Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
1
IMPACTO DE LA INTELIGENCIA ARTIFICIAL EN EL PERFIL DEL ESPECIALISTA EN
DIAGNÓSTICO POR IMÁGENES Y DESAFÍOS DE LAS ORGANIZACIONES PRIVADAS DE SALUD
1
Mariano Albertolli
2
( malbertol21@ucema.edu.ar )
Fernando Troilo
3
( ftroilo@ucema.edu.ar )
Fecha de Recepción: 14 de Marzo de 2022
Fecha de Aceptación: 26 de Abril de 2022
ARK/CAICYT: http://id.caicyt.gov.ar/ark:/s25915266/amhf48n3g
RESUMEN
El objetivo principal fue estudiar cómo la inteligencia artificial impacta en el perfil del
especialista en diagnóstico por imágenes especialista en diagnóstico por imágenes, con el fin
de atender los desafíos propios del sistema de salud privado en la República Argentina. Se
profundizó en el significado de la inteligencia artificial y en cómo se aplican los distintos
tipos de estas tecnologías en el sistema de salud, procurando entender algunas de las
tecnologías disponibles. Se proveyó un resumen de la organización del sistema de salud
argentino y del flujo de trabajo que manejan los Departamentos de Imágenes de las
instituciones privadas de la Argentina. Se continuó con un trabajo de campo a fin de obtener
información de primera mano, de los especialistas en diagnóstico por imágenes y de las
principales compañías proveedoras de tecnología médica, sobre el nivel de uso de la
1
Artículo aceptado para su publicación el día: 26 de Abril de 2022.
2
Magister en Dirección de Empresas, MBA, UCEMA. Licenciado en Administración de Empresas, Universidad
de Buenos Aires. Actualmente se desempeña como Service Sales Manager Cala South en GE Healthcare.
Anteriormente fue Latin America Service Support Manager for Healthcare Information Solutions en Philips.
3
Doctor en Sociología, Pontificia Universidad Católica de Argentina. Magisster en Dirección de Empresas,
MBA, UCEMA. Especialista en Dirección Estratégica de Recursos Humanos, Universidad de Buenos Aires. Su
Profesor, investigador, consultor, y asesor para personas y organizaciones en su desarrollo. Anteriormente ocupó
posiciones gerenciales en empresas multinacionales, como líder de soluciones de gestión del talento. Es autor del
libro Ser CEO, competencias para un desempeño efectivo, Editorial Temas.
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
2
inteligencia artificial, los riesgos y las amenazas, así como sobre el potencial de estas
tecnologías y el impacto que genera en el perfil del especialista en diagnóstico por imágenes.
Se logró identificar un conflicto entre las instituciones y los especialistas en
diagnóstico por imágenes, que dificulta el avance hacia la medicina de precisión. Finalmente,
se arribó a la conclusión de que, con la incorporación de la inteligencia artificial, el perfil del
especialista en diagnóstico por imágenes aumenta su valor, con los desafíos que esta
evolución conlleva.
Palabras clave: Inteligencia Artificial; Especialista en Diagnóstico por Imágenes; Medicina
Privada; Telemedicina; PNL.
ABSTRACT
The main objective was to study how artificial intelligence impacts on the profile of
the diagnostic imaging specialist in order to meet the challenges of the private health system
in the Argentine Republic. Based on this purpose, the meaning of artificial intelligence and
how the different types of these technologies are applied in the health system were explored,
trying to understand which technologies are available. A summary was provided about the
organization of the Argentine health system, and also about the workflow within the imaging
department of private institutions in Argentina. On order to obtain first-hand information we
proceed with field work surveying diagnostic imaging specialists and main medical
technology providers. This field work focusses on the level of use of artificial intelligence,
risks and threats, as well as their potential and the impact it generates on the diagnostic
imaging specialist profile. It was possible to identify a conflict between the institutions and
diagnostic imaging specialist, which makes it difficult to move towards precision medicine.
Finally, it concludes that with the incorporation of artificial intelligence, the profile of the
diagnostic imaging specialist increases its value, presenting the challenges that this evolution
entails.
Keywords: Artificial Intelligence; Diagnostic Imaging Specialist; Private Medicine;
Telemedicine; NLP.
RESUMO
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
3
O objetivo principal foi estudar como a inteligência artificial impacta o perfil do
especialista em diagnóstico por imagem, a fim de enfrentar os desafios do sistema privado de
saúde na República Argentina. Aprofundou-se o significado da inteligência artificial e como
os diferentes tipos destas tecnologias são aplicados no sistema de saúde, procurando
compreender algumas das tecnologias disponíveis. Foi fornecido um resumo da organização
do sistema de saúde argentino e do fluxo de trabalho realizado pelos Departamentos de
Imagem de instituições privadas na Argentina. Prosseguiu o trabalho de campo para obter
informações em primeira mão dos especialistas em diagnóstico por imagem e das principais
empresas fornecedoras de tecnologia médica sobre o nível de uso da inteligência artificial, os
riscos e ameaças, bem como sobre o potencial dessas tecnologias e o impacto que gera no
perfil do radiologista. Foi possível identificar um conflito entre as instituições e os
especialistas em diagnóstico por imagem, o que dificulta o avanço da medicina de precisão.
Por fim, concluiu-se que, com a incorporação da inteligência artificial, o perfil do especialista
em diagnóstico por imagem aumenta seu valor, com os desafios que essa evolução acarreta.
Palavras-chave: Inteligência Artificial; Especialista em Diagnóstico por Imagem; Medicina
Privada; Telemedicina; PNL.
Clasificación JEL: O30, M12
1. INTRODUCCIÓN
Los principales desafíos del sistema de salud en los últimos años han sido el
envejecimiento poblacional, el aumento de las enfermedades crónicas, la mejora en el acceso
a la cobertura de salud y el incremento de la productividad del sistema de salud en su
conjunto. En la República Argentina, las instituciones de la salud se encuentran frente al reto
de cómo brindar un mayor acceso a la cobertura de salud y, a su vez, ante la necesidad de
incrementar la productividad con el fin de mejorar los resultados operativos.
Focalizando en mejorar la productividad, las instituciones observan que la inteligencia
artificial (IA) es una de las nuevas tecnologías que han irrumpido en las organizaciones, y se
presenta como una posible solución para estos desafíos.
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
4
Una de las áreas más apropiadas para la introducción de la IA es el Departamento de
Diagnóstico por Imágenes. Allí se identifican las oportunidades que potencian la
productividad, lo que contribuye de manera positiva con los resultados.
Sobre la base de lo expuesto anteriormente, entender la nueva realidad resulta
importante para la organización y las actividades de los colaboradores. Uno de ellos es el
especialista en diagnóstico por imágenes, objeto de estudio.
El objetivo del presente estudio es explorar cómo la IA impacta en el perfil del
especialista en diagnóstico por imágenes dentro de las instituciones privadas de salud de la
República Argentina.
Para abordar dicho objetivo, en una primera etapa, se procura entender el significado
del concepto de IA, y se identifican los diferentes tipos. En una segunda etapa, mediante la
realización de encuestas, se analiza qué representa la IA para el objeto de estudio de este
trabajo. Además, se procura detectar los riesgos y oportunidades para el sistema de salud, y
cómo estas tecnologías atienden los desafíos del acceso a la cobertura médica, así como
incrementar la productividad del sistema.
Finalmente, se analizan las soluciones vinculadas con la IA de los principales
proveedores de la industria de la salud, para atender los desafíos del sistema de salud y
entender cómo estas tecnologías impactan en el perfil del especialista en diagnóstico por
imágenes.
2. DESARROLLO
Perfil del especialista en diagnóstico por imágenes
El 8 de noviembre de 1895, Wilhem C. Roentgen, como resultado de sus
experimentos, realizó el descubrimiento de los rayos X, dando inicio a la observación del
interior del cuerpo humano, lo que marca el comienzo de la radiología y la tecnología médica
diagnóstica.
González y Pieri (2017) describen los cuatro momentos trascendentales de la
radiología, que se pueden resumir en los siguientes descubrimientos tecnológicos: en 1917, el
tubo de Coolidge; en 1950, surge el intensificador de imágenes; en 1972, se da origen a la
tomografía computada; y durante 1980 y 1982, aparece la resonancia magnética nuclear.
Estos avances tecnológicos forman la base de la radiología como se conoce hoy en día.
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
5
De acuerdo con la American Board of Radiology (2021), el especialista en diagnóstico
por imágenes se define como “un especialista en diagnóstico por imágenes que utiliza
metodologías de diagnóstico por imágenes para diagnosticar y tratar a los pacientes y brindar
opciones terapéuticas” (párr. 1). El especialista en diagnóstico por imágenes utiliza distintos
tipos de herramientas, como rayos X, ultrasonido, radiación electromagnética, para
diagnosticar y tratar enfermedades.
De acuerdo con la Facultad de Medicina (2021), el perfil del especialista en
diagnóstico por imágenes se encuentra comprendido dentro de la Licenciatura en Producción
de Bioimágenes, cuya carrera de estudios tiene una duración de cinco años, y se otorga un
título intermedio de Técnico Especialista en diagnóstico por imágenes Universitario al
finalizar el tercer año.
Según Salmerón (2005), al realizar la captura de la imagen, se da comienzo a un
proceso en el cual el especialista en diagnóstico por imágenes crea bloques de imágenes; y,
sobre la base de su experiencia y conocimiento, se inicia el proceso de reconocimiento de la
imagen para continuar con el proceso de información y síntesis. El reconocimiento de la
anatomía normal, la anormal y las variantes es el inicio del proceso de diagnóstico. El nivel de
expertise de un especialista en diagnóstico por imágenes se califica de acuerdo con la cantidad
de imágenes analizadas. Salmerón (2005) expresa:
“La diferencia entre el experto y el novato es que este último no tiene habilidad
para representar un problema en un banco mental de información y tiende más a
analizar la periferia de las radiografías, lo que lo lleva a señalar hallazgos
negativos o poco relevantes”. (Salmerón, 2005: 1)
Entonces, el especialista en diagnóstico por imágenes experto se caracteriza por
reconocer patrones anormales y por ser flexible en el planteo de opciones diagnósticas. Se
basa en sus experiencias pasadas (adquiridas como resultado de examinar muchos casos), la
confirmación de los aciertos o fracasos de diagnóstico, y, por último, la continua actualización
de sus conocimientos.
El producto final, donde el especialista en diagnóstico por imágenes vuelca toda su
experiencia y profesionalismo, se traduce en el informe que comparte con el paciente y con
los médicos solicitantes/referidos.
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
6
Pitman et al. (2018) propusieron un sistema en el que se tienen en cuenta las tareas
imputables respecto al especialista en diagnóstico por imágenes. A continuación, se
identifican algunas de las principales tareas y actividades del especialista en diagnóstico por
imágenes:
• Interpretación y aclaración de las peticiones.
• Protocolización del estudio.
• Discusión del caso y dudas.
• Supervisión de la prueba.
• Atención del paciente durante el procedimiento.
• Supervisión del posproceso.
• Aclaración de dudas al paciente.
• Localización del estudio en sistemas RIS y PACS, confirmación de que está
completo y descarga de este.
• Revisión del estudio completo.
• Aclaración de dudas que surjan a la hora de realizar el informe (estudio,
consulta externa, doble opinión, etc.).
• Transcripción/dictado del informe.
• Cualquier contacto directo relacionado con el estudio.
• Firma del informe final.
• Envío del informe al médico que solicitó el estudio.
La evolución tecnológica desafía a los especialistas en diagnóstico por imágenes ante
la necesidad de una capacitación continua para ampliar y fortalecer sus conocimientos; en
especial, los conocimientos de biología molecular y de tecnología avanzada de la
información. Este constante desarrollo ha dado como resultado la tendencia de los
especialistas en diagnóstico por imágenes a la subespecialización en áreas como neuroimagen,
radiología mamaria, pediátrica, de cabeza y de cuello, intervencionista, etc. Estos niveles de
subespecialización han permitido un mayor nivel de integración con los médicos tratantes y
con las demás actividades de atención médica.
Inteligencia artificial
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
7
Los expertos en ciencias de la computación Russell y Norvig (2004) diferencian cuatro
sistemas de IA: aquellos que piensan como humanos, aquellos que actúan como humanos,
aquellos que piensan racionalmente y, por último, aquellos que actúan racionalmente.
Si bien esta clasificación parece simple, no existe consenso alrededor de lo que
constituye específicamente la inteligencia. Algunos expertos en IA han propuesto ciertos
criterios para definir cuándo algo actúa inteligentemente, a saber: “lo que hace es apropiado
para sus circunstancias y sus metas; es flexible al entorno cambiante y metas; aprende de su
experiencia; y hace elecciones apropiadas dada su percepción y limitación computacional”
(Cossy-Gantner et al., 2018: 1).
La Comisión Europea (CE) emitió un documento con el fin de describir de manera
resumida el concepto de IA. La noción de IA, como su primer término lo indica, hace
referencia al concepto de inteligencia. Los estudios más recientes consideran que la
racionalidad es el principal concepto de IA, pero no el único. Basándose en este concepto de
racionalidad, la Comisión Europea (2021) establece en una definición preliminar que la
inteligencia artificial “se refiere a la habilidad de escoger el mejor curso de acción con el
objetivo de alcanzar un resultado, en base a criterios optimizables y los recursos disponibles”
(p. 1). A partir de allí, la CE (2021) propone una definición que procura abarcar los diferentes
tipos de IA:
“Los sistemas de IA son sistemas de software (y posiblemente también hardware)
diseñados por humanos que, dado un objetivo complejo, actúan en la dimensión
física o digital percibiendo su entorno a través de la adquisición de datos,
interpretando los datos estructurados o no estructurados recopilados, razonando
sobre el conocimiento, o el procesamiento de la información, derivado de estos
datos y decidir la mejor acción a tomar para lograr el objetivo dado. Los
sistemas de IA pueden usar reglas simbólicas o aprender un modelo numérico, y
también pueden adaptar su comportamiento analizando cómo el medio ambiente
se ve afectado por sus acciones anteriores.
Como disciplina científica, la IA incluye varios enfoques y técnicas, como
el aprendizaje automático (del cual el aprendizaje profundo y el aprendizaje
reforzado son ejemplos específicos), el razonamiento automático (que incluye
planificación, programación, representación y razonamiento del conocimiento,
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
8
búsqueda y optimización) y robótica (que incluye control, percepción, sensores y
ejecución, así como la integración de todas las demás técnicas en sistemas
ciberfísicos)”. (CE, 2016: 8).
Boucher (2020) enmarca la evolución de la IA en dos olas tecnológicas. La primera
ola consolida la denominada “inteligencia artificial simbólica”. Esta categoría procura
codificar las reglas que una máquina pueda ejecutar. Dichas reglas están basadas en el
conocimiento y experiencia de expertos en el tema. La IA simbólica solo puede evolucionar a
través de la intervención directa del ser humano.
La segunda ola, denominada “aprendizaje automático” (machine learning [ML]), es IA
basada en datos. Se considera la evolución de la IA simbólica, ya que, a diferencia de esta
última, en machine learning, la mejora se ejecuta a través del propio algoritmo de quien se
entrena por sí mismo, basado en datos. Con estos algoritmos, se pueden identificar patrones,
aprender de ellos y aplicar este conocimiento para realizar una declaración sobre la base de
los datos proporcionados.
Choy et al. (2018) consideran que el ML es un método de ciencia de datos que les
proporciona a las computadoras la capacidad de aprender sin necesidad de programación de
reglas explícitas, como en el caso de la IA simbólica. Este método permite la creación de
algoritmos que aprenden por sí solos y permiten realizar predicciones. El aprendizaje
automático es poderoso por su robustez, cuando se lo compara con la IA simbólica. Esta
última puede fallar al ser expuesta al mundo real, debido a la complejidad que conlleva
capturar la realidad en un algoritmo de reglas estructuradas y definidas por el programador. El
aprendizaje automático es flexible, dado que el sistema utiliza aproximación estadística,
basada en un conjunto de entrenamientos para responder a la realidad. Adicionalmente, esta
herramienta es genérica, es decir, se puede aplicar tanto para coches autónomos como para la
interpretación de imágenes médicas, lo que permite una expansión a diferentes campos, como
la medicina.
Tanto Boucher (2020) como Choy et al. (2018) identifican diferentes tipos de IA, de
los cuales se listan algunos de los más significativos:
• Volumen de datos (big data).
• Minería de datos (data mining).
• Redes neuronales artificiales (artificial neural networks).
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
9
• Aprendizaje profundo (deep learning).
• Procesamiento natural del lenguaje (natural language processing [PNL]).
Boucher (2020) define big data como el conjunto de datos grandes y complejos que no
pueden ser procesados de la misma manera que los conjuntos de datos pequeños. La CE
(2016) lo define como una gran cantidad de distintos tipos de datos que pueden provenir de
máquinas, sensores o personas. Complementa esta definición al describir los tipos de datos
que pueden generarse, como imágenes por satélites, fotos, videos, señales de GPS, etc. Big
data también puede incluir cualquier tipo de dato personal, por lo que recomienda la
aplicación del principio de protección de datos desde el diseño.
Esta norma pretende que las empresas y analistas que trabajan con big data procuren
utilizar buenas prácticas de anonimización, seudonimización, o el cifrado y protocolos
de comunicación anónimas.
Tanto la CE (2021) como Boucher (2020) concuerdan en que una de las principales
ventajas de esta tecnología es la posibilidad de reflejar patrones entre distintas fuentes y
conjuntos de datos (sets), que permiten extraer información útil y, en última instancia, un
incremento de la productividad, una mejora en los servicios y en las actividades de la
economía. Adicionalmente, concuerdan en que la principal problemática es la protección de
datos personales.
Un punto clave de esta tecnología hace referencia a los big data analytics. Como
mencionan Cirillo y Valencia (2019), el análisis de un gran volumen de datos requiere ciertas
actividades, como la estructuración de datos, la gestión de estos para que la información sea
consistente, y, por último, el análisis y la interpretación.
Esta IA tiene múltiples aplicaciones, algunas de ellas en el ámbito de marketing
personalizado, descubrimiento de tendencias de consumo de clientes, proyecciones de
inventario, control/monitoreo de enfermedades en el sistema de salud nacional, etc.
Estas operaciones requieren la aplicación de múltiples algoritmos, los cuales permiten
combinar el big data con los diferentes tipos de IA, que se revisan a continuación.
Boucher (2020) define la minería de datos como “un campo de la computación
centrado en la identificación automatizada de patrones y anomalías en conjuntos de datos”
(Boucher, 2020: 8).
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
10
Complementando la definición anterior, Schuh et al. (2019) enmarcan este tipo de IA
como un subtipo de ML, como un proceso que busca generar conocimiento a partir de datos y
que presenta sus hallazgos de manera integral a los usuarios.
Para enmarcar el concepto de ML, Raval (2012) plantea que la minería de datos es
parte de un proceso de knowledge discovery (descubrimiento de conocimiento [DC]).
Este proceso contiene múltiples etapas:
• Consolidación de los datos provenientes de las múltiples fuentes de datos (sensores,
personas, etc.) en un solo almacén de datos (datawarehouse).
• Procesamiento y transformación de los datos.
• Procesamiento de datos a través de algoritmos de minería de datos, con el que se
obtiene como resultado la identificación de patrones o anomalías.
• Los patrones o anomalías se interpretan para generar conocimiento e información
útil.
Los resultados que se obtienen en la tercera etapa del proceso de DC a través de la
aplicación de análisis de datos y estadística se pueden distinguir en “descriptivos, donde el
conocimiento se muestra en forma de modelos que representan patrones y relaciones en datos,
y predictivos, donde el conocimiento está representado como una predicción de futuras
condiciones, tendencias y relaciones” (Schuh et al., 2019).
Se puede resumir, entonces, que la minería de datos forma parte de un proceso de
descubrimiento de conocimiento, y que su objetivo es el procesamiento de datos para
identificar patrones o anomalías, con el fin de presentar los hallazgos para su posterior
interpretación.
La aplicación de esta tecnología es muy variada. En la actualidad, se puede encontrar
en múltiples áreas, como marketing, mercado de capitales, detección de fraude, etc.
Las redes neuronales artificiales (RNA) se inspiran en la arquitectura del cerebro
humano y se basan en la operación biológica de las redes neuronales. Contienen una serie de
ecuaciones que se utilizan para simular procesos biológicos, como el aprendizaje y la
memoria. Las RNA se pueden analizar desde un punto de vista estadístico. Y pueden ser
consideradas algoritmos estadísticos capaces de modelar complejas relaciones no lineales
entre variables (Amit, 1989, como se citó en Morra et al., 2019).
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
11
Choy et al. (2018) complementan la definición anterior: las RNA se componen de
“una capa de entrada de neuronas, una o más ‘capas ocultas’ y una capa de salida. Cada capa
oculta está formada por un conjunto de neuronas, donde cada neurona está conectada a todas
las neuronas de la capa anterior” (p. 1). Por lo tanto, cada conexión se cuantifica según la
fuerza de sus conexiones. Para que la red produzca resultados válidos, es clave el correcto
establecimiento de los valores del peso de estas fuerzas. En los últimos años, el área que
mayor desarrollo ha presentado es el de la detección y clasificación correcta de los hallazgos
en las imágenes. Por último, el aprendizaje que se realiza en las RNA puede ser supervisado,
parcialmente supervisado o no supervisado.
Las RNA poseen múltiples atributos, algunos de los cuales son: aprendizaje
adaptativo, autoorganización de datos vía clasificación y clustering, capacidad de pronosticar
y tolerancia a fallos.
Esta tecnología tiene aplicaciones en todas las industrias. Estos son algunos ejemplos:
• Industria bancaria: detección de fraudes con tarjetas de crédito, evaluación crediticia.
• Defensa: reconocimiento facial, sonar, radar, supresión de sonido, etc.
• Medica: diseño de prótesis, optimización de procesos de trasplante, análisis de
estudios relacionados con células cancerígenas, electrocardiogramas, etc.
En los últimos años, el uso de algoritmos de aprendizaje profundo (AP) se ha
intensificado, hasta convertirse en una tendencia dentro de la IA. El aprendizaje profundo
puede clasificarse como un nivel superior de las redes neuronales artificiales.
De acuerdo con Ravi et al. (2017), “a diferencia del uso más tradicional de RNA, el
aprendizaje profundo explica el uso de muchas neuronas ocultas y capas, por lo general más
de dos, como una ventaja arquitectónica combinado con nuevos paradigmas de
entrenamiento” (Ravi et al, 2017: 4).
Ravi et al. (2017) describen seis tipos de arquitectura de AP. En este estudio, solo se
enuncian deep neural network, deep autoencoder, deep belief network, deep boltzmann
machine, recurrent neural network, convolutional neural network.
Este tipo de IA se ha podido desarrollar cada vez con más velocidad gracias a la
evolución tecnológica, que permite mayor cantidad de datos disponibles, mayor poder de
cómputo y mayor automatización de procesos.
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
12
El procesamiento natural del lenguaje (PNL) es un tipo de IA destinado al desarrollo
de algoritmos, así como a la construcción de modelos que utilicen el lenguaje de la misma
manera que los seres humanos (Baclic et al., 2020). Podemos observar el uso de estas
tecnologías en herramientas como Siri, de la compañía Apple, o Alexa, de la compañía
Amazon.
Los algoritmos de PNL se combinan con modelos de aprendizaje profundo para poder
modelar relaciones lingüísticas cada vez más complejas que un simple reconocimiento de
palabras. Estas combinaciones le permiten al PNL reconocer las palabras en su contexto, lo
que da como resultado una mayor probabilidad de correcta interpretación, así como una
mayor expansión del campo de aplicación del PNL.
Como menciona Abhishek (2020), este tipo de algoritmos se pueden observar en:
• Aplicaciones de reconocimiento de voz (Siri, Alexa, etc.).
• Desarrollo de chatbots, que les permiten a las compañías brindar servicios de
atención a sus clientes de manera más automatizada.
• Traducción de textos en su contexto, que permite el análisis de los resultados de
encuestas.
• Clasificación de candidatos durante el proceso de selección y reclutamiento de
recursos humanos.
• Herramientas de búsquedas, como search autocorrect and autocomplete, la cual
corrige o autocompleta las palabras a partir de que el usuario escriba dos o tres letras.
Este algoritmo ha migrado a ser una de las funcionalidades más utilizada en
buscadores de internet, teléfonos móviles y procesadores de texto.
Como ejemplo de las oportunidades que brindan los algoritmos de PNL, se puede encontrar la
transcripción/dictado del informe a través del reconocimiento de voz. Esto aumenta la
productividad. Otra oportunidad es la detección de errores, donde el informe puede mencionar
erróneamente la extremidad inferior derecha. El algoritmo de PNL, por el tipo de estudio,
puede detectar en base al conexto que se está haciendo referencia a un procedimiento que
involucra a extremidad inferir izquierda. Esto puede tener un impacto significativo en caso de
requerir una intervención quirúrgica. Dentro de los errores de género, los algoritmos pueden
identificar situaciones donde para un paciente cuyos datos demográficos en el sistema se
encuentra clasificado como femenino, se informen “valores normales en la próstata”, cuando
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
13
el órgano en cuestión corresponde al sexo masculino. En cualquiera de estos casos, el
algoritmo puede levantar una alerta, evitando emitir un informe que podría dañar al paciente,
o en su defecto dañar la credibilidad del especialista en diagnóstico por imágenes, como
también de la institución.
Aplicación de inteligencia artificial en la medicina de precisión
Luego de la Segunda Guerra Mundial, el enfoque de la atención médica evolucionó
hacia el cuidado de enfermedades contagiosas y accidentes laborales. Esta dirección continuó
su desarrollo hasta la actualidad, en que los principales desafíos del sistema de salud son el
envejecimiento poblacional, el aumento de las enfermedades crónicas, la mejora en el acceso
a la cobertura de salud y el incremento de la productividad del sistema de salud en su
conjunto.
La industria relacionada con la radiología produce nuevos equipos médicos que, por su
alta resolución, permiten identificar muchas enfermedades en etapas tempranas gracias a su
mayor nivel de definición de imágenes anatómicas.
Los enormes avances en bioinformática lograron establecer muchos protocolos y
sistemas electrónicos de trabajo. En 1983, se creó el estándar DICOM (Digital
Communication in Medicine), que permitió unificar el lenguaje electrónico de los diferentes
equipos de imágenes, y el PACS (Picture Archiving Communication Systems), el cual
permite recibir y adquirir imágenes de los equipos digitales, distribuirlas, archivarlas e,
inclusive, enviarlas por medio de teleradiología (Ramírez, 2015).
Con la llegada de la transformación digital al área de salud, la tecnología genómica, la
biotecnología, los sensores portátiles o la IA están modificando el sistema de salud de tres
maneras complementarias. En primer lugar, colocan al paciente en el centro de atención. En
segundo lugar, la generación de una gran cantidad de datos que requieren análisis avanzados
da origen a la medicina de precisión (Mesko, 2017), es decir, la transformación cultural que
está ocurriendo en la medicina: los médicos se enfocan en los pacientes y en la prevención,
personalización y precisión de sus diagnósticos, en lugar de desarrollar tratamientos para
poblaciones y tomar decisiones médicas basadas en determinadas características similares de
los pacientes. Y, por último, la precisión de los diagnósticos, cuya piedra angular es el
Departamento de Diagnóstico por Imágenes, donde el especialista en diagnóstico por
imágenes es unos de los colaboradores claves.
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
14
El 20 de enero de 2015, el presidente Barack Obama, en su discurso sobre el Estado de
la Unión (State of the Union), anunció el lanzamiento del proyecto Iniciativa de Medicina de
Precisión (IMP), cuya misión es “permitir una nueva era de la medicina a través de la
investigación, la tecnología y las políticas que permitan a los pacientes, investigadores y
proveedores trabajar juntos hacia el desarrollo de una atención individualizada” (The White
House, 2015, párr. 1).
A partir de esta iniciativa, Collins y Varmus (2015) complementan la definición
provista por la IMP: no es un concepto nuevo, se aplica para las transfusiones de sangre desde
hace más de un siglo. Los autores señalan que la perspectiva de aplicar medicina de precisión
de manera amplia es posible debido:
“Al desarrollo reciente de bases de datos biológicas a gran escala (como la
secuencia del genoma humano), métodos poderosos para caracterizar a los
pacientes (como proteómica, metabolómica, genómica, diversos ensayos
celulares e incluso tecnología de salud móvil) y herramientas computacionales
para analizar grandes conjuntos de datos”. (párr. 3).
Collins y Varnus (2015) permiten comenzar a dilucidar un primer acercamiento a la
importancia de la IA en la medicina de precisión para el desarrollo y análisis de grandes
conjuntos de datos (big data analytics).
Mendonca y Tachinardi (2018) comparten su mirada respecto a los desafíos y
problemas que implica llevar a la práctica la IA, y cómo debe ser regulada. Señalan que la IA
debe tratarse como cualquier dispositivo especialista en diagnóstico por imágenes, fármaco o
procedimiento, y que, como estos, debe cumplir el principio de no hacer daño. Los equipos y
los nuevos medicamentos deben pasar por un proceso de aprobación estricto, el cual no se
encuentra maduro en lo que respecta a la IA.
La mayoría de los métodos de IA (ML y AP incluidos) se basan en experiencias
humanas y en la estrategia de entrenamiento. Estas dos cualidades determinan lo que, en
última instancia, significa la calidad del conjunto de datos utilizado para el proceso de
aprendizaje, lo que, a su vez, determina la calidad de los resultados alcanzados por el
algoritmo. Respecto a imágenes médicas, donde la calidad de los datos suele ser de buena a
excelente, se comienzan a observar resultados alentadores.
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
15
Ellahham et al. (2020) clasifican la aplicación de IA en dos categorías: virtual y física.
La primera hace referencia a desarrollos informáticos, como el procesamiento de imágenes o
la ficha médica electrónica. Mientras que la segunda hace referencia a la aplicación de IA en
los avances mecánicos, por ejemplo, como robótica en cirugía y rehabilitación física.
Los autores Choy et al. (2018), en su publicación de 2018, describen las aplicaciones
del aprendizaje automático en el área del diagnóstico por imágenes y cómo puede impactar de
manera positiva en las distintas fases del flujo de trabajo del especialista en diagnóstico por
imágenes.
El primer paso del flujo de trabajo es el de “programación de turnos y evaluación de
pacientes. Si se aplican algoritmos de agendamiento inteligente, se puede optimizar la agenda
del especialista en diagnóstico por imágenes y permitir la coordinación de las actividades, con
el fin de reducir la probabilidad de no brindar la atención médica.
El segundo paso que describen hace referencia a la adquisición de la imagen. En este
caso, los algoritmos pueden ayudar a reducir los tiempos de adquisición de imágenes, reducir
errores de posicionamiento del paciente en el equipo, como también mejorar la calidad de
imágenes con menor exposición a radiación para el paciente.
El próximo paso se dedica al análisis de la calidad de la imagen. Los puntos por
trabajar aquí se refieren a la clasificación de las imágenes claves para poder realizar un el
diagnóstico del estudio, como así también mejorar imágenes adquiridas con baja dosis de
radiación.
En cuarto lugar, se encuentra la detección automática de hallazgos. Como su nombre
bien lo indica, este punto trata de la detección automática de lesiones, que ya se aplica en la
actualidad como sugerencias en estudios de mamografía, ultrasonido, resonancias magnéticas
y tomografías.
En quinto lugar, se ubica la interpretación automática de los hallazgos. Este paso del
flujo de trabajo requiere importantes volúmenes de datos para que los algoritmos de
aprendizaje profundo puedan entrenarse. Así y todo, estos hallazgos deben siempre ser
validados por los especialistas en diagnóstico por imágenes.
En sexto y séptimo lugar, se presenta la automatización de decisiones clínicas como
también el posprocesamiento de imágenes. Estos pasos hacen referencia a que el algoritmo
tome decisiones clínicas y seleccione e identifique las imágenes claves donde se observan los
hallazgos. Con base en el criterio mencionado al inicio de este punto, los algoritmos deben
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
16
cumplir el enunciado de “no hacer daño”, por lo que aún requieren mayor desarrollo y
validación.
El siguiente punto hace referencia al análisis del informe especialista en diagnóstico
por imágenes, donde se observa el potencial de mejoras, como la aplicación de algoritmos de
procesamiento natural del lenguaje, y, en combinación con otros algoritmos, generar
información adicional, como, por ejemplo, mediciones médicas que se puedan aplicar en otros
ámbitos.
Finalmente, se encuentran oportunidades para la estimación automática de dosis de
radiación como así también la integración a otros sistemas.
Riesgos y oportunidades en el uso de inteligencia artificial en medicina
De acuerdo con Mesko (2017), el uso de IA traerá consideraciones éticas y asuntos
legales. El autor plantea los siguientes cuestionamientos: ¿Quién tiene la culpa si un sistema
de IA toma una decisión equivocada? ¿Quién construirá barreras y controles de seguridad en
los algoritmos?
Como se cuestiona en el párrafo anterior, se puede establecer que el principal riesgo en
el uso de IA hace referencia a la seguridad y posibles daños a pacientes. Podemos mencionar
varios puntos que tener en consideración: calidad del conjunto de datos, impacto inconsciente
(la no inclusión de outliers), niveles de confianza del análisis, falla en el aprendizaje,
violación de información de identificación personal y pocos controles al momento del
desarrollo de los algoritmos (Ellahham et al., 2020).
Como complemento de lo dicho por el autor, podemos incorporar riesgos de seguridad
informática, como ser el hackeo de los algoritmos. Otro punto para tener en consideración con
la utilización de redes neuronales artificiales y el aprendizaje profundo es que, en ocasiones,
los resultados suelen no ser interpretables. En contrapartida sucede que, debido a la
complejidad de los algoritmos, llegan a considerarse “cajas negras”, lo que significa que los
especialista en diagnóstico por imágeness no pueden explicar el porqué de los resultados que
está logrando la tecnología a pesar de que sean positivos (Ravi et al., 2017).
El McKinsey Global Institute (2019) estimó que la IA estaría creando valor por un
monto superior a los 300 mil millones de dólares. Adicionalmente, las diferentes tecnologías
de IA pueden lograr la eficiencia tanto en los equipos médicos al incrementar el volumen de
estudios diarios por equipo como así también en los flujos de trabajo. En estos últimos, se
puede mencionar la eficiencia en la transcripción de informes, en la automatización de acceso
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
17
a las imágenes, en las mejoras en cuanto a agendamientos, facturación, etc. Como
complemento del punto anterior, la generación de un gran volumen de datos permitirá mejorar
el proceso de soporte de toma de decisiones.
Las mejoras mencionadas permiten al sistema de salud mejorar las condiciones
necesarias para acelerar la aplicación y ejecución de la medicina de precisión. A partir de
estas mejoras, la definición del perfil de especialista en diagnóstico por imágenes y su
posterior evolución será clave para la correcta adoptación de estas tecnologías por parte de las
instituciones médicas.
De acuerdo con Topol (2019), el mayor potencial a largo plazo de la IA es alcanzar un
nivel de volumen de datos que permita su utilización para la construcción de digital twins.
Este concepto se define como el equivalente virtual digital de un elemento físico que consta
de tres componentes principales, que son “productos físicos en el espacio real, productos
virtuales en el espacio virtual, y las conexiones de datos e información que unen los productos
virtuales y reales” (Grieves, 2014, como se citó en Tadayoni et al., 2020: 11).
Habiendo considerado tanto las ventajas como desventajas de la IA, se requiere la
creación de estándares éticos sobre su uso que estén acordados por todo el sector de salud.
También se requerirá la creación de reglas para la construcción y validación de fallas y
control de los algoritmos.
Será fundamental la capacitación de los distintos actores del sistema de salud (personal
especialista en diagnóstico por imágenes, administradores y pacientes), para un correcto
entendimiento del funcionamiento y uso de las diferentes herramientas de IA, como su
capacidad para medir la efectividad de las tecnologías.
Por último, será clave la coordinación y comunicación entre los proveedores que
desarrollan soluciones de IA, con el fin de asegurar que sus soluciones e investigaciones sean
validadas y revisadas por pares, como así también una comunicación clara hacia el público en
general sobre las posibles ventajas y riesgos del uso de IA en medicina.
Tecnologías que se encuentran disponibles en la medicina de precisión
Dado el alcance de este estudio limitaremos las tecnologías por evaluar a aquellas que
se centren en áreas de diagnóstico médico e imágenes o que tengan un impacto directo en las
actividades del especialista en diagnóstico por imágenes (se excluyen imágenes generadas por
equipamiento especialista en diagnóstico por imágenes como ultrasonido y equipos
cardíacos).
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
18
Se procederá a listar solo algunas de las tecnologías provistas por tres de las
principales compañías de soluciones médicas que operan en el mercado de salud argentino.
Las compañías en cuestión son Royal Philips, Siemens Healthineers y General Electric
Healthcare.
Royal Philips enumera once soluciones dentro de sus categorías de Diagnosis and
treatment. Estas tecnologías pueden ser agrupadas en mejoras técnicas de equipamiento
especialista en diagnóstico por imágenes, mejoras para la adquisición de imágenes y
plataformas, y herramientas para el apoyo de la realización del informe especialista en
diagnóstico por imágenes. Aquellas tecnologías que impactan directamente en la actividad del
especialista en diagnóstico por imágenes son las siguientes:
Smart Exam: Apoya el flujo de trabajo con geometrías de escaneo generadas
automáticamente.
MRCAT: Utiliza modelos entrenados con IA para el cálculo, que proporcionan información
anatómica detallada y atenuación para el cálculo de dosis.
Intellispace Discovery: Proporciona aplicaciones y herramientas para que los especialistas en
diagnóstico por imágenes agreguen y normalicen datos, que se pueden visualizar y anotar para
entrenar y validar algoritmos de aprendizaje profundo.
Intellispace Portal: Combina datos clínicos de diversas modalidades que utilizan IA para
mejorar los flujos de trabajo clínicos.
IntelliSpace Precision Medicine: Integra información en diferentes dominios clínicos, como
radiología, patología y genómica, e incorpora todos los datos médicos y de pacientes clave en
un solo lugar para proporcionar una visión clara e intuitiva del estado del paciente en su
enfermedad y contexto.
IntelliSpace AI Workflow Suite: Se integra en la infraestructura hospitalaria, organiza
automáticamente el direccionamiento de los datos clínicos a la aplicación de IA adecuada
dentro del ecosistema del proveedor de atención médica para permitir el análisis de datos sin
la interacción del usuario y muestra los resultados. Los usuarios pueden revisar la lista de
pacientes para los que se han ejecutado una o más aplicaciones de IA, seleccionar un paciente
en particular, revisar los resultados de la aplicación de IA para este paciente en particular en
una vista detallada, aceptar o rechazar los resultados y proporcionar un mensaje de texto.
Dentro de esta plataforma, se encuentran las soluciones más extendidas en la radiología en
Argentina.
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
19
Como las soluciones de sistemas de información radiológica más conocida como “RIS”.
Adicionalmente, se encuentra el sistema de comunicación de archivo de imágenes, o PACS, y
también el sistema de información hospitalario, o HIS.
Siemens Healthineers enumera más de 63 soluciones que incorporan IA. Nos
enfocaremos en la categoría de Artificial Intelligence in Radiology. La compañía no brinda
mayor detalle de su tecnología, pero las agrupa en dos tipos:
AI Rad Companion: Proporcionan un posprocesamiento automático de conjuntos de datos de
imágenes a través de algoritmos impulsados por IA. La automatización de los flujos de
trabajo de rutina con tareas repetitivas y grandes volúmenes de casos ayuda a facilitar el flujo
de trabajo diario. El algoritmo procura resaltar automáticamente las anomalías, segmenta las
anatomías y compara los resultados con los valores de referencia.
AI-Pathway Companion: Esta tecnología procura soporte a la toma de decisiones clínicas. El
sistema tiene como objetivo integrar los datos longitudinales del paciente y correlacionar los
conocimientos de las imágenes, la patología, el laboratorio y la genética. Adicionalmente,
intenta brindar información para el análisis de datos e indicadores clave de rendimiento.
Adicionalmente, Siemens Healthineers, incluye una categoría de Imaging IT, donde
podemos encontrar soluciones similares a las mencionadas por Philips. En esta categoría, se
encuentran las siguientes:
Soluciones de visualización avanzada: La solución syngo.via una solución de software
inteligente para la lectura de múltiples modalidades.
Soluciones de flujo: En esta categoría, se encuentran las soluciones de RIS, administración,
estadísticas, reconocimiento de voz, etc.
VNA Software: Soluciones de archivo y para compartir imágenes en la nube. Dentro de esta
solución, se encuentran las soluciones de PACS, herramienta de diagnóstico, etc.
Enterprise Imaging IT y Enterprise Viewing: Esta categoría consolida e integra todas las
soluciones de la compañía para que se integren dentro de una institución médica.
En los últimos años, General Electric HealthCare (GEHC) ha estado consolidando
todas sus soluciones digitales dentro de su plataforma Edison. Esta compañía describe la
plataforma como diseñada para a lograr una mayor eficiencia, mejorar los resultados de los
pacientes y aumentar el acceso a la atención. Integradas en los flujos de trabajo existentes, las
aplicaciones de Edison pueden integrar y asimilar datos de fuentes dispares y aplicar análisis
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
20
o algoritmos avanzados para generar conocimientos clínicos, operativos y financieros. Las
soluciones de Edison se pueden implementar de forma segura a través de la nube, Edison
HealthLink o directamente en dispositivos inteligentes.
Se procede a listar las principales aplicaciones que utilizan IA y que impactan
directamente en el flujo de diagnóstico por imágenes:
Critical Care Suite: Analiza automáticamente las imágenes al momento de la adquisición, en
busca de hallazgos críticos (neumotórax), y produce notificaciones de triaje enviadas
directamente al PACS.
TrueFidelity™ CT Images: Utiliza aprendizaje profundo para la reconstrucción de imágenes
para generar imágenes con detalles profundos, textura real y alta fidelidad para cada
tomografía computarizada.
AIR™ Recon DL: Es una aplicación de aprendizaje profundo diseñada para mejorar la
relación señal-ruido y la nitidez de la imagen, lo que permite tiempos de escaneo más cortos.
Edison Open AI Orchestrator: Simplifica la selección, implementación y uso de IA en flujos
de trabajo de imágenes a escala.
AIR x™: Permite la colocación precisa de cortes para proporcionar exploraciones rápidas y
consistentes independientemente de la posición del paciente, el tiempo entre exploraciones o
el técnico.
Mural: Asigna prioridades a la atención del especialista en diagnóstico por imágenes en los
casos de pacientes más críticos y ayuda a reducir el tiempo de intervención.
Imaging Insights: Proporciona un detalle de la flota de equipamientos (de múltiples
proveedores, de múltiples modalidades) y brinda un resumen de utilización de activos,
protocolos y dosis, como así también indicadores de calidad, de experiencia del paciente y
métricas de derivación.
En términos generales, las principales soluciones en el mercado que ya incluyen
diferentes tipos de IA son el RIS, PACS, portales y, en menor medida, el HIS. El primero
permite optimizar el flujo de trabajo como también la reducción de errores en datos
demográficos mediante la integración entre los equipos médicos, las listas de trabajo y el
PACS. Las estaciones de trabajo con PACS facilitan al especialista en diagnóstico por
imágenes la revisión e interpretación de estudios en un sitio. La tendencia de mercado es que
las estaciones de trabajo de radiología permitan informar acerca de la mayor cantidad de
estudios, de diferentes equipos médicos de la institución, de manera centralizada; mientras
que los portales facilitan la distribución de los estudios médicos con sus informes para los
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
21
pacientes, como así también la distribución de los resultados para los médicos
solicitantes/referentes.
Inteligencia artificial en la actualidad COVID-19
A partir del procesamiento natural del lenguaje, se desarrollaron tres algoritmos para
monitorear e identificar resultados positivos de enfermedades respiratorias típicas de COVID-
19. Los algoritmos se aplicaron a 450114 informes de tomografías de tórax, obtenidas de más
de 2100 unidades médicas interconectadas, distribuidas por todos los Estados Unidos, por el
período que abarca desde el 1ro. de enero de 2020 hasta el 3 de octubre de 2020. Sobre la base
del aprendizaje automático, se pudieron rastrear los hallazgos detectados en los informes de
imágenes de enfermedades respiratorias, obtenidos a través de las imágenes de tomografía
computarizada de tórax y se identificó una fuerte correlación con la progresión de la
pandemia de COVID-19 en los Estados Unidos (Cury et al., 2021).
Los departamentos de imágenes en el sistema de salud y el rol del especialista en
diagnóstico por imágenes
El sistema de salud argentino se compone de tres sectores, el público, el seguro social
obligatorio y el sector privado. El sector público presta atención gratuita a toda persona que lo
requiera. Está conformado por la red de hospitales y centros de salud públicos cuyos recursos
son provistos y gestionados a nivel municipal, provincial y nacional. El sector del seguro
social obligatorio presta cobertura a los trabajadores asalariados y sus familias, de acuerdo
con la rama de su actividad. Esta organizado a través de las Obras Sociales (OS) y el Instituto
Nacional de Servicios Sociales para Jubilados y Pensionados/Programa de Asistencia Médica
Integral (INSSJyP - PAMI). Este último brinda cobertura a los jubilados del sistema nacional
de previsión y a sus familias. Los recursos son provistos por contribuciones de los
trabajadores y de los empleadores y, en determinadas ocasiones, pueden ser provistos por las
provincias o por el gobierno nacional.
Por último, el sector privado se descompone en tres grandes grupos: en primer lugar,
podemos nombrar a las empresas de medicina prepaga (EMP), las cuales son entidades de
seguro voluntario que agrupan múltiples prestadores de servicios, como clínicas, sanatorios y
hospitales privados. En segundo lugar, podemos mencionar establecimientos asistenciales
contratados por las OS, y, por último, profesionales que prestan servicios independientes a
pacientes que pueden estar asociados a OS o a EMP.
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
22
En 1989 se emitieron las leyes 23660 de Obras Sociales y la ley 23661, que da origen
al Seguro Nacional de Salud. Luego de múltiples decretos y resoluciones, en la actualidad se
encuentra vigente el Programa Especialista en diagnóstico por imágenes Obligatorio (PMO)
regulado por la resolución 1991/2005(Boletín oficial 5/1/2006). El PMO comprende un
conjunto de prestaciones muy amplio, que cubre el 95 % de las consultas ambulatorias,
atención quirúrgica y hospitalaria, odontológicas, etc. Las OS nacionales y las EMP están
obligadas a atender el PMO bajo supervisión de la Superintendencia de Servicios de Salud
que depende del ministerio de Salud.
El área de imágenes diagnósticas es considerada en la actualidad el área donde se
genera una de las mayores tasas de crecimiento en la generación de datos e imágenes gracias a
los continuos avances tecnológicos en los equipamientos especialista en diagnóstico por
imágeness.
Así como se da el incremento de datos e imágenes, también se presenta un aumento en
la carga laboral de los médicos dado el incremento de imágenes por estudio realizado, la
multiplicación de las actividades de investigación y la alta prevalencia de las enfermedades.
Desde un punto de vista económico, esta área se encuentra dentro de las cinco áreas
más rentables en las instituciones de la salud y es considerada una de las áreas que permite el
ingreso de nuevos pacientes para las instituciones del sector privado. Como se mencionó
anteriormente, la tendencia del sector es avanzar hacia la medicina de precisión, por lo cual el
Departamento de Imágenes es una de las áreas donde se plantean nuevos desafíos de
productividad y calidad de atención.
De acuerdo con el informe de Núñez et al. (2020), la región de América Latina y el
Caribe está posicionada en un nivel de desarrollo intermedio respecto a otras regiones del
mundo en términos de desarrollo de su ecosistema digital, dado que muestra una moderada
tasa de crecimiento anual de su digitalización.
En el caso de instituciones privadas, el proceso combina pasos manuales y otros
automatizados, que culminan en la entrega de informes y estudios, y se efectúan a través de la
impresión de las imágenes (proceso analógico).
A continuación, se procederá a describir de manera superficial el proceso que sigue el
Departamento de Imágenes. El flujo que sigue se inicia con la orden y solicitud del servicio.
Este paso consiste en la emisión de una orden médica en papel por parte de un especialista en
diagnóstico por imágenes referente (aquel que solicita el estudio). A partir de allí, el paciente
gestiona una solicitud de servicio.
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
23
El segundo paso corresponde a la recepción del paciente en la institución que llevará a
cabo el estudio. Este arriba a la institución y, en la recepción, se tipea la orden médica y se
verifican los datos demográficos como así también su cobertura de salud (OS, EMP). En
aquellas instituciones con consultorios externos, guardias o salas de emergencia, se puede
evitar el paso de gestionar una solicitud de servicio a través de una derivación interna del
paciente. Una vez validada la información, en caso de requerirse y según el tipo de estudio
que se realice, se le solicita el llenado de formularios. Luego, se procede al escaneo de esos
formularios y, a partir de allí, incluir al paciente en la lista de trabajo del técnico que realizará
el estudio y la captura de las imágenes.
El tercer paso es la captura. En esta etapa, el técnico realiza el examen y lo marca
como finalizado en su lista de trabajo, documenta en la planilla técnica y vuelca la
información al sistema (escaneo de planilla técnica).
En cuarto lugar, se encuentra la lectura, diagnóstico y confección del informe. El
especialista en diagnóstico por imágenes recibe las planillas técnicas, y comienza con la
generación del informe. El especialista en diagnóstico por imágenes puede dictar a una cinta o
dispositivo digital para su transcripción y resaltar los puntos críticos; validar con el
especialista en diagnóstico por imágenes referente para que, luego, la transcripcionista genera
la versión final del informe. Por último, el especialista en diagnóstico por imágenes verifica el
informe y lo firma.
Finalmente, se procede con la distribución. En esta etapa, se actualiza la ficha del
paciente y se le entregan el estudio y el informe correspondiente.
Ante la falta o escasez de especialistas en diagnóstico por imágenes, sobre todo en
especialidades como mamografía y expertos en oncología, las instituciones privadas de salud
están incrementando sus inversiones en tecnología en el Departamento de Imágenes con el
objetivo de poder adaptarse a los nuevos desafíos de la salud. Estas inversiones están
orientadas en el avance hacia la medicina de precisión y procuran agregar valor al servicio de
imágenes maximizando la calidad, incrementando la colaboración entre especialistas en
diagnóstico por imágenes y tratando de mejorar la calidad de vida.
Metodología del trabajo de campo
Con el propósito de entender cómo las inversiones en tecnología dentro de los
Departamentos de Imágenes impactan en el perfil del especialista en diagnóstico por
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
24
imágenes se realizó un trabajo de campo, a través de dos actividades tendientes a obtener
información del mercado.
La primera actividad constó de una encuesta de opción múltiple a 17 especialistas en
diagnóstico por imágenes de Ciudad de Buenos Aires, Provincia de Buenos Aires, Chubut;
Mendoza y Córdoba. Como características generales de este público se mencionan las
siguientes: todos trabajan al menos en una institución privada, con más de cinco años de
experiencia en posiciones similares, con un rango etario entre 35 y 50 años.
La segunda actividad fue una entrevista a tres ejecutivos de los tres proveedores de
estas tecnologías que operan en el sector de salud argentino y de los cuales se brindó
anteriormente un breve detalle de las tecnologías que ofrecen.
La encuesta constó de ocho preguntas, las cuales se focalizaron en las siguientes áreas:
• Entendimiento del concepto de IA.
• Nivel de utilización de IA.
• Riesgos y amenazas para el especialista en diagnóstico por imágenes.
• Potencial de IA para el especialista en diagnóstico por imágenes.
• Riesgos y oportunidades de IA en el Departamento de Imágenes Médicas.
• Evolución del perfil de especialista en diagnóstico por imágenes.
En lo que respecta a las entrevistas, se procedió también a buscar la opinión de las
principales compañías que comercializan productos/soluciones de IA en la Argentina. Las
entrevistas se focalizaron en cuatro puntos: los beneficios que provee la IA en el
Departamento de Imágenes, los riesgos que conlleva en esta área, el potencial observado por
las compañías en el uso de este tipo de tecnologías por los especialistas en diagnóstico por
imágenes y, finalmente, cómo observan la evolución del perfil del especialista en diagnóstico
por imágenes. Con el objetivo de relacionar las respuestas de los entrevistados, se utilizaron
preguntas similares a las realizadas en la encuesta a especialista en diagnóstico por imágenes.
Resultados
Definición de IA: Se consultó sobre qué se entiende por IA, a partir de definición de Russell y
Norvig (2004). Los encuestados podían seleccionar todas las opciones en caso de
considerarlo. Ante esta pregunta el 76% de los encuestados definió la IA como la
automatización de actividades para la toma de decisiones, la resolución de problemas y el
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
25
aprendizaje, mientras que, en segundo lugar, el 65% de los consultados consideró que la IA
consiste en sistemas que buscan imitar el pensamiento lógico racional de los humanos. Un
12% definió a la IA como robots que realizan tareas de forma similar a como lo hacen las
personas, y un 6% la definió como la imitación de manera racional del comportamiento
humano.
Sobre el nivel de utilización de IA: De los consultados, el 53% informó que utiliza o ha
utilizado algún tipo de IA.
Amenazas para el especialista en diagnóstico por imágenes: Un 17% de los encuestados
considera que la IA es una amenaza para el especialista en diagnóstico por imágenes.
Reemplazo del especialista en diagnóstico por imágenes: Solo un 6% considera que será
reemplazado.
Potencial: El 53% considera que permitirá reducir errores en la confección del diagnóstico, el
23,4 % considera que permitirá identificar nuevas patologías, un 17,6 % considera que
permitirá ganar productividad debido a la reducción de captura de imágenes, y un 6 %
considera que permitirá dedicar más tiempo al paciente.
Riesgos en el diagnóstico: El 65 % considera que la IA puede inducir a errores de
diagnósticos, el 23 % considera que puede arrojar errores en la captura de la imagen y un 12
% considera que puede generar una pérdida/reducción de trabajo.
Beneficios de IA: Un 41 % expresa que permitirá identificar mejoras de productividad, un
23,5 % consideran que reducirá el tiempo de captura de imágenes. 23,5 % obtiene la
reducción de tiempos de diagnóstico y, finalmente, un 12 % considera que permitirá una
priorización de la atención médica.
Evolución del perfil del especialista en diagnóstico por imágenes con la adoptación de IA: El
82 % expresó que será una herramienta adicional, un 12% considera que se limitará a
confirmar el diagnóstico y un 6% considera que para determinados estudios será reemplazado
por la IA.
Sobre la base de los resultados de las entrevistas, se puede inferir que el nivel de
digitalización en el sector privado de salud en la Argentina se encuentra en torno al 52,9%, el
cual se asemeja al valor intermedio estimado en el informe de Núñez et al. (2020) publicado
por la CEPAL.
El principal riesgo lo constituyen los errores en el desarrollo o en el entrenamiento del
algoritmo. Este punto hace referencia a la poca preparación que tienen los organismos de
control para la autorización y validación de estas soluciones.
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
26
Adicionalmente, la velocidad de comercialización que buscan las compañías
proveedoras apunta a la masificación de los productos, lo que puede llevar a no considerar
particularidades geográficas, étnicas, etc. (determinados síntomas en países poco
desarrollados, como la India, pueden ser poco comunes en países menos desarrollados). Un
buen ejemplo es el caso provisto por una de las empresas proveedoras, que, por motivos de
confidencialidad, solicitó no brindar detalles.
El caso en cuestión se centró en un cliente de Latinoamérica, donde se firmó un
convenio para la incorporación de un sistema de ocho algoritmos integrados con la estación
de trabajo del especialista en diagnóstico por imágenes especialista en diagnóstico por
imágenes. La prueba piloto procuraba la incorporación de varios algoritmos de deep learning
autorizados por el organismo de Estados Unidos, denominado Food and Drug Administration
(FDA). Algunos de los algoritmos eran de detección de densidad ósea, hígado graso, calcio
coronario, enfisema y sangrado cerebral, etc. Luego de cinco meses, el resultado del estudio
arrojó que ningún algoritmo podía aplicarse en dicho país, debido a que la dosis de radiación
autorizada por el gobierno era menor que la dosis requerida por el algoritmo. Este “pequeño”
detalle generaba mayor ruido en las imágenes y el algoritmo no estaba entrenado para
reconocer esos niveles de ruido, lo que generó muchos falsos positivos, por lo que hubo que
dar por terminada la prueba.
Adicionalmente, existe un riesgo adicional, referido a las muchas soluciones
desarrolladas por las propias instituciones, las cuales, al no ser comercializadas, en la
actualidad no requieren autorizaciones de ningún tipo.
Por último, en las entrevistas se detectó la posible existencia de desmotivación para el
ingreso de nuevos estudiantes en la carrera de especialista en diagnóstico por imágenes, lo
cual puede acentuar aún más la escasez de profesionales en esta área.
Existe una visión compartida en lo que respecta a las oportunidades que brinda la IA;
se pueden resumir como mayor precisión y rapidez en los informes diagnósticos. Ambas
categorías permiten a los especialistas en diagnóstico por imágenes acelerar el proceso de
informe y, como resultado, los pacientes pueden recibir un diagnóstico más preciso. Esto se
traduce en el core de la medicina de precisión, dado que permite menores costos para las
instituciones, debido a la posibilidad de llevar a cabo un tratamiento más certero, el cual
implica menores costos de internación, prevención de enfermedades. Todo esto concluye en
que el paciente puede evolucionar más rápidamente y con una mayor calidad de atención
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
27
médica, dado que se atacan directamente los desafíos del sistema en cuanto a un mejor acceso
a la salud y la productividad.
Existen oportunidades de incremento de productividad que no impactan en los
pacientes, sino que permiten mejorar la eficiencia de los especialistas en diagnóstico por
imágenes y la optimización del flujo de trabajo. Las compañías proveedoras de soluciones de
Healthcare IT (soluciones de tecnología de información para la salud) tienen una amplia
variedad de soluciones, que permiten automatizar flujos, reducir tiempos de captura de
estudios (GE AIR™ Recon DL), distribución de imágenes (PACS), sistemas de información
hospitalarios o para radiología (HIS, RIS). Estas tecnologías impactan directamente en la
definición de un nuevo perfil de especialista en diagnóstico por imágenes especialista en
diagnóstico por imágenes.
A partir de los resultados y de las entrevistas, se pueden encontrar coincidencias
respecto al potencial de la IA entre los proveedores y los especialistas en diagnóstico por
imágenes. Estos puntos en común se perciben como la mejora de productividad, como se trató
previamente.
La tendencia del sistema de salud, como ya se dijo, es migrar hacia la medicina de
precisión, lo que significa una mejor calidad de atención y mayor foco en el paciente.
Tanto las instituciones como las proveedoras de IA procuran brindar soluciones para
acelerar este proceso. El conflicto se presenta al ser solo el 6% de los especialistas en
diagnóstico por imágenes quienes observan que la IA puede apoyarlos en acelerar la adopción
de la medicina de precisión, con el fin de dedicar más tiempo a la atención del paciente.
Las mejoras de productividad que puede brindar la IA están muy asociadas a la
aplicación de algoritmos de aprendizaje profundo. De acuerdo con lo definido en los
conceptos mencionados, requieren un gran volumen de datos para que los algoritmos mejoren
la vía de aprendizaje y el incremento de volumen de datos provenientes de los nuevos
desarrollos tecnológicos alimenta este perfeccionamiento de los algoritmos.
Con base el párrafo anterior, y considerando la baja percepción que tienen los
especialistas en diagnóstico por imágenes con respecto a la dedicación de más tiempo a sus
pacientes, se puede inferir que aún existe falta de claridad por parte de los especialistas en
diagnóstico por imágenes respecto a los beneficios que trae la IA. Esta relación se puede
sustentar sobre la base del resultado de los riesgos y amenazas detectadas, a través de la
encuesta, en la que el 17 % de los encuestados considera que la IA es una amenaza para el
especialista en diagnóstico por imágenes y, que el 12 % de los especialista en diagnóstico por
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
28
imágenes considera que pueden ver reducida su carga de trabajo, como también aquellos que,
en menor medida, un 6 %, considera que la IA reemplazará al especialista en diagnóstico por
imágenes.
Esta falta de visibilidad de oportunidades para mejorar la dedicación con el paciente
puede asociarse con el incremento de carga de trabajo que está recayendo en los especialistas
en diagnóstico por imágenes. Este incremento de volumen se debe principalmente a la mayor
cantidad de estudios que se realizan como también a la escasez de especialistas en diagnóstico
por imágenes de acuerdo a como se menciona en el trabajo publicado por Valdés Solís y
Martínez Serrano en 2020 titulado “Las cargas de trabajo en radiología”.
Desde el punto de vista de los especialistas en diagnóstico por imágenes encuestados,
el 100 % concuerda con que el perfil de especialista en diagnóstico por imágenes se verá
impactado. Estas respuestas se pueden vincular con el nivel de uso de IA, ya que más del 50
% utiliza o ha utilizado esta tecnología.
Adicionalmente, de la encuesta, se puede inferir que el uso de los algoritmos es una
realidad, dado que la mayoría considera que esta tecnología será una herramienta y que, en
determinados casos, podrá emitir un informe con diagnóstico y, en menor medida, reemplazar
al especialista en diagnóstico por imágenes.
De acuerdo con las compañías proveedoras de tecnologías, el perfil de especialista en
diagnóstico por imágenes evolucionará hacia un rol más especializado y técnico, en el que se
ampliarán sus responsabilidades hacia otras ramas de la medicina con las que, en la
actualidad, no se encuentran involucrados. Comparten una preocupación respecto a la falta de
actualización de los currículos de las carreras para la formación de los futuros especialistas en
diagnóstico por imágenes.
Sobre la base de las tecnologías disponibles, se puede establecer que los proveedores
de tecnologías enfocan el desarrollo de sus soluciones, con el fin de que las instituciones
logren un incremento de productividad, apuntando a dos áreas específicas. La primera de ellas
es el incremento de productividad de los especialistas en diagnóstico por imágenes, lo que se
puede traducir en una mejora de productividad para las instituciones, como también en un
aumento de ingresos para los especialistas en diagnóstico por imágenes, dada la tendencia
cada vez mayor a que su remuneración esté asociada a la cantidad de estudios informados.
La segunda área se focaliza en desarrollar la productividad a través de la mejora en el
flujo de trabajo. En esta área, se observa el mayor impacto en el perfil del especialista en
diagnóstico por imágenes, como las mayores posibilidades para expandir las oportunidades de
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
29
trabajo como también mejorar la calidad de vida atacando, de esta manera, las principales
preocupaciones de los especialistas en diagnóstico por imágenes.
3. CONCLUSIONES
En la actualidad, existen instituciones que ya aplican algún grado de telemedicina en
procura de obtener provecho de los beneficios que brinda. Los desafíos más importantes que
se observan están relacionados con la poca infraestructura disponible en telecomunicaciones
al alejarse de las grandes ciudades como también a las herramientas de financiamiento para
llevar a cabo este tipo de proyectos. Este último es importante, dado que, hasta no alcanzar
una masa crítica de estudios, puede llevar a que el proyecto sea inviable.
Otro desafío no menor, y que limita los resultados de productividad que brinda la
telerradiología, está asociada a la poca coordinación entre el Estado, las OS, las EMP y las
organizaciones que representan a los especialistas en diagnóstico por imágenes en el país;
estas son la “Federación Argentina de Asociaciones de Radiología, Diagnóstico por Imágenes
y Terapia Radiante” (FAARDIT) y la “Sociedad Argentina de Radiología” (SAR). Todos
estos actores deben coordinarse para trabajar en la estandarización de protocolos de
telemedicina, en la puesta al día de la legislación pertinente, en la generación de rondas de
inversiones para el desarrollo de la telemedicina como también procurar la eliminación o
flexibilización respecto a las limitaciones que presenta el sistema de matriculación provincial.
Este es un punto que genera conflicto al momento de querer realizar el cobro de los estudios
entre las OS, EMP e instituciones médicas.
Otro desafío importante es la actualización de los planes educativos que promueven e
incentivan la formación de nuevos profesionales en radiología y sus subespecialidades.
Respecto a los desafíos que presenta el PNL, las organizaciones, las instituciones y el
Estado deben unir esfuerzos para poder confeccionar un diccionario especialista en
diagnóstico por imágenes que permita a los desarrolladores entrenar los algoritmos con una
gran cantidad de volumen de datos sobre morfología, sintaxis, semántica en el mundo de la
medicina.
Tampoco podemos dejar de mencionar el desafío de trabajar sobre la desconexión
existente entre los objetivos hacia la medicina de precisión y la percepción que tienen los
especialistas en diagnóstico por imágenes.
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
30
Con relación al perfil del especialista en diagnóstico por imágenes el principal desafío
es migrar hacia un especialista en diagnóstico por imágenes IT oriented (orientado a la
tecnología), lo que le permite adoptar las herramientas de tecnología y hacer buen uso de
ellas. Esta orientación del especialista en diagnóstico por imágenes será clave para el
desarrollo de nuevas tecnologías y su testeo y aplicación.
Otra habilidad que se deberá desarrollar es la de consultor para los médicos clínicos.
En la actualidad, son muy pocos los diagnósticos que se realizan sin la necesidad de llevar a
cabo algún tipo de estudio de imágenes. Esta habilidad de consultor también llevará a un
trabajo cada vez más colaborativo.
Además, los mismos especialistas en diagnóstico por imágenes deberán profundizar
sus conocimientos con mayor nivel de especialización y abordar otras áreas que, en la
actualidad, no se encuentran dentro de su especialización, como patología, ultrasonido.
En caso de querer aplicar este modelo, un especialista en diagnóstico por imágenes
debe contar con matrículas habilitantes de cada una de las provincias donde se efectúe la
entrega del informe final. Este punto puede salvarse realizando la matriculación de todos los
especialistas en diagnóstico por imágenes de la institución, pero incrementa el costo operativo
del área y, en caso de no contar con las habilitaciones, se atenta contra uno de los beneficios
de la telerradiología, que es la optimización de costos y de gestión de picos de carga de
trabajo mediante la distribución del trabajo a otros especialistas en diagnóstico por imágenes
que puedan apoyar con el diagnóstico.
Los distintos actores encuestados y entrevistados concuerdan en que se pueden
clasificar los riesgos en tres grupos: seguridad (de paciente e informática), calidad de datos y
compresión de la tecnología. A su vez, también existe coincidencia, con las oportunidades
identificadas. Estas se asocian a mejoras de eficiencia y productividad, como también a la
mejora del proceso de soporte para la toma de decisiones.
A pesar de las oportunidades, los especialistas en diagnóstico por imágenes
compartieron su preocupación respecto a posibles errores de diagnóstico inducidos por la
tecnología como también errores relacionados con la captura de imágenes. Es importante
resaltar que las compañías proveedoras de este tipo de soluciones observan un riesgo
adicional relacionado con la escasez de especialistas en diagnóstico por imágenes, empujado
por la desmotivación que ocasiona el uso de IA para la formación de nuevos profesionales.
Esta falta de motivación puede tener origen en la falta de comprensión del concepto de
“medicina de precisión”, que se centra en un diagnóstico preciso, pero, sobre todo, en un
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
31
mayor foco en el paciente (no necesariamente más tiempo de relación del especialista con el
paciente, sino con el médico clínico), la falta de comprensión de las oportunidades que arroja
la IA y, por último, el poco conocimiento respecto a la escasez de especialistas en diagnóstico
por imágenes, lo que brinda interesantes perspectivas laborales al momento de tomar una
decisión sobre la formación profesional.
La vinculación de las diferentes soluciones de sistemas disponibles en el mercado
permite entender cómo será la evolución del perfil del especialista en diagnóstico por
imágenes. Las diversas soluciones pueden desarrollan el perfil apoyándose en la optimización
del flujo de trabajo, la reducción de errores en datos demográficos en el proceso de recepción
de pacientes (RIS), como también la combinación de las diferentes tecnologías, que permite la
disponibilidad centralizada de imágenes obtenidas mediante diferentes equipos y posibilita
que sean diagnosticadas e informadas desde un solo lugar (PACS).
Como resultado final, esta combinación permite, a través de los portales médicos y de
pacientes, una mejor distribución y entrega de los informes a las personas interesadas. Estas
soluciones, en conjunto con un mayor grado de especialización del perfil de los especialistas
en diagnóstico por imágenes, se traducen en nuevas oportunidades de trabajo y, junto con la
eficiencia en otros aspectos, buscar el logro de una mejora en la calidad de vida de los
especialistas en diagnóstico por imágenes.
Por otra parte, a través del análisis de los resultados del trabajo de campo, se identificó
una contradicción entre la tendencia de la industria de la salud y los especialistas en
diagnóstico por imágenes. La primera se encuentra representada bajo el concepto de medicina
de precisión, que, como ya fue comentado, se relaciona con diagnósticos precisos,
individualizados y con mayor dedicación y foco en el paciente. A pesar de que las
instituciones y los especialista en diagnóstico por imágenes coinciden en el incremento de
productividad que brinda la IA, la contradicción se presenta en que solo una minoría (el 6 %
de los especialista en diagnóstico por imágenes encuestados), percibe que la tecnología podrá
apoyarlos para alcanzar el principal objetivo de la medicina de precisión, que es poner más
foco en el paciente, por ejemplo, en tareas consultivas del especialista en diagnóstico por
imágenes con el médico clínico.
En pos de procurar resolver este conflicto, se podría diseñar una propuesta que permita
al especialista en diagnóstico por imágenes aumentar su valor a través del modelo de
telemedicina. Esta implicaría una capacitación continua tanto en conocimientos médicos
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
32
como tecnológicos, que le permitan evolucionar en su perfil hacia una mayor especialización
y empleabilidad.
Al considerar la relación entre la telemedicina y la aplicación de algoritmos de
procesamiento natural del lenguaje, ambas tecnologías se potencian para valorizar aún más el
perfil del especialista en diagnóstico por imágenes en todas las especialidades.
A medida que el perfil del especialista en diagnóstico por imágenes se vuelve más
especializado y la medicina se vuelve cada vez más dependiente del análisis de imágenes,
continúa el desafío de cerrar la brecha del acceso a la salud y de la calidad de atención entre
las ciudades más desarrolladas y menos desarrolladas. La telemedicina apoyada en la IA y la
evolución de perfil del especialista en diagnóstico por imágenes resulta una posible solución
para reducir esta desigualdad y ayudar resolver la escasez de especialistas en diagnóstico por
imágenes especializados.
Con base en lo anterior, y como se planteó en los desafíos institucionales, será clave
que las instituciones, en conjunto con el Estado y las diferentes organizaciones que
representan a los especialistas en diagnóstico por imágenes, trabajen coordinadamente para
poder incentivar la formación de nuevos profesionales mediante una clara comunicación de
cómo las nuevas tecnologías permiten aumentar el valor del especialista en diagnóstico por
imágenes a través de una mayor especialización y expansión de las fronteras del mercado
laboral para el especialista en diagnóstico por imágenes. El nuevo perfil permitirá una mejor
atención de los pacientes y la evolución del especialista en diagnóstico por imágenes hacia
nuevos perfiles, de los cuales, uno de ellos es el de ser garante de la validez de los algoritmos,
como así también el de ser consultor clínico para sus pares dentro del sistema de salud.
Comparando las descripciones clásicas del perfil del especialista en diagnóstico por
imágenes planteadas por la American Board of Radiology (2021) y Pitman et al. (2018) con
los resultados de la presente investigación, se observa que la misión general del puesto y sus
principales tareas podrían a futuro conservarse, con algunos agregados. Por un lado, la
introducción de nuevas tecnologías y la IA permitirá a futuro acelerar la subespecialización,
con el consecuente surgimiento de perfiles especializados. A su vez, el profesional requerirá
nuevos y más sofisticados conocimientos técnicos en IT para la correcta adopción de las
tecnologías. Y, finalmente, los especialistas en diagnóstico por imágenes se convertirán en
custodios de la validez de los resultados médicos que proporcionen los algoritmos de
inteligencia artificial.
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
33
Podemos concluir que, con la incorporación de la IA, el perfil del especialista en
diagnóstico por imágenes aumenta su valor. El aprendizaje automático en forma de
procesamiento de imágenes, visión por computadora y procesamiento natural del lenguaje son
las tecnologías de IA clave que formarán los pilares de la nueva plataforma que redefinirá el
futuro de la radiología.
REFERENCIAS BIBLIOGRÁFICAS
Abhishek, S. (2020). Top 10 Applications of Natural Language Processing (NLP). Analytics Vidhya.
Recuperado de: https://www.analyticsvidhya.com/blog/2020/07/top10-applications-of-
natural-language-processing-nlp/ .
American Board of Radiologyst, (2021). Radiology Specialties.
https://www.theabr.org/about/radiology-specialties . (Fecha de consulta: 29 de Julio de 2021).
Baclic, O., Tunis, M., Young, K., Doan, C., & Swerdfeger, H. (2020). “Challenges and opportunities
for public health made possible by advances in natural language processing”. Canada
Communicable Disease Report, 161–168. https://doi.org/10.14745/ccdr.v46i06a02 .
Belló, M. & Becerril-Montekio, V. M. (2011). “Sistema de salud de Argentina”. Salud Pública de
México, 53(Supl. 2), 96-109. Recuperado de:
http://www.scielo.org.mx/scielo.php?script=sci_arttext&pid=S003636342011000800006&lng
=es&tlng=es . (Fecha de consulta: 11 de agosto de 2021).
Boucher, P. (2020). “Artificial intelligence: How does it work, why does it matter, and what can we
do about it?” .European Parliamentary Research Service. Recuperado de:
https://www.europarl.europa.eu/stoa/en/document/EPRS_STU(2020)641547 .
Choy, G.; Khalilzadeh, O.; Michalski, M.; Do, S.; Samir, A. E.; Pianykh, O. S.; Geis, J. R.;
Pandharipande, P. V.; Brink, J. A. & Dreyer, K. J. (2018). “Current applications and future
impact of machine learning in radiology”. Radiology, 288(2), 318–328.
https://doi.org/10.1148/radiol.2018171820 .
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
34
Cirillo, D. & Valencia, A. (2019). Big data analytics for personalized medicine. Current Opinion in
Biotechnology (Vol. 58, pp. 161–167). Elsevier Ltd.
https://doi.org/10.1016/j.copbio.2019.03.004 .
Collins F. & Varmus H. (2015). “A New Initiative on Precision Medicine”. The New England
Journal of Medicine. February 26, 2015; 372:793-795.
https://doi.org/10.1056/nejmp1500523 .
Comisión Europea. (2021). A definition of AI: main capabilities and disciplines. Recuperado de:
https://digitalstrategy.ec.europa.eu/en/library/definition-artificial-intelligencemaincapabilities-
and-scientific-disciplines .
Comisión Europea. (2016). The EU Data Protection Reform and Big Data: Factsheet 2016
https://publications.europa.eu/en/publication-detail/-/publication/51fc3ba6-e601-11e7-9749-
01aa75ed71a1 .
Cornejo, J. & Santilli, H. (2012). “La Historia Temprana de la Radiología en la Argentina”. Revista
de Historia de la Medicina y Epistemología Médica. 4, 1-13. Recuperado de:
https://www.researchgate.net/publication/233899165_La_Historia_Temprana_de_la_Radiolo
gia_en_la_Argentina . (Fecha de consulta: 11 de Agosto de 2021).
Cossy-Gantner, A.; Germann, S.; Schwalbe, N. R. & Wahl, B. (2018). “Artificial intelligence (AI)
and global health: How can AI contribute to health in resource poor settings?”. BMJ Global
Health, 3(4). https://doi.org/10.1136/bmjgh-2018-000798
Cury, R. C., Megyeri, I., Lindsey, T., Macedo, R., Batlle, J., Kim, S., Baker, B., Harris, R., & Clark,
R. H. (2021). “Natural Language Processing and Machine Learning for Detection of
Respiratory Illness by Chest CT Imaging and Tracking of COVID-19 Pandemic in the United
States”. Radiology: Cardiothoracic Imaging, 3(1), e200596.
https://doi.org/10.1148/ryct.2021200596 .
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
35
Ellahham, S., Ellahham, N., & Simsekler, M. C. E. (2020). “Application of Artificial Intelligence in
the Health Care Safety Context: Opportunities and Challenges”. American Journal of Medical
Quality, 35(4), 341–348. https://doi.org/10.1177/1062860619878515 .
Jiang, F.; Jiang, Y.; Zhi, H; Dong, Y.; Li, H; Ma, S.; Sa., Y; Wang, Y; Dong, Q.; H. Shen, H. &
Wang, Y.. (2017). “Artificial intelligence in healthcare: past, present and future”, Stroke Vasc.
Neurol. (2). http://dx.doi.org/10.1136/svn-2017-000101 .
Facultad de Medicina de la Universidad de Buenos Aires. (2021). Curso de Tec. Especialista en
diagnóstico por imágenes Universitario / Lic. en Producción de Bioimágenes. Recuperado de:
https://www.fmed.uba.ar/carreras/curso-de-tec/radiologo-universitario-lic-en-produccion-de-
bioimagenes/informacion-general .
General Electric HealthCare. Recuperado de: https://www.gehealthcare.com/products/edison .
Gonzalez, Georgina y Pieri Manuel G. (2017). “Historia de la Radiología”. Rev. Cient. Esc. Univ.
Cienc. Salud, 4(1): 48 45-48.
Ishak, W. H. W., & Siraj, F. (2002). “Artificial intelligence in medical application: An exploration”.
Health Informatics Europe Journal, 16.
McKinsey. (2019). Driving impact at scale from automation and AI. Recuperado de:
https://www.mckinsey.com/~/media/McKinsey/Business%20Functions/McKinsey%20Digital
/Our%20Insights/Driving%20impact%20at%20scale%20from%20automation%20and%20AI/
Driving-impact-at-scale-from-automation-andAI.ashx .
Mendonca, E. & Tachinardi, U. (2018). “Artificial Intelligence and Medicine: ‘Times are
a’changing’ ”. J Health Inform, 10(4), 1–2. Recuperado de: http://www.jhi-
sbis.saude.ws/ojsjhi/index.php/jhi-sbis/article/viewFile/684/347 .
Mesko, B. (2017). “The role of artificial intelligence in precision medicine”. Expert Review of
Precision Medicine and Drug Development, 2(5), 239–241. Taylor and Francis Ltd.
https://doi.org/10.1080/23808993.2017.1380516 .
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
36
Morra, L.; Delsanto, S. & Correale, L. (2019). Artificial Intelligence in Medical Imaging. CRC Press.
Recuperado de: https://doi.org/10.1201/9780367229184 .
Molteni, M.. (2017). “If you look at X-Rays or Moles for a Living, AI is coming for your job”,
Wired. Recuperado de: https://www.wired.com/2017/01/look-x-rays-moles-living/aicoming-
job/ .
Núñez, G.; Negrete, F.; Bravo, J.; J. P.; Katz; Callorda, F.; Jung, J. CEPAL-SECRETARíA
TÉCNICA DEL ELAC (*). (2020). Digital Policy and Law Telecom Advisory services LLC.
Recuperado de:
https://repositorio.cepal.org/bitstream/handle/11362/45360/4/OportDigitalizaCovid19_es.df . (Fecha
de consulta: 16 de Agosto de 2021).
Parlamento Europeo. (2020). “¿Qué es la inteligencia artificial y cómo se usa?”. Recuperado de:
https://www.europarl.europa.eu/news/es/headlines/society/20200827STO85804/que-es-la
inteligencia-artificial-y-como-se-usa
Pitman A.; Cowan, I. A., Floyd, R. A., Munro, P. L. 2018),. “Measuring radiologist workload:
Progressing from RVUs to study ascribable times”. Journal of Medical Imaging and
Radiation Oncology, 62, 605-618.
Ramírez AJL. (2015). “Desafíos de la especialidad de radiología en las siguientes décadas”. Anales
de Radiología, 14(1), 1-10.
Raval, K. M. (2012). “Data Mining Techniques”. International Journal of Advanced Research in
Computer Science and Software Engineering (Vol. 2, Issue 10, p 439-442). www.ijarcsse.com
.
Ravi, D.; Wong, C.; Deligianni, F.; Berthelot, M.; Andreu-Perez, J. & Lo, B.(2017). "Deep Learning
for Health Informatics". IEEE Journal of Biomedical and Health Informatics, 21(1), 4-21,
http://dx.doi.org/10.1109/JBHI.2016.2636665 .
Revista Científica de UCES
Vol. 27, N° 1 (Enero – Junio de 2022)
ISSN Electrónico: 2591-5266
(pp. 1 - 37 )
37
Royal Philips. https://www.philips.com/a-w/about/artificial-intelligence/ai-enabledsolutions.html
Russell, S. J. & Norvig, P. (2004). Inteligencia artificial: un enfoque moderno (2a ed.). Pearson
Prentice Hall.
Salmerón, S. P. (2005). “El Especialista en diagnóstico por imágenes experto”. Anales de Radiología.
México, 4(4):364.
Schuh, G.; Reinhart, G.; Prote, J. P.; Sauermann, F.; Horsthofer, J.; Oppolzer, F.; & Knoll, D. (2019).
“Data Mining Definitions and Applications for the Managementof Production Complexity”.
Procedia CIRP, 81, 874–879. https://doi.org/10.1016/J.PROCIR.2019.03.217 .
Siemens Healthineers. https://www.siemens-healthineers.com/en-us/infrastructureit/artificial-
intelligence .
Tadayoni, R.; Maier-Rabler, U. & Angus, D. (2020). “Digital Twins in Healthcare”. Recuperado de:
https://projekter.aau.dk/projekter/files/360456256/Jeske_MasterThesis.pdf .
The White House. President Barack Obama. “The precision medicine initiative”. Recuperado de:
https://obamawhitehouse.archives.gov/precision-medicine . (Fecha de consulta: 8 de Agosto
de 2021).
Topol, E. J. (2019). “High-performance medicine: the convergence of human and artificial
intelligence”. Nat Med , 25, 44–56 (2019). https://doi.org/10.1038/s41591-018-0300-7 .
Valdés Solís, P. y Martínez Serrano, C. (2020). Las Cargas de Trabajo en Radiología. Sociedad
Española de Radiología Médica [SERAM]. Recuperado de:
https://seram.es/images/site/Cargas_trabajo_SERAM_julio2020.pdf .
