El uso de la inteligencia artificial y el aprendizaje automático para promover la equidad en la salud infantil

Área de la Ciencia:

• Salud pediátrica
• Equidad en salud
• Salud computacional

Sus antecedentes:

• La inteligencia artificial (IA) y el aprendizaje automático (AM) pueden exacerbar las desigualdades de salud si no se utilizan con cuidado.
• El ML ofrece información potencial sobre los factores socioeconómicos que afectan a la salud, lo que permite predicciones a nivel individual y poblacional.
• Abordar la equidad sanitaria en la salud infantil requiere una consideración cuidadosa de las aplicaciones de IA/ML.

Objetivo del estudio:

• Describir las posibles aplicaciones de la ML en la salud infantil, centrándose en su impacto en la equidad en la salud.
• Describir dos nuevos casos de uso de ML para promover la equidad de salud de la población en diversos entornos urbanos.
• Identificar y mitigar las posibles inequidades incrustadas en los datos, los modelos y el despliegue de capacitación de ML.

Principales métodos:

• Desarrollo y formación de un algoritmo de aprendizaje automático que utilice datos demográficos de rutina para predecir la falta de asistencia a las consultas ambulatorias.
• Creación de una herramienta de predicción de riesgos para el asma pediátrica utilizando métricas determinantes de la salud de rutina.
• Aplicación de ML en una población diversa del centro de Londres.

Principales resultados:

• Demostró la utilidad de ML en la predicción de la falta de asistencia a las citas de salud infantil.
• Desarrolló una herramienta para identificar pacientes con asma de alto riesgo para intervenciones preventivas.
• Resaltó el potencial de ML para orientar las intervenciones y mejorar la equidad en salud.

Conclusiones:

• El ML tiene una promesa significativa para avanzar en la equidad de la salud infantil cuando se desarrolla y se implementa cuidadosamente.
• Las estrategias proactivas son necesarias para evitar la incorporación inadvertida de la inequidad en los sistemas ML.
• Las estrategias de mitigación son cruciales para garantizar que la IA/ML beneficie a todos los niños de manera equitativa.