarrollo de estos modelos no está exento de desafíos. La calidad y diversidad de los datos, los sesgos en las muestras y la complejidad de los modelos pueden afectar la precisión de los diagnósticos.
Por ello, el equipo trabaja con técnicas avanzadas como el data augmentation, el aprendizaje federado, y herramientas como SHAP o LIME que permiten interpretar los resultados de los algoritmos.
Modelos inteligentes que aprenden a diagnosticar
Entre las enfermedades abordadas, la diabetes y los problemas cardiovasculares son prioridades. Para la diabetes, el equipo emplea algoritmos como Random Forest o XGBoost, ideales para procesar datos estructurados, mientras que para señales cardíacas como los electrocardiogramas se utilizan redes neuronales recurrentes como LSTM o modelos basados en Transformers.
En el caso de imágenes, las redes convolucionales (CNN) permiten detectar anomalías en angiografías con una precisión comparable a la de los especialistas.
Pero, ¿cómo se valida que estos modelos funcionen correctamente? Se utilizan métricas como la precisión, sensibilidad y especificidad, así como pruebas con nuevos datos y comparaciones con diagnósticos médicos reales. “Un buen modelo debe ser preciso, confiable y útil para los doctores”, enfatiza el director del proyecto.
Este ambicioso esfuerzo no solo apunta a facilitar el diagnóstico clínico, sino también a reducir errores humanos, optimizar recursos hospitalarios y democratizar el acceso a diagnósticos tempranos y personalizados. En palabras simples, se trata de salvar vidas con la ayuda de la inteligencia artificial.
Visión a futuro: una medicina más predictiva y humana
El equipo liderado por Patiño apunta a que, en los próximos años, estos modelos puedan integrarse a los sistemas de salud pública y privada del país, brindando herramientas tecnológicas accesibles para médicos generales, especialistas y centros de diagnóstico. El sueño, dicen, es construir una medicina más preventiva, menos invasiva y profundamente humana, donde la inteligencia artificial complemente, pero nunca reemplace, el criterio médico.
