Los sistemas de salud experimentan un rápido el crecimiento de los costes (los gastos de salud en EE.UU. podrían alcanzar el 30% del producto interno bruto en 2050 frente al 17,6% en 2010). De igual modo se han disparado las opciones de tratamiento y los flujos de información, lo que complica sobremanera la toma de decisiones clínicas sobre que tratamiento debe seguir un paciente.

Conseguir un buen diagnostico o indicar el tratamiento adecuado para un paciente no es tarea sencilla. Así por ejemplo, los pacientes reciben diagnósticos y tratamientos correctos en menos del 50% de los casos (en primera instancia). Además, se estima que hay un gap de 13 a 17 años desde que se realiza una investigación hasta que sus resultados llegan a la práctica clínica, con lo que muchas veces los tratamientos frutos de una investigación han quedado obsoletos en el momento de que su practica se generalice. Esta brecha sugiere que se carece de métodos para trasladar los resultados científicos a la práctica clínica real.

Entrenar a un médico para entender o memorizar toda la complejidad de la atención sanitaria moderna, incluso en su ámbito de especialidad, es un proceso costoso y prolongado –para formar a un cirujano se necesitan alrededor de 10 años o 10.000 horas-. Los registros electrónicos de salud (EHR) y las grandes bases de datos biomédicas públicas (como GenBank o caBIG) han abonado el terreno para la aplicación en sanidad de técnicas de inteligencia artificial (AI) con el fin de descubrir patrones que permitan predecir tratamientos óptimos, minimizar los efectos secundarios, reducir los costes médicos y mejorar la integración entre investigación y práctica clínica.

Actualmente, la mayoría de las decisiones de tratamiento en el ámbito médico se hacen por dos vías:

Enfoques Ad hoc: los enfoques ad hoc diseñan una solución para un problema o una tarea específica. La solución diseñada no es generalizable ni, normalmente, adaptable a otros fines.

Enfoques heurísticos: los enfoques heurísticos son capaces de encontrar soluciones en un tiempo de cálculo razonable que, sin conseguir el resultado óptimo, son aceptablemente buenas.

No obstante, cada vez hay mayores evidencias de que las decisiones complejas de tratamiento se manejan mejor a través del modelado en lugar de la intuición.

El modelado de toma dinámica de decisiones secuenciales en medicina tiene una larga historia.

Conclusiones sobre la IA en la toma decisiones clínicas

El aumento de costes de la sanidad puede llevar a un colapso del modelo. Los costes en sanidad podrían disminuirse mucho si a cada paciente se le ofreciese el tratamiento óptimo a la primera. Para conseguir ese tratamiento optimo, el uso de la IA parece dar muy buenos resultados. A largo plazo la opción más eficaz parece ser combinar IA autónoma con médicos humanos: dejar que los seres humanos hagan lo que hacen bien y que las maquinas hagan lo que hacen bien, maximizando el potencial de ambos.