Introducción 

La inteligencia artificial (IA) y el aprendizaje automático (machine learning; ML) están revolucionando la manera en que abordamos soluciones en diversos campos, incluida la salud. Estas tecnologías ofrecen múltiples ventajas, entre las que destaca la automatización de tareas repetitivas, lo que permite liberar tiempo y recursos para que los profesionales de la salud se concentren en aspectos más críticos de la atención al paciente. Por ejemplo, sistemas de IA pueden automatizar la revisión de imágenes médicas, agilizando el diagnóstico y reduciendo la carga de trabajo de los especialistas.

No obstante, la implementación efectiva de estas tecnologías enfrenta desafíos significativos, especialmente debido a la escasez de conjuntos de datos de alta calidad, los cuales son esenciales para el entrenamiento de modelos de IA precisos y fiables. En el ámbito de la salud, la calidad de los datos es determinante para el éxito de cualquier proyecto de IA. Datos incompletos, inconsistentes o mal etiquetados pueden conducir a modelos inexactos, lo que podría resultar en decisiones clínicas erróneas con consecuencias potencialmente graves para los pacientes.

Modelos de aprendizaje supervisado en salud

Dentro del ámbito del ML, los modelos de aprendizaje supervisado juegan un papel crucial. Estos modelos se caracterizan por su capacidad para aprender a partir de datos etiquetados, utilizando pares de entrada y salida conocidos durante la fase de entrenamiento para identificar patrones y relaciones subyacentes. Son especialmente útiles en tareas como el diagnóstico de enfermedades, la predicción de resultados clínicos o la segmentación de imágenes médicas. Habitualmente las etiquetas a predecir son previstas por humanos y se consideran como el estándar de oro.

La efectividad de estos modelos depende en gran medida de la calidad y cantidad de los datos disponibles, ya que requieren conjuntos de datos extensos y bien anotados para lograr predicciones precisas y fiables. Por lo tanto, la creación de conjuntos de datos de alta calidad es fundamental para el desarrollo exitoso de modelos supervisados en el sector salud.

Anotación de conjuntos de datos

La anotación de datos es un componente fundamental en la creación de conjuntos de datos. Consiste en etiquetar cada instancia de los datos con la información relevante que el modelo debe aprender a predecir. En el ámbito de la salud, esto puede incluir la identificación de patologías en imágenes médicas, la clasificación de registros clínicos o la segmentación de tejidos en imágenes de resonancia magnética. La precisión y consistencia en la anotación son esenciales para garantizar que el modelo aprenda patrones correctos y evite sesgos. Este proceso requiere la colaboración de expertos en el dominio, quienes proporcionan las etiquetas necesarias basadas en su conocimiento especializado. Además, es crucial establecer protocolos claros y detallados que guíen a los anotadores, asegurando que todos utilicen los mismos criterios y estándares durante la etiquetación. Una anotación de alta calidad no solo mejora el rendimiento del modelo, sino que también facilita la interpretabilidad y la confianza en las predicciones generadas por los modelos de IA.

La operacionalización de estos procesos implica la creación de instrucciones claras y detalladas para la anotación de datos, asegurando que todos los anotadores sigan los mismos criterios y estándares. Esto no solo mejora la calidad del conjunto de datos, sino que también facilita la reproducibilidad y validación de los modelos de IA, incrementando su fiabilidad y eficacia en aplicaciones sanitarias. La reproducibilidad es fundamental para que otros investigadores puedan validar y extender los hallazgos, mientras que la validación asegura que los modelos funcionan correctamente en diferentes contextos y poblaciones.

¿Para quién es esta Guía?

Esta guía está diseñada para investigadores, ingenieros de datos, clínicos y equipos de desarrollo que trabajan en proyectos de IA aplicada a la salud. Es particularmente útil para quienes buscan:

• Construir conjuntos de datos desde cero, asegurando su alineación con los objetivos del modelo y la población de interés.
• Anotar datos de manera estandarizada y reproducible, minimizando la variabilidad entre anotadores y reduciendo sesgos.
• Seleccionar fuentes de datos adecuadas, evaluando la pertinencia de datos primarios y secundarios en función de los requerimientos del proyecto.
• Garantizar la transparencia y la reproducibilidad, documentando adecuadamente los procesos de construcción y anotación de datos.

Al desarrollar esta guía de buenas prácticas, identificamos que los proyectos que requieren la creación de conjuntos de datos en salud suelen responder a dos enfoques principales, cada uno con sus propios desafíos y características:

Conjuntos de datos orientados a una solución específica

Este enfoque es común en proyectos enfocados en resolver un problema concreto y delimitado. La creación del conjunto de datos es una parte integral de un proceso mayor orientado al diseño o mejora de una solución específica, como el desarrollo de un modelo de machine learning para el diagnóstico de una enfermedad particular.

• Problema: Se necesita un conjunto de datos bien definido y alineado con los requisitos de un modelo o solución específica.
• Solución: El conjunto de datos se construye para cumplir un objetivo preciso, con variables y criterios de anotación claramente delimitados.

Por ejemplo, en un sistema de diagnóstico de cáncer de mama, el conjunto de datos debe incluir atributos clave como imágenes mamográficas etiquetadas con precisión, permitiendo entrenar al modelo para identificar con alta especificidad las características indicativas de la enfermedad.

Creación de un conjunto de datos para uso futuro

Este enfoque se centra en la construcción de un conjunto de datos amplio y versátil, cuyo objetivo no está vinculado a una solución inmediata. En lugar de resolver un problema específico, se busca crear una base de datos reutilizable para una variedad de futuros proyectos.

• Formato Pragmático: Se prioriza la calidad y la amplitud del conjunto de datos, asegurando que los datos estén bien definidos sin enfocarse en categorías específicas que limiten su reutilización.
• Beneficio Futuro: El conjunto de datos sirve como una base para distintos propósitos, como análisis generales o la digitalización de grandes volúmenes de datos para diversas soluciones potenciales.

Un ejemplo de este enfoque sería la digitalización de imágenes médicas de alta resolución, sin definir desde el inicio un problema específico a resolver, pero garantizando que las imágenes puedan ser útiles para diferentes tipos de análisis en el futuro.

¿Por qué esta guía es más útil para conjuntos de datos orientados a problemas específicos?

Aunque ambos tipos de proyectos pueden beneficiarse de esta guía, su mayor utilidad se encuentra en los conjuntos de datos orientados a soluciones específicas. Esto se debe a que la guía está diseñada para estructurar y optimizar los procesos de anotación en proyectos que requieren una solución precisa, donde la exactitud y la claridad en la definición de los datos son cruciales. La guía proporciona herramientas y pautas para definir con precisión las variables y criterios de anotación necesarios para crear un conjunto de datos que cumpla estrictamente con los requisitos del proyecto.

En estos casos, el alcance del conjunto de datos es más limitado, lo que permite aplicar las mejores prácticas sugeridas para asegurar la calidad y reproducibilidad de los datos sin recolectar información irrelevante. Este enfoque es común en proyectos de machine learning que buscan solucionar problemas concretos, como la clasificación de imágenes o la detección de patrones en datos médicos. Por lo tanto, la guía se adapta perfectamente a las necesidades de estos equipos de trabajo, ayudándoles a construir conjuntos de datos específicos y bien estructurados que potencien el desarrollo de modelos de IA eficaces y confiables en el ámbito de la salud.