La inteligencia artificial en atención primaria: ¿solución o problema?
I tiakina i:
Bonis, J., Bravo, R., La inteligencia artificial en atención primaria: ¿solución o problema?. Atención Primaria, vol. 57, n. 4, 2025, 3 p.
Ref.
603247
Tauwāhi:
SIIS Archivo (R.1842)
Palabras clave:
Tecnología, Atención primaria, Estudio cualitativo
Tecnología, Atención primaria, Estudio cualitativo
Whakarāpopotonga:
La inteligencia artificial, aunque pueda parecer reciente, no es un concepto nuevo, especialmente en el ámbito de la medicina. <br><br> En 1964, un software llamado ELIZA fue diseñado como un psicoterapeuta. Este programa demostró que, mediante reglas simples, muchas personas podían creer que estaban conversando con un ser humano, cuando en realidad interactuaban con un algoritmo. <br><br> En la década de 1970, un médico internista desarrolló el sistema MYCIN, que era capaz de seleccionar pautas antibióticas para la septicemia con mayor precisión que muchos clínicos. <br><br> Sin embargo, MYCIN nunca llegó a implementarse de forma generalizada, lo que puso en evidencia que el principal desafío de la inteligencia artificial no radica en su desarrollo, sino en su integración efectiva en la práctica clínica. <br><br> Durante años, el procesamiento del lenguaje natural aplicado a la medicina fue un área de interés mayoritariamente académico. <br><br> Un avance decisivo se produjo en 2017, cuando investigadores de Google presentaron el transformer, una red neuronal diseñada para la traducción automática con una precisión sin precedentes. <br><br> A diferencia de los modelos tradicionales de aprendizaje automático, que requerían datos específicos para cada tarea, los grandes modelos de lenguaje (LLM, por sus siglas en inglés) se entrenan con arquitecturas neuronales tipo transformer a partir de textos existentes en Internet. <br><br> Este tipo de entrenamiento se basa en una tarea aparentemente simple, pero fundamental: predecir la siguiente palabra en una secuencia. A partir de un volumen suficientemente grande de textos, los modelos logran aprender las reglas del lenguaje humano y las relaciones entre conceptos presentes en dichos textos.
La inteligencia artificial, aunque pueda parecer reciente, no es un concepto nuevo, especialmente en el ámbito de la medicina. <br><br> En 1964, un software llamado ELIZA fue diseñado como un psicoterapeuta. Este programa demostró que, mediante reglas simples, muchas personas podían creer que estaban conversando con un ser humano, cuando en realidad interactuaban con un algoritmo. <br><br> En la década de 1970, un médico internista desarrolló el sistema MYCIN, que era capaz de seleccionar pautas antibióticas para la septicemia con mayor precisión que muchos clínicos. <br><br> Sin embargo, MYCIN nunca llegó a implementarse de forma generalizada, lo que puso en evidencia que el principal desafío de la inteligencia artificial no radica en su desarrollo, sino en su integración efectiva en la práctica clínica. <br><br> Durante años, el procesamiento del lenguaje natural aplicado a la medicina fue un área de interés mayoritariamente académico. <br><br> Un avance decisivo se produjo en 2017, cuando investigadores de Google presentaron el transformer, una red neuronal diseñada para la traducción automática con una precisión sin precedentes. <br><br> A diferencia de los modelos tradicionales de aprendizaje automático, que requerían datos específicos para cada tarea, los grandes modelos de lenguaje (LLM, por sus siglas en inglés) se entrenan con arquitecturas neuronales tipo transformer a partir de textos existentes en Internet. <br><br> Este tipo de entrenamiento se basa en una tarea aparentemente simple, pero fundamental: predecir la siguiente palabra en una secuencia. A partir de un volumen suficientemente grande de textos, los modelos logran aprender las reglas del lenguaje humano y las relaciones entre conceptos presentes en dichos textos.