Suscríbete Ahora a Knowmad Alert
Curación de Contenido Especializado | 16-22 febrero 2021| Semana 13
El encuentro entre la educación médica y la inteligencia artificial:
“¿La tecnología cuida?”
Las tecnologías, como la Inteligencia Artificial (IA) de aprendizaje profundo (Deep Learning), prometen soluciones benignas a problemas complejos, pero para los autores de este estudio (A.G. van der Niet, A. Bleakleyesta) esta visión es errónea.
El papel de la IA en la medicina promete redoblar la eficiencia reduciendo las complejas experiencias de los pacientes a intervenciones lineales de resolución de problemas que promete el “solucionismo”.
Como intervención instrumental, la IA puede objetivar a los pacientes, el estudio señala que esto puede frustrar los beneficios del diálogo, ya que las complejas y a menudo impredecibles experiencias carnales de los pacientes con la enfermedad se recalculan en términos computacionales centrados en la solución.
El documento explora cómo la IA se promueve a menudo como una respuesta integral a problemas complejos, incluyendo el pedagógico, donde el aprendizaje de la medicina de cabecera “práctica” ha demostrado tener beneficios más allá de los técnicos.
La educación médica se enfrenta a un reto pedagógico:¿Qué necesitará saber el médico del futuro que la IA no sepa, y qué seguirán ofreciendo los médicos a los pacientes más allá de la precisión diagnóstica?
En conclusión se presenta el peligro de caer en la trampa del instrumentalismo, donde el propio plan de estudios se convierte en algoritmo. Los alumnos tienen que entender que estas tecnologías llegarán a mediar y enmarcar sus percepciones de los problemas médicos. Los autores observaron que la enseñanza de la medicina ha tardado en responder a las exigencias del aprendizaje temprano de la IA en la medicina de pregrado, por lo que concluyen que el compromiso con la IA se convertirá en un factor clave en la construcción de la identidad de los médicos del futuro, especialmente en el ejercicio de una medicina ética.
Haga clic aquí para leer paper completo 1
Suscríbete Ahora a Knowmad Alert
Estudio de diferentes técnicas de detección y clasificación de enfermedades mediante Deep Learning para la Planta de Cannabis
Las plantas de cannabis se utilizan con fines médicos y recreativos, es por ello que el presente estudio plantea una clasificación y análisis sobre diferentes modelos de detección y clasificación de enfermedades para las plantas de cannabis. Las tecnologías emergentes pueden ayudas a los agricultores de cannabis que se enfrentan a problemas en un cultivo que es susceptible a múltiples trastornos.
Los modelos utilizados en este estudio son Fast Region Convolutional Neural Network(F-RCNN), MobileNet Single Shot Multibox Detector(MobileNet-SSD), You Only Look Once(YOLO) y Residual Network-50 Layers (ResNet50). Los autores comprobaron que MobileNet-SSD proporciona la mejor precisión entre todos los modelos de detección de objetos estudiados y que además necesita un menor tiempo de entrenamiento.
Durante los experimentos se concluyo que MobileNet-SSD ha alcanzado un 85% de precisión para las cinco categorías de las enfermedades con tres etapas cada una. ResNet 50 muestra una precisión del 88% para detectar y clasificar dos enfermedades diferentes con tres etapas cada una y para las cinco clases con tres etapas cada una, la precisión es aproximadamente del 62%. La precisión de F-RCNN fue menor que la de MobileNetSSD.
Los autores plantean que si bien el conjunto de datos reales aún no está completamente etiquetado para ser probado en los modelos de detección de objetos, los resultados de los experimentos infunden confianza en que se puede realizar una detección y localización de las enfermedades utilizando los parámetros establecidos en los modelos de detección de objetos. Por ello proponen incorporar el componente estructurado del conjunto de datos para aumentar el proceso de detección y clasificación.
Haga clic aquí para leer paper completo 2
Suscríbete Ahora a Knowmad Alert
Desechos Biomédicos de la India durante la crisis de COVID-19:
Impactos ambientales-sanitarios asociados y medidas de mitigación
(Biomedical Waste (Management & Handling) Rules, 2011: An overview, 2011)
La afluencia repentina de pacientes infectados por SARS-CoV-2 en los centros sanitarios ha aumentado la generación de residuos biomédicos de categoría amarilla (Y-BMW) y ha supuesto una carga considerable para las unidades de incineración de residuos biomédicos de la India. El documento señala que se observó que el 13 de julio de 2020, el total de Y-BMW, generado tanto por los pacientes normales como por los infectados por SARS-CoV-2, utilizó completamente la capacidad de incineración de BMW de la India.
Los autores ponen en evidencia que durante el período de estudio, la incineración de BMW emitió múltiples contaminantes y su concentración fue en el orden: NOx > CO > SOx > PM > HCl > Cd > Pb > Hg > PCBs > Ni > Cr > Be > As. El estudio muestra una evaluación del riesgo de cáncer a lo largo de la vida con un cociente de peligrosidad >10-6, el Cd puede inducir efectos cancerígenos en la salud tanto de los adultos como de los niños de la India.
Los resultados de este estudio revelaron que, en la India, un paciente infectado por COVID-19 genera aproximadamente 3,41 kg/d de BMW.
Haga clic aquí para leer paper completo 3
Suscríbete Ahora a Knowmad Alert
- Niet, A. G., & Bleakley, A. (2020). Where medical education meets artificial intelligence: “Does technology care?” Medical Education, 55(1), 30–36. https://doi.org/10.1111/medu.14131
- Pathak, K., Arya, A., Hatti, P., Handragal, V., & Lee, K. (2021). A Study of Different Disease Detection and Classification Techniques using Deep Learning for Cannabis Plant. International Journal of Computing and Digital Systems, 10(1), 2210–2142. https://doi.org/10.12785/ijcds/100106
- Thind, P. S., Sareen, A., Singh, D. D., Singh, S., & John, S. (2021). Compromising situation of India’s bio-medical waste incineration units during pandemic outbreak of COVID-19: Associated environmental-health impacts and mitigation measures. Environmental Pollution, 276, 116621. https://doi.org/10.1016/j.envpol.2021.116621
