Técnicas de diagnóstico
La inteligencia artificial: ¿reemplazará al dermatólogo para hacer diagnósticos?
Artificial intelligence: Will replace the dermatologist making diagnoses?
Mariángeles Jofre
, Alejandra Abeldaño
Autor para correspondencia
Unidad de Dermatología, Hospital General de Agudos Dr. Cosme Argerich, Buenos Aires, Argentina
Leído
347
Vecesse ha leído el artículo
130
Total PDF
217
Total HTML
Compartir estadísticas
array:22 [ "pii" => "S021392512030321X" "issn" => "02139251" "doi" => "10.1016/j.piel.2020.06.003" "estado" => "S300" "fechaPublicacion" => "2021-05-01" "aid" => "2117" "copyrightAnyo" => "2020" "documento" => "article" "crossmark" => 1 "subdocumento" => "sco" "cita" => "Piel. 2021;36:331-5" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "itemSiguiente" => array:17 [ "pii" => "S0213925120302562" "issn" => "02139251" "doi" => "10.1016/j.piel.2020.05.005" "estado" => "S300" "fechaPublicacion" => "2021-05-01" "aid" => "2080" "documento" => "article" "crossmark" => 1 "subdocumento" => "sco" "cita" => "Piel. 2021;36:336-9" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "es" => array:11 [ "idiomaDefecto" => true "cabecera" => "<span class="elsevierStyleTextfn">Terapéutica dermatológica</span>" "titulo" => "Abordaje práctico de las malformaciones linfáticas" "tienePdf" => "es" "tieneTextoCompleto" => "es" "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "336" "paginaFinal" => "339" ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Practical management of lymphatic malformations" ] ] "contieneTextoCompleto" => array:1 [ "es" => true ] "contienePdf" => array:1 [ "es" => true ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:8 [ "identificador" => "f0005" "etiqueta" => "Figura 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 2095 "Ancho" => 2768 "Tamanyo" => 265656 ] ] "detalles" => array:1 [ 0 => array:3 [ "identificador" => "al0005" "detalle" => "Figura " "rol" => "short" ] ] "descripcion" => array:1 [ "es" => "<p id="sp0005" class="elsevierStyleSimplePara elsevierViewall">Esquema de la vía de señalización predominante implicada en las malformaciones linfáticas.</p>" ] ] ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "Jesús del Pozo Losada, Manuel Gómez Tellado" "autores" => array:2 [ 0 => array:2 [ "nombre" => "Jesús" "apellidos" => "del Pozo Losada" ] 1 => array:2 [ "nombre" => "Manuel" "apellidos" => "Gómez Tellado" ] ] ] ] ] "idiomaDefecto" => "es" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0213925120302562?idApp=UINPBA00004N" "url" => "/02139251/0000003600000005/v1_202104280748/S0213925120302562/v1_202104280748/es/main.assets" ] "itemAnterior" => array:17 [ "pii" => "S0213925120304731" "issn" => "02139251" "doi" => "10.1016/j.piel.2020.12.004" "estado" => "S300" "fechaPublicacion" => "2021-05-01" "aid" => "2194" "documento" => "article" "crossmark" => 1 "subdocumento" => "crp" "cita" => "Piel. 2021;36:329-30" "abierto" => array:3 [ "ES" => false "ES2" => false "LATM" => false ] "gratuito" => false "lecturas" => array:1 [ "total" => 0 ] "es" => array:10 [ "idiomaDefecto" => true "cabecera" => "<span class="elsevierStyleTextfn">Caso para el diagnóstico. Solución</span>" "titulo" => "Placa eritematosa periocular. Diagnóstico y comentario" "tienePdf" => "es" "tieneTextoCompleto" => "es" "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "329" "paginaFinal" => "330" ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Periocular erythematous plaque. Diagnosis and comment" ] ] "contieneTextoCompleto" => array:1 [ "es" => true ] "contienePdf" => array:1 [ "es" => true ] "autores" => array:1 [ 0 => array:2 [ "autoresLista" => "Pilar Targize Vaquero, Paloma Civetta, Karina Latorre" "autores" => array:3 [ 0 => array:2 [ "nombre" => "Pilar" "apellidos" => "Targize Vaquero" ] 1 => array:2 [ "nombre" => "Paloma" "apellidos" => "Civetta" ] 2 => array:2 [ "nombre" => "Karina" "apellidos" => "Latorre" ] ] ] ] ] "idiomaDefecto" => "es" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S0213925120304731?idApp=UINPBA00004N" "url" => "/02139251/0000003600000005/v1_202104280748/S0213925120304731/v1_202104280748/es/main.assets" ] "es" => array:14 [ "idiomaDefecto" => true "cabecera" => "<span class="elsevierStyleTextfn">Técnicas de diagnóstico</span>" "titulo" => "La inteligencia artificial: ¿reemplazará al dermatólogo para hacer diagnósticos?" "tieneTextoCompleto" => true "paginas" => array:1 [ 0 => array:2 [ "paginaInicial" => "331" "paginaFinal" => "335" ] ] "autores" => array:1 [ 0 => array:4 [ "autoresLista" => "Mariángeles Jofre, Alejandra Abeldaño" "autores" => array:2 [ 0 => array:4 [ "nombre" => "Mariángeles" "apellidos" => "Jofre" "email" => array:1 [ 0 => "jofremariangeles@hotmail.com" ] "referencia" => array:1 [ 0 => array:2 [ "etiqueta" => "<span class="elsevierStyleSup">*</span>" "identificador" => "cr0005" ] ] ] 1 => array:2 [ "nombre" => "Alejandra" "apellidos" => "Abeldaño" ] ] "afiliaciones" => array:1 [ 0 => array:2 [ "entidad" => "Unidad de Dermatología, Hospital General de Agudos Dr. Cosme Argerich, Buenos Aires, Argentina" "identificador" => "af0005" ] ] "correspondencia" => array:1 [ 0 => array:3 [ "identificador" => "cr0005" "etiqueta" => "⁎" "correspondencia" => "Autor para correspondencia." ] ] ] ] "titulosAlternativos" => array:1 [ "en" => array:1 [ "titulo" => "Artificial intelligence: Will replace the dermatologist making diagnoses?" ] ] "resumenGrafico" => array:2 [ "original" => 0 "multimedia" => array:8 [ "identificador" => "f0005" "etiqueta" => "Figura 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 1182 "Ancho" => 1742 "Tamanyo" => 215121 ] ] "detalles" => array:1 [ 0 => array:3 [ "identificador" => "al0005" "detalle" => "Figura " "rol" => "short" ] ] "descripcion" => array:1 [ "es" => "<p id="sp0005" class="elsevierStyleSimplePara elsevierViewall">Una red de neuronas artificiales es un grupo de nodos («neuronas») interconectados entre sí (semejando la conexión axonal). Cada nodo se ve representado por un cuadrado y sus conexiones por flechas.</p>" ] ] ] "textoCompleto" => "<span class="elsevierStyleSections"><span id="s0005" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="st0015">Introducción</span><p id="p0005" class="elsevierStylePara elsevierViewall">La explosión en la generación de datos digitales, las mejoras en el diseño de algoritmos y los avances sustanciales en hardware de computación contribuyen de forma substancial al auge de la inteligencia artificial (IA). Su uso se vuelve cada vez más rutinario. Podemos encontrarla en sistemas de transcripción de voz, sistemas de recomendación y sistemas de reconocimiento de imágenes. Es una herramienta de selección y clasificación que constituye una gran promesa para mejorar la detección del cáncer de piel. Se basa en sistemas de autoaprendizaje que prometen aportar un diagnóstico precoz, menos procedimientos innecesarios, menos morbilidad, mejores resultados para el paciente y un menor coste para el sistema de salud.</p><p id="p0010" class="elsevierStylePara elsevierViewall">Realizamos una revisión bibliográfica para explicar cómo funciona la IA, sus orígenes y sus avances en el ámbito de la dermatología, cómo puede influir en la profesión médica y qué valores éticos se pueden destacar en el uso racional de las nuevas tecnologías. Además, generamos una crítica y puntos de vista sobre el tema, recalcamos la importancia del trabajo médico, sus valores y los beneficios del trabajo en conjunto con esta ciencia.</p></span><span id="s0010" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="st0020">Definición de inteligencia artificial y sistemas inteligentes</span><p id="p0015" class="elsevierStylePara elsevierViewall">La IA es una ciencia que ya se utiliza y se aplica con éxito en el ámbito de la salud para ayudar al médico a hacer diagnósticos, supervisar la condición de los pacientes, administrar tratamientos y preparar estudios estadísticos. Comprende la simulación de la inteligencia humana (comprender, comparar, analizar, seriar, inferir, memorizar, entre otros) y el diseño de máquinas inteligentes. Es un campo de estudio muy amplio y en constante cambio, que busca explicar y emular el comportamiento inteligente en términos de procesos computacionales<a class="elsevierStyleCrossRef" href="#bb0005"><span class="elsevierStyleSup">1</span></a>. Su producto final es siempre un software. Estos programas, producto del trabajo de la IA, son denominados Sistemas Inteligentes (SI). Un SI incorpora conocimiento tomado de la experiencia de expertos humanos. Un SI partirá de datos y los convertirá en información (conocimiento), de modo que ayude a tomar una decisión<a class="elsevierStyleCrossRef" href="#bb0010"><span class="elsevierStyleSup">2</span></a>. Para convertir los datos en información útil, empleará algoritmos de razonamiento, aprendizaje, evolución, etc. Además, el SI actuará siempre en tiempo real, lo que representa un aumento de la productividad<a class="elsevierStyleCrossRefs" href="#bb0005"><span class="elsevierStyleSup">1–3</span></a>. La característica entonces fundamental de estos sistemas es que aprenden a partir de ejemplos y no son programados con reglas<a class="elsevierStyleCrossRefs" href="#bb0020"><span class="elsevierStyleSup">4,5</span></a>.</p></span><span id="s0015" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="st0025">Cómo funciona la inteligencia artificial</span><p id="p0020" class="elsevierStylePara elsevierViewall">Los sistemas de IA funcionan mediante el reconocimiento de imágenes a través de patrones<a class="elsevierStyleCrossRef" href="#bb0010"><span class="elsevierStyleSup">2</span></a>. Esto se logra a partir de redes neuronales convolucionales (CNN, del inglés <span class="elsevierStyleItalic">Convolutional Neural Network</span>) previamente entrenadas<a class="elsevierStyleCrossRefs" href="#bb0005"><span class="elsevierStyleSup">1,3,5,6</span></a>. La denominación de redes se debe a que la información está interconectada entre sí; neuronal porque asemeja el funcionamiento de una neurona; y convolucional porque filtra una imagen usando una máscara o filtro, y así diferentes máscaras producen distintos resultados.</p><p id="p0025" class="elsevierStylePara elsevierViewall">Los primeros modelos de neuronas artificiales fueron propuestos por McCulloch y Pitts en el año 1943. A través del estudio exhaustivo de la configuración y el funcionamiento neuronal, imitaron de forma simplificada este modelo, con una <span class="elsevierStyleItalic">n</span> cantidad de entradas y solo una de salida, dando por resultado solo 2 opciones posibles<a class="elsevierStyleCrossRef" href="#bb0035"><span class="elsevierStyleSup">7</span></a>.</p><p id="p0030" class="elsevierStylePara elsevierViewall">Podría definirse a las redes neuronales como un conjunto de cálculos simples, que se adaptan y se interconectan de forma masiva en paralelo y jerárquicamente, lo que les permite interactuar con otros modelos del mismo modo<a class="elsevierStyleCrossRef" href="#bb0035"><span class="elsevierStyleSup">7</span></a>. Inspirados por los sistemas biológicos nerviosos, funcionan a partir de nodos o neuronas interconectadas entre sí<a class="elsevierStyleCrossRefs" href="#bb0005"><span class="elsevierStyleSup">1,4</span></a>. Cada unidad neuronal, de forma individual, opera empleando funciones de suma. Constituyen la unidad básica de la red que recibe la información, la integra, la computa y emite una salida que se va a transmitir a otras neuronas posteriores. Puede existir una función limitadora o umbral en cada conexión y en la propia unidad, de tal modo que la señal debe sobrepasar un límite antes de propagarse a otra neurona. Estos sistemas aprenden y se forman a sí mismos, en lugar de ser programados de forma explícita. Estas redes neuronales suelen disponerse en varias capas, y la señal suele transmitirse de adelante hacia atrás, aunque los sistemas más modernos pueden realizar esto en múltiples direcciones. Un sistema ejemplar posee 3 capas: la primera tiene neuronas de entrada (<span class="elsevierStyleItalic">input</span>) que envían datos a las neuronas de la segunda capa (escondidas o <span class="elsevierStyleItalic">hidden</span>), y luego a través de más conexiones a la tercera capa o neuronas de salida (<span class="elsevierStyleItalic">output</span>) (<a class="elsevierStyleCrossRef" href="#f0005">fig. 1</a>)<a class="elsevierStyleCrossRef" href="#bb0005"><span class="elsevierStyleSup">1</span></a>.</p><elsevierMultimedia ident="f0005"></elsevierMultimedia><p id="p0035" class="elsevierStylePara elsevierViewall">Para entender mejor este proceso, pasamos a ejemplificarlo. Se entrenan ordenadores para el reconocimiento de lesiones que podrían ser melanoma a través de un conjunto de imágenes donde cada una posee características que fueron señaladas previamente (por un profesional) y que luego ayudarán al sistema a identificarlas para poder clasificarlas<a class="elsevierStyleCrossRef" href="#bb0040"><span class="elsevierStyleSup">8</span></a>. Por ejemplo, se entrena al ordenador para identificar la irregularidad de una lesión y su asimetría. Con estos datos de entrenamiento, la red puede comenzar a procesar las características específicas de las imágenes para asociarlas a la categoría correspondiente<a class="elsevierStyleCrossRefs" href="#bb0045"><span class="elsevierStyleSup">9,10</span></a>.</p><p id="p0040" class="elsevierStylePara elsevierViewall">Cada capa de la red toma datos de la capa anterior, los transforma y los pasa. Esto logra aumentar la complejidad y el detalle de la información transmitida capa a capa. Este paralelismo que se produce entre las capas posee varias ventajas: a) Aprendizaje adaptativo: aprende a realizar tareas basadas en un entrenamiento o experiencia inicial; b) Autoorganización: durante la etapa de aprendizaje, una red neuronal puede crear su propia organización o representación de la información que recibe; c) Tolerancia a los fallos: gracias a la capacidad de distribución de la información (redundante), si una red falla o se destruye, algunas capacidades se pueden retener, incluso ante daños considerables; d) Capacidad de generalización: ante el ingreso de nuevos datos, es capaz de producir resultados coherentes de acuerdo con la naturaleza del problema para el cual han sido entrenadas; e) Operación en tiempo real: el cómputo neuronal puede realizarse en paralelo.</p><p id="p0045" class="elsevierStylePara elsevierViewall">Una vez entendido cómo procesa la información, hay que considerar el tipo de problema que va a solucionar la red. Básicamente se las divide en 2 grupos: redes de clasificación y redes de evaluación. Las primeras asocian, clasifican y reconocen patrones. Las segundas deben resolver problemas, por lo que evalúan y emiten un resultado<a class="elsevierStyleCrossRef" href="#bb0005"><span class="elsevierStyleSup">1</span></a>.</p><p id="p0050" class="elsevierStylePara elsevierViewall">Para crear y desarrollar una red de neuronas artificiales existen 3 pasos. Primero se diseña la arquitectura, paso importante porque se determina el número de neuronas que tendrá la red, su disposición en capas y la conectividad entre las mismas. Luego sigue la fase de entrenamiento. En esta etapa, la red debe aprender el comportamiento que debe tener, es decir, dar la respuesta adecuada a la configuración de patrones de entrada que se le presenten. Así la red puede modificar sus conexiones y las adapta paulatinamente hasta dar con la respuesta adecuada. Una vez que se alcanza este momento se pasa a la fase de ejecución, durante la cual la red ya es operativa y no modifica sus conexiones<a class="elsevierStyleCrossRef" href="#bb0005"><span class="elsevierStyleSup">1</span></a>.</p></span><span id="s0020" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="st0030">Su aplicación en el campo de la dermatología</span><p id="p0055" class="elsevierStylePara elsevierViewall">Con el advenimiento de la telefonía celular, hoy se puede tener acceso a estos sistemas a partir de las aplicaciones móviles<a class="elsevierStyleCrossRef" href="#bb0055"><span class="elsevierStyleSup">11</span></a>. Se conocen más de 13.000 aplicaciones vinculadas a la salud descargables para <span class="elsevierStyleItalic">smartphones</span> y otros equipos, gratis o con mínimos costes (US$1-5)<a class="elsevierStyleCrossRef" href="#bb0060"><span class="elsevierStyleSup">12</span></a>. La mayoría de las aplicaciones brindan información al paciente sobre la enfermedad. Otras son de uso médico y asisten en el diagnóstico, seguimiento y/o tratamiento de la misma<a class="elsevierStyleCrossRefs" href="#bb0060"><span class="elsevierStyleSup">12,13</span></a>. Respecto al ámbito de la dermatología, se encuentran aplicaciones para asistir al dermatólogo en enfermedades como la psoriasis, el acné, la dermatitis atópica, el melanoma, entre otras. Cabe destacar una mayor importancia respecto al melanoma debido a que es el cáncer de piel que más muertes produce y cuyo diagnóstico precoz tiene una sobrevida sumamente alta (94%)<a class="elsevierStyleCrossRefs" href="#bb0015"><span class="elsevierStyleSup">3,14,15</span></a>.</p><p id="p0060" class="elsevierStylePara elsevierViewall">La dermatoscopia es una técnica no invasiva que mejora considerablemente la especificidad diagnóstica, pero su exactitud depende del entrenamiento del dermatólogo<a class="elsevierStyleCrossRef" href="#bb0080"><span class="elsevierStyleSup">16</span></a> (la cual puede variar entre un 75 y 84%)<a class="elsevierStyleCrossRef" href="#bb0050"><span class="elsevierStyleSup">10</span></a>. Esta última, así como la velocidad, podrían mejorar con el uso de ordenadores, ya que son capaces de extraer cierta información, variaciones de color o asimetría y diferencias de texturas que son inaccesibles al ojo humano<a class="elsevierStyleCrossRef" href="#bb0050"><span class="elsevierStyleSup">10</span></a>, además, no se ven afectados por estados de ánimo, cansancio ni distracciones que sí pueden inferir en el accionar de una persona.</p><p id="p0065" class="elsevierStylePara elsevierViewall">Muchos de los melanomas llegan al dermatólogo por el descubrimiento del mismo paciente, de ahí el interés, tanto médico como económico, por estas aplicaciones de fácil acceso en todo el mundo. Existen 39 aplicaciones para celulares que ayudan en la detección o prevención del melanoma para usuarios generales. De estas, 19 aplicaciones permiten al paciente tomar fotos y guardarlas para su propio control o para luego mostrarlas a su dermatólogo y detectar mínimos cambios, los cuales pueden ser predictivos de melanoma. Solo 4 aplicaciones brindan información sobre el riesgo de una lesión (benigna o maligna). A pesar de que hay planes para regular estas «aplicaciones saludables», actualmente no son reguladas por la FDA. Así, Kassianos et al.<a class="elsevierStyleCrossRef" href="#bb0085"><span class="elsevierStyleSup">17</span></a>, demostraron que hay un desbalance entre la promesa que quieren cumplir los desarrolladores de estas aplicaciones y la utilidad y validez de las mismas. Hoy en día se sabe que estos sistemas convolucionales demuestran una alta sensibilidad para el <span class="elsevierStyleItalic">screening</span> diagnóstico de lesiones malignas<a class="elsevierStyleCrossRefs" href="#bb0015"><span class="elsevierStyleSup">3,14,18–20</span></a> y, muy probablemente puedan reemplazar en un futuro al dermatólogo como método de <span class="elsevierStyleItalic">screening</span> y diagnóstico para melanoma. Demostrada por primera vez por Esteva et al.<a class="elsevierStyleCrossRef" href="#bb0015"><span class="elsevierStyleSup">3</span></a>, la utilidad de las redes neuronales para clasificar enfermedades de la piel es un hecho. Hicieron coincidir a la red neuronal con el desempeño de dermatólogos en 3 áreas diagnósticas claves: melanoma, melanoma por dermatoscopia y carcinomas. Restringieron las comparaciones a la clasificación basada en imágenes. Utilizaron 129.450 imágenes dentro de las cuales 3.374 fueron imágenes dermatoscópicas, para entrenamiento y prueba, y las clasificaron en 5 grupos de lesiones cutáneas (melanomas, nevus, queratosis seborreica, carcinomas escamosos y carcinomas basocelulares). Su trabajo demostró una alta sensibilidad diagnóstica (lesiones consideradas malignas/lesiones correctamente malignas), pero tiene en contra una especificidad (lesiones consideradas benignas/lesiones correctamente benignas) que fue mucho menor, pero que superó hábilmente a los 21 dermatólogos altamente calificados seleccionados para este estudio. Concluyen que, si bien se necesita más investigación para evaluar el rendimiento en un entorno clínico con el fin de validar esta técnica, tiene la potencial capacidad de expandir la práctica de atención médica primaria y aumentar la toma de decisiones clínicas para especialistas en dermatología.</p></span><span id="s0025" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="st0035">Uso racional de los avances tecnológicos</span><p id="p0070" class="elsevierStylePara elsevierViewall">Los usuarios siempre deberán tener en cuenta que se encuentran frente a una herramienta tecnológica que ayudará en el diagnóstico o tratamiento de una enfermedad, que, si bien es cierto, puede modificar el criterio inicial del clínico sugiriendo o eliminando diagnósticos, en ningún caso ha sido diseñado para reemplazarlo. Si el usuario no dispone de los conocimientos suficientes y necesarios para indagar, explorar, detectar y tratar determinadas enfermedades, no podrá emplear la IA con la seguridad de obtener un resultado fiable. El médico debe estar igualmente capacitado para realizar el diagnóstico y el ordenador solo apoyará la decisión, al disponer de una mayor capacidad de comparación, síntesis y velocidad de procesamiento de los datos ante los síndromes nosológicos de extenso y complejo diagnóstico diferencial. Además, estos SI aprenderán de los datos cargados por especialistas que previamente hicieron el diagnóstico de las enfermedades que se quieren categorizar<a class="elsevierStyleCrossRefs" href="#bb0015"><span class="elsevierStyleSup">3,21</span></a>.</p><p id="p0075" class="elsevierStylePara elsevierViewall">A estos ordenadores se les enseña qué parámetros definen un tipo de lesión y cuáles corresponden a otra lesión diferencial. Sharma y Carter<a class="elsevierStyleCrossRef" href="#bb0030"><span class="elsevierStyleSup">6</span></a> en su editorial titulado <span class="elsevierStyleItalic">Artificial Intelligence and the Pathologist. Future Frenemies?</span>, escribieron: «Gran parte de nuestra existencia aún se basa en innovaciones que han permanecido sin cambios debido a su inherente simplicidad, aplicabilidad y veracidad al propósito (por ejemplo, la rueda), lo que demuestra el punto de que algo nuevo (y diferente) no siempre es algo mejor. Por otro lado, varias tecnologías establecidas e incumbentes se eclipsaron rápidamente (aunque de manera incompleta), a menudo dentro de una década, por parte de un retador que era más rápido, más conveniente, más barato o mejor para la necesidad (por ejemplo, el correo postal fue reemplazado por correo electrónico). En este último contexto, observamos que la tecnología de la información y la inteligencia artificial son claramente mejores en tareas repetitivas que requieren exactitud y velocidad, a lo que los seres humanos a menudo encuentran estas tareas soporíferas y en consecuencia propensas al error».</p><p id="p0080" class="elsevierStylePara elsevierViewall">La tecnificación hace avanzar sin duda alguna y de forma vertiginosa a la medicina, pero es únicamente complementaria del humanismo, legítimo, imprescindible e irremplazable dentro de esta profesión. La medicina comprende también los afectos y sentimientos, tanto del profesional como del paciente, y de la relación interpersonal que se origina entre ambos. Debemos recordar que no se trata de enfermedades, sino de enfermos. Creemos que es fundamental conceder prioridad a la relación médico-paciente y a los valores hipocráticos tradicionales y más humanistas de la profesión, no solo a la calidad científico-técnica y a los conocimientos que, a priori, se le presuponen a un médico. El querer y poder escuchar a los pacientes, mostrarles la máxima accesibilidad y cercanía en el trato, facilitarles la información clínica de una manera comprensiva, mejorar la percepción de la figura del médico como un aliado que puede solucionar o aplacar los problemas, tratar a las personas originando un clima de confianza y seguridad, es lo que mayor tranquilidad y satisfacción suscita a los pacientes. Y a la inversa, no hay mayor satisfacción para un médico que obtener el reconocimiento de sus pacientes. Hoy, la aseveración correcta debería ser «humanos <span class="elsevierStyleItalic">vs</span> ordenadores + humanos», y no «humanos <span class="elsevierStyleItalic">vs</span> ordenadores», como claramente expone Friedman<a class="elsevierStyleCrossRef" href="#bb0110"><span class="elsevierStyleSup">22</span></a> en «<span class="elsevierStyleItalic">A fundamental theorem of biomedical informatics</span>». No somos competidores por naturaleza de los ordenadores, ya que los mismos poseen dominios de competencia muy diferentes a los nuestros, lo cual es sumamente favorecedor, ya que nos convertimos en cooperadores<a class="elsevierStyleCrossRef" href="#bb0115"><span class="elsevierStyleSup">23</span></a>. La tecnología avanza y convive cada vez más con nosotros.</p><p id="p0085" class="elsevierStylePara elsevierViewall">¿Qué pasaría si la IA no solo diagnosticara un melanoma, sino que además, de acuerdo con las características del mismo, clasificara al paciente como de bajo o alto riesgo y propusiera un esquema terapéutico? La herramienta seguiría siendo sobresaliente. Este hecho disminuiría considerablemente la brecha que existe de desigualdad de información o condiciones de sistemas de salud, sobre todo en países subdesarrollados, que implican que un mismo paciente en diferentes lugares del mundo pueda recibir inmunoterapia o terapia dirigida, por ejemplo. Podría ayudar a resolver las decisiones sobre qué medicamentos dar en un caso de melanoma avanzado, sus combinaciones, primeras y segundas líneas, y según la accesibilidad de las mismas en cada país y cada paciente en forma individual, elegir la mejor opción con base en los estudios clínicos realizados.</p><p id="p0090" class="elsevierStylePara elsevierViewall">¿Podría esto mismo aplicarse a otras áreas de salud? A un paciente con antecedentes de EPOC le diagnosticaron recientemente hipertensión arterial (HTA). A otro paciente también le diagnosticaron HTA, pero no tiene el antecedente de EPOC. ¿Podrían entonces recibir la misma medicación?, ¿o sería más beneficioso para el primero recibir otra medicación que lo beneficie o que no afecte su otra enfermedad? Los sistemas de IA podrían rápidamente dilucidar esta pregunta y ofrecer a cada paciente el mejor tratamiento, sin lugar a la duda. ¿Y si además se brindara información sobre la probabilidad de eventos?, ¿podría el primer o el segundo paciente tener más probabilidad de tener un infarto agudo de miocardio por ejemplo?, ¿existe medicación que disminuya la mortalidad? Claro que sí. Esta información se puede utilizar para proporcionar recursos adicionales y utilizarlos de forma proactiva<a class="elsevierStyleCrossRef" href="#bb0020"><span class="elsevierStyleSup">4</span></a>.</p><p id="p0095" class="elsevierStylePara elsevierViewall">Incluso en el ámbito de la cirugía, las técnicas de aprendizaje automático se pueden adaptar para el análisis en tiempo real del video de campo quirúrgico para ayudar a los cirujanos a evitar estructuras anatómicas críticas o variantes inesperadas o incluso, manejar tareas más rutinarias como el conteo preciso de gasas en una cirugía. Las listas de verificación pueden evitar errores quirúrgicos, y la monitorización automatizada sin restricciones de su implementación proporciona seguridad adicional<a class="elsevierStyleCrossRef" href="#bb0020"><span class="elsevierStyleSup">4</span></a>.</p><p id="p0100" class="elsevierStylePara elsevierViewall">¿Qué pasaría si la decisión de cada profesional médico estuviera avalada o sustentada por la decisión de un comité de expertos sobre un tema en particular? Es posible que, por ejemplo, los errores en la prescripción de la medicación y las sobredosis involuntarias pudieran evitarse. Pero no habría suficientes expertos médicos para cubrir la necesidad, además, los mismos tardarían demasiado en leer el historial de un paciente y las preocupaciones relacionadas con las leyes de privacidad detendrían los esfuerzos antes de que comenzaran. Sin embargo, esta es la promesa del aprendizaje automático en medicina: la sabiduría contenida en las decisiones tomadas por casi todos los médicos y los resultados de miles de millones de pacientes.</p><p id="p0105" class="elsevierStylePara elsevierViewall">Aunque puede sonar bastante prometedor, ¿qué pasaría si hubiera una dependencia excesiva de estos modelos de IA para tomar decisiones o analizar imágenes? Creemos que podría conducir al sesgo de automatización y disminuir la vigilancia de errores por parte de los médicos. Esto es especialmente problemático si los modelos en sí mismos no son lo suficientemente interpretables para que los médicos identifiquen situaciones en las que un modelo está dando consejos incorrectos. Por lo tanto, existe la necesidad de una evaluación clínica prospectiva del mundo real de los modelos en uso, en lugar de una evaluación retrospectiva del rendimiento basada en conjuntos de datos históricos<a class="elsevierStyleCrossRef" href="#bb0020"><span class="elsevierStyleSup">4</span></a>.</p></span><span id="s0030" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="st0040">Conclusiones</span><p id="p0110" class="elsevierStylePara elsevierViewall">Si bien los sistemas de IA para la detección del cáncer de piel han demostrado ser prometedores en entornos de investigación, todavía queda mucho trabajo por hacer antes de que la tecnología sea apropiada para el uso en el mundo real. Un área poco esclarecida es la de las «puntuaciones» de cáncer de piel que los algoritmos de IA asignan a puntos sospechosos, puesto que aún no está claro cómo un dermatólogo podría interpretar estos números.</p><p id="p0115" class="elsevierStylePara elsevierViewall">El entrenamiento de los sistemas de IA presenta una barrera aún mayor. Cientos de miles de fotos que han sido confirmadas como benignas o malignas se usan para enseñar a la tecnología a reconocer el cáncer de piel, pero todas estas imágenes fueron capturadas en condiciones óptimas. ¿Qué pasa cuando se usan diferentes marcas de celulares con cámaras de fotografía que poseen diferentes calidades, iluminación, pixeles, etc.?, ¿podrían estos puntos contribuir al error? Otro punto a tener en cuenta es que las imágenes utilizadas hasta ahora en el entrenamiento de sistemas de IA son casi exclusivamente de pacientes de piel clara, por lo que podría tener inconvenientes a la hora de realizar el diagnóstico de melanoma en pieles oscuras. Otro factor, que ya está siendo superado, es el de las fotografías en regiones anatómicas como palmas y plantas, donde las personas con fototipos altos se ven desproporcionalmente afectadas. En estos últimos párrafos nombramos ciertos inconvenientes que se fueron presentando y que están siendo corregidos, pero todo depende del volumen de fotografías que puedan seguir siendo incluidas en estos sistemas de algoritmo.</p><p id="p0120" class="elsevierStylePara elsevierViewall">No queremos dejar de recalcar el acto médico realizado por el dermatólogo que no solo examina las características de un nevus para considerarlo factible o no de malignidad, sino que considera la evolución de la lesión en cuestión, los sitios de aparición, el historial de cáncer de piel, los antecedentes personales, el fototipo, los factores de riesgo, los hábitos de protección solar y los antecedentes familiares, además de realizar un examen físico completo, con el control y la comparación del resto de sus lesiones, ya sean benignas o posiblemente malignas.</p><p id="p0125" class="elsevierStylePara elsevierViewall">Creemos además que hay que empoderar el enriquecedor trabajo en equipo, el intercambio de opiniones, la discusión de diagnósticos y tratamientos, que podrían quedar excluidos mediante estos sistemas de IA si se los considera como absolutos.</p><p id="p0130" class="elsevierStylePara elsevierViewall">Hoy existen métodos de <span class="elsevierStyleItalic">screening</span> diagnóstico para melanoma solo para pacientes de alto riesgo (fototipos bajos, nevus displásicos, antecedentes familiares o personales de melanomas, entre otros), pero no contamos con nada estandarizado para la población general. Entendemos que faltan métodos rápidos y sencillos para que la gente pueda usar estos dispositivos de <span class="elsevierStyleItalic">screening</span> para la piel. Actualmente están en vías de desarrollo aplicaciones móviles, así como cabinas de IA donde cada persona podría acceder de manera fácil y asequible. Sería un gran avance poder darle las herramientas a todas las personas para que luego acudan al dermatólogo si hiciera falta. Cabe destacar, los costos de estos equipos, su puesta en funcionamiento y la preparación del personal para utilizarlos. No es lo mismo instalar estas máquinas en lugares con alta incidencia de melanoma, como es el caso de Australia, donde hay una incidencia anual de 40-60 melanomas/100.000 habitantes y donde la relación costo-beneficio podría ser sumamente beneficiosa. Distinto es el caso de Argentina, donde hay 4-4,55 melanomas/100.000 habitantes.</p><p id="p0135" class="elsevierStylePara elsevierViewall">La amplia aplicabilidad de la IA requerirá una estructura igualmente sofisticada de supervisión regulatoria, marcos legales y prácticas locales para garantizar el desarrollo, uso y monitoreo seguro de los sistemas. Tecnificación y humanismo, humanismo y tecnificación, son un binomio complementario y necesario en nuestros tiempos.</p></span><span id="s0035" class="elsevierStyleSection elsevierViewall"><span class="elsevierStyleSectionTitle" id="st0045">Conflicto de intereses</span><p id="p0140" class="elsevierStylePara elsevierViewall">Los autores declaran no tener ningún conflicto de intereses.</p></span></span>" "textoCompletoSecciones" => array:1 [ "secciones" => array:8 [ 0 => array:2 [ "identificador" => "s0005" "titulo" => "Introducción" ] 1 => array:2 [ "identificador" => "s0010" "titulo" => "Definición de inteligencia artificial y sistemas inteligentes" ] 2 => array:2 [ "identificador" => "s0015" "titulo" => "Cómo funciona la inteligencia artificial" ] 3 => array:2 [ "identificador" => "s0020" "titulo" => "Su aplicación en el campo de la dermatología" ] 4 => array:2 [ "identificador" => "s0025" "titulo" => "Uso racional de los avances tecnológicos" ] 5 => array:2 [ "identificador" => "s0030" "titulo" => "Conclusiones" ] 6 => array:2 [ "identificador" => "s0035" "titulo" => "Conflicto de intereses" ] 7 => array:1 [ "titulo" => "Bibliografía" ] ] ] "pdfFichero" => "main.pdf" "tienePdf" => true "multimedia" => array:1 [ 0 => array:8 [ "identificador" => "f0005" "etiqueta" => "Figura 1" "tipo" => "MULTIMEDIAFIGURA" "mostrarFloat" => true "mostrarDisplay" => false "figura" => array:1 [ 0 => array:4 [ "imagen" => "gr1.jpeg" "Alto" => 1182 "Ancho" => 1742 "Tamanyo" => 215121 ] ] "detalles" => array:1 [ 0 => array:3 [ "identificador" => "al0005" "detalle" => "Figura " "rol" => "short" ] ] "descripcion" => array:1 [ "es" => "<p id="sp0005" class="elsevierStyleSimplePara elsevierViewall">Una red de neuronas artificiales es un grupo de nodos («neuronas») interconectados entre sí (semejando la conexión axonal). Cada nodo se ve representado por un cuadrado y sus conexiones por flechas.</p>" ] ] ] "bibliografia" => array:2 [ "titulo" => "Bibliografía" "seccion" => array:1 [ 0 => array:2 [ "identificador" => "bs0005" "bibliografiaReferencia" => array:23 [ 0 => array:3 [ "identificador" => "bb0005" "etiqueta" => "1" "referencia" => array:1 [ 0 => array:1 [ "referenciaCompleta" => "Gestal M. Introducción a las redes de neuronas artificiales. 2009:1–20 [consultado 2 Jun 2020]. Disponible en: <a target="_blank" href="http://sabia.tic.udc.es/~mgestal/cv/RNATutorial/TutorialRNA.pdf">http://sabia.tic.udc.es/~mgestal/cv/RNATutorial/TutorialRNA.pdf</a>." ] ] ] 1 => array:3 [ "identificador" => "bb0010" "etiqueta" => "2" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Melanoma diagnosis by raman spectroscopy and neural networks: structure alterations in proteins and lipids in intact cancer tissue" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:3 [ 0 => "M. Gniadecka" 1 => "P.A. Philipsen" 2 => "S. Sigurdsson" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "<span class="elsevierStyleItalic">J Invest Dermatol</span>." "fecha" => "2004" "paginaInicial" => "443" "paginaFinal" => "449" ] ] ] ] ] ] 2 => array:3 [ "identificador" => "bb0015" "etiqueta" => "3" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Dermatologist-level classification of skin cancer with deep neural networks" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:3 [ 0 => "A. Esteva" 1 => "B. Kuprel" 2 => "R.A. Novoa" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/nature21056" "Revista" => array:6 [ "tituloSerie" => "Nature" "fecha" => "2017" "volumen" => "542" "paginaInicial" => "115" "paginaFinal" => "118" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/28117445" "web" => "Medline" ] ] ] ] ] ] ] ] 3 => array:3 [ "identificador" => "bb0020" "etiqueta" => "4" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Machine learning in medicine" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "A. Rajkomar" 1 => "D. Jeffrey" 2 => "I. Kohane" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "<span class="elsevierStyleItalic">N Engl J Med</span>." "fecha" => "2019" "volumen" => "380" "paginaInicial" => "1347" "paginaFinal" => "1358" ] ] ] ] ] ] 4 => array:3 [ "identificador" => "bb0025" "etiqueta" => "5" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Deep learning-based, computer-aided classifier developed with a small dataset of clinical images surpasses board-certified dermatologists in skin tumor diagnosis" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:3 [ 0 => "Y. Fujisawa" 1 => "Y. Otomo" 2 => "Y. Ogata" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "<span class="elsevierStyleItalic">Br J Dermatol</span>." "fecha" => "2018" "paginaInicial" => "373" "paginaFinal" => "381" ] ] ] ] ] ] 5 => array:3 [ "identificador" => "bb0030" "etiqueta" => "6" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Artificial intelligence and the pathologist: future frenemies?" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "G. Sharma" 1 => "A. Carter" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "<span class="elsevierStyleItalic">Arch Pathol Lab Med</span>." "fecha" => "2017" "volumen" => "141" "paginaInicial" => "622" "paginaFinal" => "623" ] ] ] ] ] ] 6 => array:3 [ "identificador" => "bb0035" "etiqueta" => "7" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "A logical calculus of the ideas immanent in nervous activity" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "W. McCulloch" 1 => "W. Pitts" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "<span class="elsevierStyleItalic">Bull Math Biol</span>." "fecha" => "1943" "paginaInicial" => "115" "paginaFinal" => "133" ] ] ] ] ] ] 7 => array:3 [ "identificador" => "bb0040" "etiqueta" => "8" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Dermoscopic characterization of cutaneous lymphomas: a pilot survey" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "G.K. Ghahramani" 1 => "K.E. Goetz" 2 => "V. Liu" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "<span class="elsevierStyleItalic">Int J Dermatol</span>." "fecha" => "2018" "volumen" => "57" "paginaInicial" => "339" "paginaFinal" => "343" ] ] ] ] ] ] 8 => array:3 [ "identificador" => "bb0045" "etiqueta" => "9" "referencia" => array:1 [ 0 => array:1 [ "referenciaCompleta" => "Yang X, Zeng Z, Yeo SY, Tan C, Liang Tey H, Su Y. A novel multi-task deep learning model for skin lesion segmentation and classification. 2017:1–4 [consultado 2 Jun 2020]. Disponible en: <a target="_blank" href="http://arxiv.org/abs/1703.01025">http://arxiv.org/abs/1703.01025</a>." ] ] ] 9 => array:3 [ "identificador" => "bb0050" "etiqueta" => "10" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Computer aided melanoma skin cancer detection using image processing" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "S. Jain" 1 => "V. Jagtap" 2 => "N. Pise" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "<span class="elsevierStyleItalic">Procedia Comput Sci</span>." "fecha" => "2015" "volumen" => "48" "paginaInicial" => "736" "paginaFinal" => "741" "itemHostRev" => array:3 [ "pii" => "S1198743X1500316X" "estado" => "S300" "issn" => "1198743X" ] ] ] ] ] ] ] 10 => array:3 [ "identificador" => "bb0055" "etiqueta" => "11" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Feasibility and efficacy of patient-initiated mobile teledermoscopy for short-term monitoring of clinically atypical nevi" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:3 [ 0 => "X. Wu" 1 => "S.A. Oliveria" 2 => "S. Yagerman" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "<span class="elsevierStyleItalic">JAMA Dermatol</span>." "fecha" => "2015" "volumen" => "151" "paginaInicial" => "489" "paginaFinal" => "496" ] ] ] ] ] ] 11 => array:3 [ "identificador" => "bb0060" "etiqueta" => "12" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Diagnostic inaccuracy of smartphone applications for melanoma detection" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:3 [ 0 => "J. Wolf" 1 => "J. Moreau" 2 => "O. Akilov" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "<span class="elsevierStyleItalic">JAMA Dermatol</span>." "fecha" => "2013" "volumen" => "149" "paginaInicial" => "422" "paginaFinal" => "426" ] ] ] ] ] ] 12 => array:3 [ "identificador" => "bb0065" "etiqueta" => "13" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Lesion selection by melanoma high-risk consumers during skin self-examination using mobile teledermoscopy" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:5 [ 0 => "M. Janda" 1 => "L. Loescher" 2 => "P. Banan" 3 => "C. Horsham" 4 => "H.P. Soyer" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "<span class="elsevierStyleItalic">JAMA Dermatol</span>." "fecha" => "2014" "volumen" => "150" "paginaInicial" => "656" "paginaFinal" => "658" ] ] ] ] ] ] 13 => array:3 [ "identificador" => "bb0070" "etiqueta" => "14" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Clinical performance of the nevisense system in cutaneous melanoma detection: an international, multicentre, prospective and blinded clinical trial on efficacy and safety" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:3 [ 0 => "J. Malvehy" 1 => "A. Hauschild" 2 => "C. Curiel-Lewandrowski" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "<span class="elsevierStyleItalic">Br J Dermatol</span>." "fecha" => "2014" "volumen" => "171" "paginaInicial" => "1099" "paginaFinal" => "1107" ] ] ] ] ] ] 14 => array:3 [ "identificador" => "bb0075" "etiqueta" => "15" "referencia" => array:1 [ 0 => array:1 [ "referenciaCompleta" => "Vesal S, Ravikumar N, Maier A. SkinNet: a deep learning framework for skin lesion segmentation. 2018:1–2 [consultado 2 Jun 2020]. Disponible en: <a target="_blank" href="http://arxiv.org/abs/1806.09522">http://arxiv.org/abs/1806.09522</a>" ] ] ] 15 => array:3 [ "identificador" => "bb0080" "etiqueta" => "16" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Towards a computer-aided diagnóstico system for pigmented skin lesions" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "P. Schmid-Saugeona" 1 => "J. Guillodb" 2 => "J. Thirana" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "<span class="elsevierStyleItalic">Comput Med Imaging Graph</span>." "fecha" => "2003" "volumen" => "27" "paginaInicial" => "65" "paginaFinal" => "78" ] ] ] ] ] ] 16 => array:3 [ "identificador" => "bb0085" "etiqueta" => "17" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Smartphone applications for melanoma detection by community, patient and generalist clinician users: a review" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:4 [ 0 => "A. Kassianos" 1 => "J.D. Emery" 2 => "P. Murchie" 3 => "F. Walter" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "<span class="elsevierStyleItalic">Br J Dermatol</span>." "fecha" => "2015" "volumen" => "172" "paginaInicial" => "1507" "paginaFinal" => "1518" ] ] ] ] ] ] 17 => array:3 [ "identificador" => "bb0090" "etiqueta" => "18" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Automated dermatological diagnosis: hype or reality?" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:6 [ 0 => "C. Navarrete-Dechent" 1 => "S. Dusza" 2 => "K. Liopyris" 3 => "A. Marghoob" 4 => "A.C. Halpern" 5 => "M.A. Marchetti" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "<span class="elsevierStyleItalic">J Invest Dermatol</span>." "fecha" => "2018" "paginaInicial" => "4" "paginaFinal" => "6" ] ] ] ] ] ] 18 => array:3 [ "identificador" => "bb0095" "etiqueta" => "19" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Accuracy of a smartphone application using fractal image analysis of pigmented moles compared to clinical diagnosis and histological result" "autores" => array:1 [ 0 => array:2 [ "etal" => true "autores" => array:3 [ 0 => "T. Maier" 1 => "D. Kulichova" 2 => "K. Schotten" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:5 [ "tituloSerie" => "<span class="elsevierStyleItalic">J Eur Acad Dermatol Venereol</span>." "fecha" => "2015" "volumen" => "29" "paginaInicial" => "663" "paginaFinal" => "667" ] ] ] ] ] ] 19 => array:3 [ "identificador" => "bb0100" "etiqueta" => "20" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "The final frontier in cancer diagnosis" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:2 [ 0 => "S.A. Leachman" 1 => "G. Merlino" ] ] ] ] ] "host" => array:1 [ 0 => array:2 [ "doi" => "10.1038/nature21492" "Revista" => array:5 [ "tituloSerie" => "Nature" "fecha" => "2017" "volumen" => "542" "paginaInicial" => "36" "link" => array:1 [ 0 => array:2 [ "url" => "https://www.ncbi.nlm.nih.gov/pubmed/28150762" "web" => "Medline" ] ] ] ] ] ] ] ] 20 => array:3 [ "identificador" => "bb0105" "etiqueta" => "21" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Real-time raman spectroscopy for in vivo skin cancer diagnosis" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:3 [ 0 => "H. Lui" 1 => "J. Zhao" 2 => "H. Zeng" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "Cancer Res." "fecha" => "2012" "paginaInicial" => "2491" "paginaFinal" => "2500" ] ] ] ] ] ] 21 => array:3 [ "identificador" => "bb0110" "etiqueta" => "22" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "A “Fundamental Theorem” of Biomedical Informatics" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "C.P. Friedman" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:6 [ "tituloSerie" => "<span class="elsevierStyleItalic">J Am Med Informatics Assoc</span>." "fecha" => "2009" "volumen" => "16" "paginaInicial" => "169" "paginaFinal" => "170" "itemHostRev" => array:3 [ "pii" => "S2255502117300469" "estado" => "S300" "issn" => "22555021" ] ] ] ] ] ] ] 22 => array:3 [ "identificador" => "bb0115" "etiqueta" => "23" "referencia" => array:1 [ 0 => array:2 [ "contribucion" => array:1 [ 0 => array:2 [ "titulo" => "Tecnificación versus humanización. La inteligencia artificial al servicio del diagnóstico médico" "autores" => array:1 [ 0 => array:2 [ "etal" => false "autores" => array:1 [ 0 => "J.A. Gegúndez Fernández" ] ] ] ] ] "host" => array:1 [ 0 => array:1 [ "Revista" => array:4 [ "tituloSerie" => "<span class="elsevierStyleItalic">Arch Soc Esp Oftalmol</span>." "fecha" => "2017" "paginaInicial" => "10" "paginaFinal" => "12" ] ] ] ] ] ] ] ] ] ] ] "idiomaDefecto" => "es" "url" => "/02139251/0000003600000005/v1_202104280748/S021392512030321X/v1_202104280748/es/main.assets" "Apartado" => array:4 [ "identificador" => "8225" "tipo" => "SECCION" "en" => array:2 [ "titulo" => "Técnicas de diagnóstico" "idiomaDefecto" => true ] "idiomaDefecto" => "en" ] "PDF" => "https://static.elsevier.es/multimedia/02139251/0000003600000005/v1_202104280748/S021392512030321X/v1_202104280748/es/main.pdf?idApp=UINPBA00004N&text.app=https://www.elsevier.es/" "EPUB" => "https://multimedia.elsevier.es/PublicationsMultimediaV1/item/epub/S021392512030321X?idApp=UINPBA00004N" ]
| año/Mes | Html | Total | |
|---|---|---|---|
| 2024 Noviembre | 2 | 2 | 4 |
| 2024 Octubre | 7 | 7 | 14 |
| 2024 Septiembre | 11 | 12 | 23 |
| 2024 Agosto | 12 | 9 | 21 |
| 2024 Julio | 16 | 14 | 30 |
| 2024 Junio | 10 | 10 | 20 |
| 2024 Mayo | 13 | 13 | 26 |
| 2024 Abril | 11 | 11 | 22 |
| 2024 Marzo | 11 | 11 | 22 |
| 2024 Febrero | 11 | 6 | 17 |
| 2024 Enero | 8 | 0 | 8 |
| 2023 Diciembre | 10 | 0 | 10 |
| 2023 Noviembre | 8 | 0 | 8 |
| 2023 Octubre | 27 | 0 | 27 |
| 2023 Septiembre | 10 | 0 | 10 |
| 2023 Agosto | 13 | 0 | 13 |
| 2023 Julio | 12 | 2 | 14 |
| 2023 Junio | 4 | 6 | 10 |
| 2022 Noviembre | 4 | 4 | 8 |
| 2022 Octubre | 6 | 6 | 12 |
| 2022 Septiembre | 4 | 5 | 9 |
| 2022 Enero | 1 | 0 | 1 |
| 2021 Diciembre | 0 | 2 | 2 |
| 2021 Noviembre | 0 | 2 | 2 |
| 2021 Julio | 1 | 4 | 5 |
| 2021 Mayo | 5 | 4 | 9 |
Mostrar todo