- El bebé está en posición podálica.
- La madre sufre alguna de las siguientes condiciones: gestosis o diabetes gravídica.
- La placenta está en posición previa-central.
- La madre tiene problemas de corazón, renales o graves infecciones en vías genitales.
- La cabeza del niño es demasiado grande y no cabe por el canal del parto.
- La cabeza del niño no está encajada correctamente en el canal del parto.
- Existe sufrimiento fetal.
- La placenta se desprende.
El flujo conversacional creado es el siguiente:
- Conversación intuitiva.
- Los usuarios ya tienen conversaciones con otras personas acerca del tema a automatizar.
- La interacción es corta, se puede solucionar en pocos pasos ida y vuelta.
- Utilizarlos cuando las consultas son pequeñas, por ejemplo una consulta o agendamiento de una cita. No es recomendable cuando se trabaja con volúmenes grandes de información, por ejemplo en una revista.
- ¿El proceso usual lleva muchos pasos para llegar al objetivo? Es una oportunidad con un chatbot.
- ¿Se debe acceder a varias apps o widgets para llegar al objetivo?
- ¿El objetivo es fácil o difícil de encontrar?
- ¿Los usuarios pueden hacer la tarea mientras hacen otras actividades?
- ¿Los usuarios pueden llevar a cabo ésta tarea cuando sus manos u ojos están ocupados? Es una oportunidad para un asistente tipo SIRI.
- ¿Los usuarios se sienten cómodos hablando o escribiendo acerca del tema?
Pasé, El robot lo verá ahora
Julián Alberto Uribe Gómez
Docente Facultad de Ciencias Económicas y Administrativas ITM
Juan Guillermo Barrientos Gómez
Director Científico Clínica Universitaria Bolivariana CUB-UPB
El avance en todos los campos del conocimiento nunca ha sido más acelerado, todo esto debido a la continua generación de datos e información a través de tecnologías desarrolladas en las ultimas dos décadas (Tkáč & Verner, 2016). La captura de datos y utilización de estos junto con el desarrollo de sistemas y algoritmos como la inteligencia artificial, el aprendizaje de maquina y el aprendizaje profundo, han permitido generar nuevas y mejores capacidades. La medicina avanza tan rápido cada año que resulta complejo que los médicos sigan trabajando basados en los conocimientos adquiridos en las escuelas de medicina de años atrás. No hay ser humano que sea capaz de retener dicha cantidad de información generada. Anteriormente, uno de los problemas de la medicina era la falta de información, en la actualidad el problema es de sobre saturación de información. Un medico no podría interiorizar los últimos miles de artículos científicos sobre alguna especialidad clínica, pero las computadoras son mucho mejores para juntar y organizar esta información.
En vista de esto, se hace necesario que una cantidad importante de las tareas medicas se trasladen hacia ámbitos donde las máquinas son más eficaces, es decir, las tareas rutinarias como chequeos médicos, exámenes de diagnostico, prescripción de medicamentos, centralización de datos y manejo de la información. Por lo tanto, los médicos podrían concentrarse en tareas relativas al apoyo psicológico y emocional y a la interpretación de resultados de las computadoras. Esto lleva a cambiar y reordenar las tareas del medico, optimizando su tiempo y focalizándolo hacia labores más humanas, constantes y proactivas.
A partir de lo anterior, se explora la posibilidad de trasladar el diagnostico y la toma de decisiones hacia la innovación médica más común, la cual es una que muchos de nosotros utilizamos continuamente: El buscador de Google y los asistentes virtuales como Siri, Alexa o Cortana, que pronto darán lugar a versiones más especializadas que podrán contestar preguntas médicas en una conversación como la que tendríamos con nuestro médico especialista o de familia. Con base en esto, ya se pueden encontrar ejemplos de cómo Alexa puede dar instrucciones sobre que hacer en caso de infarto o practicar RCP en una emergencia. Cada vez haremos las consultas médicas con asistentes virtuales en donde estemos. Las nuevas tecnologías permitirán entonces realizar estudios médicos desde casa y que no tengamos necesidad de ir a un consultorio u hospital.
De acuerdo con una encuesta realizada a 1000 personas consumidoras de aplicaciones en salud de los estados unidos, existe un porcentaje muy alto en la confianza que las personas tienen al utilizar aplicaciones para el auto diagnóstico, tal como se puede ver en la figura 1.
La inteligencia artificial permitirá entonces que un profesional que hasta ahora estudiaba medicina y se especializaba en dermatología y dedicaba buena parte de su tiempo a ver manchas y decidir cuales son cancerosas con base en su experiencia de 300 o 3000 pacientes con características similares, sea asistido por aplicaciones en los teléfonos inteligentes apoyados por redes neuronales artificiales que pueden ser entrenadas con millones de imágenes, donde al sacar una foto de la mancha, el diagnóstico y la decisión si la mancha es “buena” o “mala” sea mucho más acertado.
Actualmente, se pueden encontrar múltiples motores de desarrollo de aplicaciones para asistencia virtual, el más conocido de ellos es IBM Watson, esta computadora hace varios años esta siendo utilizada para diagnósticos en varios hospitales de estados unidos. IBM Watson puede procesar millones de paginas, anotaciones, archivos y artículos en línea, donde con este material disponible puede hacer recomendaciones. Tal es el caso enunciado por Tabares (2012) en el cual presenta una aplicación de sistema experto en el ámbito de la especialidad medica ginecología, sin embargo este conocimiento modelado puede ser transferido a un asistente virtual para ayudar en la toma de decisiones.
La figura 2 presenta el flujo conversacional del chatbot para ser desarrollado, empezando por una presentación introductoria del asistente, y a través de una serie de preguntas tipo si/no que este hace, da respuesta al medico sobre los tipos de procedimientos que debe desarrollar en una labor de parto. La forma en la cual se puede presentar el asistente virtual o chatbot son varias, puede desplegarse en dispositivos inteligentes como smart display, teléfonos celulares o dispositivos tipo speaker.
Para este caso de ejemplo se utilizo la plataforma DialogFlow de google para el desarrollo del asistente virtual. DialogFlow es una plataforma de construcción de agentes conversacionales de google. Esta basado en una plataforma web la cual puede ser accesada desde cualquier browser (Janarthanam, 2017) y utiliza el lenguaje natural que tienen los humanos para empoderar sistemas inteligentes, los cuales requieren entrenamiento y afinación para el entendimiento del extenso abanico humano de expresiones, sin embargo el resultado final son diálogos con interfaces de usuario simples de utilizar (Deshpande, Kumar, & Chaudhari, 2020).
A partir de esto se desarrollo un chatbot Experto-Ginecológico en la plataforma DialogFlow siguiendo la arquitectura presentada en la figura 2, construida bajo las reglas y las condiciones presentadas para las cesáreas. El resultado desplegado se puede encontrar a través del código QR de la figura 3. Un ejemplo de la interfaz de conversación es la presentada en la figura 4.
Concluyendo, los asistentes virtuales como chatbots y aplicaciones están incursionando con pasos agigantados en el sector salud. La medicina se convertirá entonces en una ciencia mucho más amplia, donde estarán participando cada vez más ingenieros, científicos y analistas de datos y gestores tecnológicos, todo con el fin de generar servicios de salud más precisos, predictivos, disponibles, accesibles, interdisciplinarios y personalizados.
Referencias
Deshpande, A., Kumar, M., & Chaudhari, V. (2020). Hands-On Artificial Intelligence on Google Cloud Platform(first edit). Birmingham: Packt Publishing Ltd.
Janarthanam, S. (2017). Hands-On Chatbots and conversational UI development (First edit). Birmingham: Packt Publishing Ltd.
MarketingCharts. (2016). Consumer comfort using health apps to self-diagnose.
Tabares, H. (2012). Inteligencia Artificial (1st ed.). Medellín: Fondo Editorial ITM.
Tkáč, M., & Verner, R. (2016). Artificial neural networks in business: Two decades of research. Applied Soft Computing Journal, 38, 788–804. https://doi.org/10.1016/j.asoc.2015.09.040
