Aunque no se dé cuenta, la inteligencia artificial (IA) es utilizada por millones de personas cada día. Desde los viajes y el sector inmobiliario hasta la fabricación y la banca, la IA ha empezado a sustituir tareas engorrosas, análisis complejos y todo lo demás. Si llegara a integrarse plenamente en el sistema sanitario, tecnologías innovadoras como la IA y la criónica podrían revolucionar el sector. Pero aún falta mucho para eso. La IA no ha hecho más que empezar a infiltrarse en el sector sanitario y todavía existen varios obstáculos para aplicaciones más intensivas. Aquí profundizaremos en algunos de los mayores retos a los que se enfrenta la IA en la sanidad actual. 

‍

Aplicaciones actuales de la IA en la sanidad

‍

La IA se ha integrado profundamente en muchas industrias importantes. Además de su uso en logística, entretenimiento, viajes y comercio electrónico, la IA se está introduciendo poco a poco en los centros médicos. Hoy en día, la IA se utiliza para agilizar tareas rutinarias, como la facturación de pacientes, la categorización y la contabilidad de ingresos. También ayuda en la gestión de las instalaciones.

‍

En aplicaciones médicas más prácticas, la IA puede utilizarse para segmentar imágenes de rayos X y hacer sugerencias de tratamiento basadas en pruebas diagnósticas o datos. Esto mejora la eficiencia, pero no significa que ya no necesitemos médicos ni enfermeras. Las aplicaciones actuales de la IA relacionada con la sanidad implican sobre todo tareas que facilitan y hacen más eficiente la vida de los profesionales médicos. No sustituyen al individuo. 

‍

Además, las herramientas de IA no deben confundirse con la asistencia robótica. Los robots médicos se utilizan a menudo en cirugía para ayudar a reducir el tamaño de la incisión, mitigar el riesgo y disminuir las cicatrices, pero están supervisados por un cirujano o médico. La robótica también puede mejorar las prótesis para amputados y ayudar en las tareas de limpieza y desinfección. Aunque todos los robots médicos integran tecnología de inteligencia artificial, no toda la tecnología de IA tiene forma de robot. 

‍

‍

Los 7 mayores retos de la IA en la sanidad

‍

Aunque se espera que las soluciones sanitarias basadas en algoritmos pasen de 6.700 millones de dólares en 2020 a 120.800 millones en 2028 [10], aún quedan varios retos por abordar. La IA en la atención sanitaria no solo debe respetar las normas éticas y proteger los datos confidenciales de los pacientes, sino que también debe mejorar definitivamente los resultados de los pacientes para ser adoptada. Para comprender mejor la ardua batalla que sigue existiendo, consideremos algunos de los siguientes retos que plantea la adopción de herramientas de IA en el sector sanitario. 

‍

Falta de normalización

‍

Por el momento, no existe un método estándar para probar, rastrear, analizar e introducir conjuntos de datos recopilados mediante herramientas de IA en el sector sanitario. Todo el mundo intenta crear su propio software de IA para utilizarlo en su región o centro. Esto dificulta la comparación de resultados y la mejora de los procesos de aprendizaje profundo. 

‍

Además, muchas de las herramientas de IA relacionadas con la atención sanitaria han sido desarrolladas por investigadores de IA sin conocimientos médicos o por investigadores médicos sin conocimientos de IA [6]. 

‍

Para que el aprendizaje automático tenga éxito en el futuro en el sector sanitario, es necesario estandarizar los datos. Los investigadores deben adoptar un enfoque colaborativo en el diseño de la IA y trabajar juntos para mejorar los modelos existentes, en lugar de intentar desarrollar modelos únicos para su aplicación personal. Como dice Technology Review, "el esfuerzo colectivo de investigadores de todo el mundo produjo cientos de herramientas mediocres, en lugar de un puñado de herramientas adecuadamente entrenadas y probadas" [6]. 

‍

Para combatir la actual falta de estandarización, la organización sin ánimo de lucro MITRE Corporation propuso un Expediente Sanitario Estándar (SHR). Con él se perfilaría una forma específica, de alta calidad y computable de recopilar información sobre los pacientes. Por desgracia, debido a los elevados costes de adopción, el incentivo para implantar el SHR y colaborar es escaso.

‍

‍

Cuestiones de interoperabilidad

‍

Cuando se busca algo en Internet, los resultados son automáticos. El proceso es 100% idéntico para cualquiera que haga la misma búsqueda. Google utiliza la IA para estas consultas y diferentes palabras clave generarán resultados diferentes. Este tipo de interoperabilidad no existe actualmente en los centros sanitarios. 

‍

Como ya se ha dicho, los médicos no disponen de un método normalizado de registro. No hay una forma sistemática de introducir datos en sistemas electrónicos o bases de datos. Incluso si dos médicos utilizaran las mismas métricas para medir los datos de los pacientes, los detalles sobre los niveles individuales de estrés, sueño y dieta no se recogen de forma rutinaria. Y, sin embargo, estos factores pueden influir en las afecciones o enfermedades subyacentes. 

‍

En la actualidad, esto crea métricas de rendimiento incompatibles para las aplicaciones de IA. La información recopilada no es completa ni uniforme en las distintas bases de datos, lo que puede sesgar significativamente las respuestas y predicciones del aprendizaje automático. Cuando los datos no se pueden interpretar, no se pueden utilizar con seguridad. 

‍

En 2019, cerca del 75 % de los centros sanitarios indicaron que estaban "más allá de un nivel fundacional de interoperabilidad, es decir, la capacidad de intercambiar datos entre sistemas de registro, pero no necesariamente de poder interpretar la información" [11]. 

‍

Para un uso más eficaz de la IA basada en la atención sanitaria, los modelos y resultados del aprendizaje profundo deben integrarse fácilmente en el flujo de trabajo de todos los profesionales médicos. Los datos médicos deben ser compatibles en diferentes plataformas para mejorar la interoperabilidad y el acceso. 

‍

‍

Datos de baja calidad para validar la IA

‍

La digitalización de los expedientes de los pacientes ha creado un gran conjunto de datos, pero los segmentos a los que van dirigidos siguen siendo increíblemente pequeños. Los ensayos clínicos sobre el uso de la IA en el sector sanitario también son limitados, con sujetos que oscilan entre 50 y 1.000 pacientes [1]. Aunque existan datos de millones de personas, después de filtrar los resultados en función de los síntomas, las métricas o los datos demográficos, es posible que los resultados solo abarquen unos cientos de miles o menos [1]. Y eso en el mejor de los casos. Lo que suele ocurrir es que los datos no se transfieren entre centros, debido a la falta de interoperabilidad. Esto reduce aún más la normalización de la investigación y la información sobre los pacientes.

‍

Por lo tanto, uno de los mayores retos a la hora de desarrollar y probar modelos potenciales para la IA en la atención sanitaria es la falta de datos de calidad utilizados para desarrollar herramientas de aprendizaje automático. Cuando la IA se construye utilizando datos de fuentes desconocidas o de individuos infrarrepresentados, puede sesgar el proceso de aprendizaje profundo y, por tanto, alterar los resultados [7]. 

‍

Un ejemplo interesante de esto es cuando la IA desarrollada para COVID-19 utilizó un conjunto de datos que, según un artículo de Technology Review, "contenía escáneres torácicos de niños que no tenían covid como ejemplos del aspecto de los casos no covídicos" [6]. El resultado fue una IA que aprendió a identificar a los niños, no al propio covid.  

‍

Este es un problema común de la IA en el sector sanitario. Cuando las herramientas de aprendizaje automático utilizan datos de mala calidad, no obtienen una representación exacta de los datos del mundo real. 

‍

También cometen errores en cuanto a correlación frente a causalidad. Disponer de mejores datos influiría enormemente en el éxito de las futuras herramientas. Crearía una IA médica que no estaría sesgada ni parcializada y permitiría mejores predicciones basadas en circunstancias individuales.  

‍

Una de las mejores formas de mejorar la calidad de los datos es crear un método estandarizado de recopilación y análisis. Los "lagos de datos conectados", datos sin restricciones esquemáticas, podrían ayudar a conseguirlo [8]. De lo contrario, los datos que no estén adecuadamente formateados o documentados seguirán obstaculizando el proceso de la IA relacionada con la atención sanitaria y sus posibles aplicaciones. 

‍

‍

Errores de diagnóstico

‍

La negligencia médica es responsable de miles de muertes innecesarias cada año. En Estados Unidos, es responsable de una media de entre 40.000 y 80.000 muertes al año [5]. En Alemania, la negligencia médica es responsable de hasta 19.000 muertes al año [12]. Muchas de estas negligencias se deben a errores durante el diagnóstico. Aunque la integración de herramientas de IA podría mejorar la precisión de los diagnósticos, no es un sistema infalible. 

‍

Estas deficiencias salieron a la luz tras la realización de dos importantes estudios para evaluar las herramientas de IA predictiva desarrolladas recientemente en el ámbito de la atención sanitaria. Laure Wynants y sus colegas evaluaron 232 algoritmos diferentes para diagnosticar pacientes y predecir la gravedad de su enfermedad, y ninguno de ellos resultó adecuado para su uso clínico [7]. 

‍

Se obtuvieron resultados similares en las herramientas de IA creadas para ayudar a diagnosticar la COVID-19 y predecir el riesgo de los pacientes. Una revisión científica llevada a cabo por Derek Driggs y sus colegas examinó 415 modelos diferentes de aprendizaje automático, principalmente los que giraban en torno al diagnóstico y las predicciones de COVID-19. De nuevo, descubrió que ninguno era apto para uso clínico [7]. Algunas herramientas desarrolladas para la COVID-19 crearon incluso desigualdad y sesgo en relación con la ciencia de datos debido a la falta de muestreo de ciertos grupos -como las minorías o las personas con un estatus socioeconómico bajo- [6]. Según los investigadores, esto podría dar lugar a "investigaciones y políticas sesgadas que exacerban las desigualdades preexistentes" [6]. 

‍

Aunque estas revisiones determinaron que las herramientas de IA no estaban listas para su uso clínico, tanto Wynants como Driggs creen que la IA tiene potencial para ayudar al sector sanitario. Solo hace falta crearla y probarla de la forma adecuada. 

‍

Obstáculos para la ética y la reglamentación

‍

Cuando los médicos cometen un error o no proporcionan el nivel de atención estándar, pueden ser demandados por negligencia médica. Los errores relacionados con la atención sanitaria pueden ser de vida o muerte, pero ¿quién es responsable si el error se produce debido al procesamiento de IA? Esto plantea una cuestión de ética y regulación. 

‍

Las normativas establecidas por las leyes de privacidad exigen transparencia, lo que puede afectar al éxito del desarrollo de la IA en los distintos países. Dado que cada país o región debe cumplir una normativa específica, es difícil agregar datos sin cruzar una línea ética (y a veces ilegal). Además, los hospitales suelen firmar acuerdos de confidencialidad con los proveedores de IA médica, lo que les impide hablar de los algoritmos o el software que utilizan [6]. Esto complica aún más las cuestiones normativas. 

‍

En un esfuerzo por aumentar la transparencia, la Organización Mundial de la Salud ha publicado recientemente el documento Ética y gobernanza de la inteligencia artificial para la salud. Su objetivo es identificar los retos y riesgos éticos y esboza seis principios consensuados para garantizar que la IA funcione en beneficio público de todos los países. También incluye recomendaciones para la gobernanza de la IA y la rendición de cuentas. 

‍

‍

Modelos de procesamiento de caja negra

‍

Cuantos más datos procesa la IA, más complicado se vuelve el algoritmo. Cuanto más complicado (o minucioso) sea el algoritmo, mejor será el resultado. Por tanto, más datos = mejores resultados. Sin embargo, cuanto más complejo se vuelve este proceso, más difícil es para el personal sanitario comprender cómo o por qué las herramientas de IA obtuvieron sus resultados. Esto dificulta la determinación de los siguientes pasos. 

‍

Las herramientas de IA funcionan en una "caja negra", por lo que suele haber una gran falta de transparencia, especialmente cuando se utilizan modelos de aprendizaje profundo. Muchos profesionales sanitarios no saben qué se mide ni cómo. Esto plantea la cuestión de la eficacia y la precisión. El problema de la caja negra es la principal razón por la que la gente duda en confiar y aceptar el uso de la IA en la atención sanitaria.

La IA explicable(XAI) se creó para resolver este problema. Los métodos XAI justifican cómo han llegado a una solución concreta [2]. Sin embargo, aún es necesario un mayor desarrollo para superar por completo el problema de la transparencia. 

‍

Problemas de privacidad y propiedad de los datos 

‍

La Ley de Portabilidad y Responsabilidad de los Seguros Sanitarios (HIPPA) se creó con cuatro objetivos principales. Estos objetivos incluyen:

‍

• " Garantizar la portabilidad del seguro de enfermedad eliminando el bloqueo del empleo debido a enfermedades preexistentes
• Reducir el fraude y los abusos en la asistencia sanitaria
• Cumplimiento de las normas sobre información sanitaria
• Garantizar la seguridad y la privacidad de la información sanitaria" [9].

‍

También hay varias leyes estrictas de privacidad en vigor, especialmente para los datos sanitarios recogidos en los países europeos. El Reglamento General de Protección de Datos (RGPD) protege los datos personales, lo que hace extraordinariamente difícil, si no imposible, compartirlos para su uso en el desarrollo de la IA. Algunas organizaciones incluso han sido demandadas por presunto incumplimiento de determinadas normas de privacidad. 

‍

La tecnología de IA debe protegerse y asegurarse para preservar la privacidad de los datos de los pacientes. Sin embargo, los datos de IA también deben seguir a los pacientes a lo largo de un programa de atención a largo plazo. Esto es necesario para comprender mejor los factores de riesgo, las condiciones médicas, los síntomas y los efectos a largo plazo. Este enfoque longitudinal de la investigación requiere un compromiso continuo, lo que resulta difícil con la normativa sobre privacidad. La cosa se complica aún más si el paciente se traslada de un lugar (o país) a otro. 

‍

‍

Posibles aplicaciones futuras de la IA en la sanidad

‍

Si los investigadores consiguen superar los retos señalados, las herramientas de IA podrían revolucionar el sector sanitario. Podrían ayudar a los médicos a identificar a los pacientes con riesgo de desarrollar enfermedades crónicas o complicaciones graves, mejorar el proceso general de diagnóstico y crear una red de conocimientos compartidos a disposición de médicos de todo el mundo. Esto podría salvar vidas, reducir el coste de la atención médica y mejorar la experiencia general del paciente.

Mayor accesibilidad, menor coste

‍

Algunas herramientas de IA podrían agregar y analizar millones de datos de pacientes. Otras herramientas podrían analizar los consejos o la experiencia de cientos de miles de médicos de todo el mundo. Combinadas, estas herramientas podrían revolucionar la forma en que se realizan los diagnósticos y se administran los tratamientos. 

‍

Es improbable que las herramientas de IA lleguen a sustituir por completo a los médicos, pero podrían ayudar a los profesionales de la medicina a destacar en ámbitos asistenciales de otro modo inaccesibles. Las herramientas de IA podrían ayudar a ampliar el alcance y las capacidades de los médicos, aumentando así su capacidad para atender a millones de pacientes. La IA médica también puede ayudar a reducir el coste de la atención sanitaria.

‍

Tareas administrativas

‍

Una de las aplicaciones más probables de la tecnología de IA en el sector sanitario son las tareas administrativas o mundanas. La IA podría utilizarse para captar el habla en directo y dictar información importante en un formato de nota estandarizado. A continuación, las notas podrían cargarse en bases de datos. Esto ayudaría a los médicos a centrarse más en sus pacientes y menos en tomar notas. 

‍

La IA médica tiene el potencial de aumentar la concentración de los médicos y los casos individuales, lo que puede ayudar a reducir los errores médicos y mejorar la atención al paciente. Con la información recopilada durante las reuniones, los dispositivos de inteligencia aumentada serían más beneficiosos si se utilizaran en colaboración. Es poco probable que la IA llegue a sustituir a los médicos. Al contrario, los complementaría y aumentaría utilizando sus puntos fuertes únicos. 

‍

‍

Seguimiento de pacientes de alto riesgo y predicción de síntomas

‍

Un procesamiento más rápido del diagnóstico mejora la atención y la comodidad del paciente. También permite la identificación y el seguimiento continuos de los pacientes de alto riesgo. VitalEye es una solución de IA que ya está en uso. Gracias a la tecnología de visión por ordenador, la respiración puede detectarse y controlarse rápidamente, lo que reduce el tiempo de preparación del paciente a menos de un minuto [8]. Los dispositivos portátiles pueden seguir controlando la salud de los pacientes a distancia. 

‍

Otros sistemas podrían utilizar los documentos médicos y los resultados diagnósticos de los pacientes para ayudar a predecir la mortalidad, los cuidados hospitalarios prolongados o el riesgo de necesitar cuidados intensivos [10]. Los dispositivos vestibles pueden mejorar la predicción precoz de síntomas, lo que podría ayudar a evaluar el riesgo de que se produzcan complicaciones. Esto podría ser especialmente útil para pacientes con cardiopatías o en rehabilitación por ictus. Los dispositivos wearable también pueden utilizarse para ayudar a las empresas decriónica a recibir notificaciones cuando un afiliado se encuentra en estado crítico o si sus latidos se detienen. Esto podría contribuir a una criopreservación de mayor calidad.

‍

Detección y diagnóstico de infecciones

‍

Las herramientas estratégicas de IA podrían mejorar aún más el proceso de evaluación diagnóstica o detección de infecciones. Los modelos de aprendizaje profundo podrían analizar mayores volúmenes de datos, imágenes y exploraciones de pacientes para ayudar a proporcionar información sobre posibles diagnósticos. Los sistemas en red pueden trabajar con diversas tomografías computerizadas para mejorar la detección de infecciones y el diagnóstico de enfermedades. 

‍

Aunque todavía existen retos, la IA médica tiene el potencial de ayudar a agilizar el proceso de diagnóstico. Esto ya se está haciendo realidad. Pensemos en el equipo de investigadores de Philips y el Centro Médico Universitario de Leiden(LUMC). Desarrollaron un modelo de aprendizaje profundo que permitió realizar imágenes de resonancia magnética ocho veces más rápido que los estándares actuales [8]. 

‍

Actualmente se están probando muchas aplicaciones reales de esta tecnología. Por ejemplo, un nuevo estudio muestra que combinando la IA con la tecnología de imagen avanzada se pueden diagnosticar tumores cerebrales en menos de tres minutos durante una intervención quirúrgica [15]. 

‍

Investigadores de la Universidad de Tulane también descubrieron que "la IA puede detectar y diagnosticar con precisión el cáncer colorrectal... tan bien o mejor que los patólogos" [13]. Esta detección puede realizarse antes y con mayores índices de precisión. 

‍

Las aplicaciones se extienden también a otros tipos de cáncer. Un estudio dirigido por investigadores de la Universidad de Nueva York descubrió que las herramientas de IA "aumentaban en un 37% la capacidad de los radiólogos para identificar con precisión el cáncer de mama" [14]. Esta mejora en la detección también fue acompañada de una disminución del tejido necesario para la toma de muestras. 

‍

Criopreservación

‍

La inteligencia artificial también podría ayudar a mejorar el campo de la crioconservación. La criopreservación preserva células y tejidos reduciendo la temperatura del núcleo a niveles bajo cero sin formación de hielo. Sin embargo, este proceso plantea actualmente varios retos, sobre todo en lo que respecta al daño celular y la viabilidad tras el recalentamiento. 

‍

La IA podría ayudar a identificar qué agentes crioprotectores utilizar en función del material biológico y las condiciones de almacenamiento. Los avances tecnológicos y la IA también pueden permitir la automatización durante el uso del nitrógeno líquido, mejorando así la seguridad general en los laboratorios [16]. Empresas como Future Fertility ya utilizan la IA para mejorar las predicciones sobre el éxito de la fecundación a partir de óvulos crioconservados.

‍

Siento interrumpirle... pero tenemos más contenido interesante

Parece que este artículo te ha gustado lo suficiente como para llegar al final. Mantente a la vanguardia y al día de las últimas noticias sobre criónica y temas relacionados.

IdiomaInglésDeutschItalianoFrançaisInglés

Acepto las términos y condiciones y política de privacidad

Muchas gracias. ¡El contenido relevante está en camino!

¡Uy! Algo ha ido mal al enviar el formulario.

‍

Desarrollo y análisis de fármacos 

‍

Por último, la superación de los retos actuales a los que se enfrenta la IA en la atención sanitaria podría ayudar a acelerar el desarrollo de fármacos, especialmente en situaciones de emergencia (por ejemplo, pandemias mundiales). Las herramientas de IA podrían reducir el tiempo necesario para descubrir, desarrollar y analizar nuevos fármacos o tratamientos. Esto permitiría acelerar su uso en toda la población y podría salvar millones de vidas. 

‍

Conclusión

‍

Aunque las perspectivas de aplicación de la IA en la atención sanitaria son muy amplias, es necesario abordar los retos antes de poder avanzar. La IA utilizada en el ámbito médico debe cumplir ciertas normas éticas, proteger la identidad y los datos de los pacientes y estar estandarizada para optimizar la aplicación de la interoperabilidad. Una vez superados estos retos, el sector sanitario podría verse revolucionado.

‍

Quién sabe, las herramientas de IA pueden incluso ayudar a progresar en el desarrollo de la tecnología de criopreservación y las aplicaciones actuales de criopreservación más de lo que podríamos imaginar. Mientras tanto, si tiene alguna pregunta sobre Biostasis, no dude en concertar una llamada con nosotros. Y, si ahora te sientes preparado para unirte a nuestra comunidad, ¡regístrate aquí!

‍

‍

‍

‍

‍

Referencias

[1] Asar, A. (2022, 21 de abril). AI In Healthcare Presents Unique Challenges And Amazing Opportunities. Forbes. https://www.forbes.com/sites/forbestechcouncil/2021/11/22/ai-in-healthcare-presents-unique-challenges-and-amazing-opportunities/?sh=444832bb107b 

[2] Dilmegani, C. (2022, 4 de julio). Los 4 principales retos de la IA en la sanidad y cómo superarlos. AIMultiple. https://research.aimultiple.com/challenges-of-ai-in-healthcare/ 

[3] Anderson, J. G. (2017). IOS Press Ebooks - Su asistencia sanitaria puede matarle: Errores Médicos. Https://Pubmed.Ncbi.Nlm.Nih.Gov/28186008/ 

[4] Watari, T. (2021, 15 de septiembre). Malpractice Claims of Internal Medicine Involving Diagnostic and System Errors in Japan. 2021 por la Sociedad Japonesa de Medicina Interna. https://www.jstage.jst.go.jp/article/internalmedicine/60/18/60_6652-20/_article 

[5] Renfrow, J. (2019, 11 de julio). 1 de cada 3 diagnósticos erróneos resulta en lesiones graves o muerte: estudio. Fierce Healthcare. https://www.fiercehealthcare.com/hospitals-health-systems/jhu-1-3-misdiagnoses-results-serious-injury-or-death 

[6] Instituto Alan Turing. (2020). Data science and AI in the age of COVID-19. https://www.turing.ac.uk/sites/default/files/2021-06/data-science-and-ai-in-the-age-of-covid_full-report_2.pdf 

[7] Heaven, W. D. (2022, 6 de abril). Se han creado cientos de herramientas de IA para atrapar al cóvido. Ninguna ayudó. MIT Technology Review. https://www.technologyreview.com/2021/07/30/1030329/machine-learning-ai-failed-covid-hospital-diagnosis-pandemic/ 

[8] Dickson, B. (2021, 19 de febrero). Afrontar los retos de la IA en la atención sanitaria. TechTalks. https://bdtechtalks.com/2021/02/17/ai-healthcare-tina-manoharan-philips/ 

[9] Destrucción de documentos de vanguardia. (2011, 24 de noviembre). Health Insurance Portability & Accountability Act (HIPAA) | Cutting Edge Document Destruction. https://cuttingedgedd.com/legislation/health-insurance-portability-accountability-act-hipaa/ 

[10] Mirin, K. (2021, 2 de diciembre). Implantación de la IA en la sanidad: Retos y potencial. PostIndustria. https://postindustria.com/implementation-of-ai-in-healthcare-challenges-and-potential/ 

[11] Sullivan, T. (2019, 1 de abril). Interoperabilidad: 3 gráficos toman el pulso al intercambio de datos sanitarios en la actualidad. Healthcare IT News. https://www.healthcareitnews.com/news/interoperability-3-charts-take-pulse-health-data-sharing-today 

[12] Estudio: Un error hospitalario mata a 20.000 personas cada año. (2014, 21 de enero). The Local Germany. https://www.thelocal.de/20140121/more-die-from-hospital-mistakes-than-on-roads/

[13] McNemar, E. (2021, 29 de noviembre). Top Opportunities for Artificial Intelligence to Improve Cancer Care. HealthITAnalytics. https://healthitanalytics.com/features/top-opportunities-for-artificial-intelligence-to-improve-cancer-care 

[14] McNemar, E. (2021a, 28 de septiembre). Improving Breast Cancer Imaging with Artificial Intelligence. HealthITAnalytics. https://healthitanalytics.com/news/improving-breast-cancer-imaging-with-artificial-intelligence 

[15] Personal del NCI. (2020, 12 de febrero). La inteligencia artificial agiliza el diagnóstico de tumores cerebrales. Instituto Nacional del Cáncer. https://www.cancer.gov/news-events/cancer-currents-blog/2020/artificial-intelligence-brain-tumor-diagnosis-surgery 

[16] Parker, S. (2022, 15 de junio). La Inteligencia Artificial es Esencial para el Futuro de la Criopreservación. Colectivo SmartData. https://www.smartdatacollective.com/artificial-intelligence-is-essential-to-future-of-cryopreservation/