La deficiente ciencia basada en el aprendizaje automático
Reporting Standards for ML-based Science, la huella de carbono de la IA, financiación para la salud digital y Apple Watch X
Reporting Standards for ML-based Science, la huella de carbono de la IA, financiación para la salud digital y Apple Watch X
Por fin todos los rumores coinciden que el próximo Apple Watch tendrá una forma en la que los usuarios podrán controlar su presión arterial.
En su décimo aniversario de los relojes inteligentes de Apple, la compañía quiere mostrar un dispositivo renovado el “Apple Watch X”. Y desde hace tiempo se sabe que tiene equipos trabajando en un sensor y software para saber si el usuario tiene presión arterial alta. El problema más importante que han tenido durante las pruebas es la precisión y aunque llevan cuatro años con el proyecto, la funcionalidad aún podría retrasarse hasta 2025.
Apple Watch X with blood pressure monitoring reportedly coming next year
The Apple Watch X is expected to mark the tenth anniversary of the Apple Watch.www.xda-developers.com
Siempre hablando de la IA, de los avances en la ayuda a profesionales (como en radiología), las grandes redes neuronales actuales y las multimodales futuras, los modelos de lenguaje masivo (LLM), su efectivad, etc. Y un artículo científico publicado en Springer pone el dedo en la llaga del problema ecológico.
Detrás de esta efectividad de los modelos contemporáneos de IA hay dos recursos principales: acceso a grandes conjuntos de datos de alta calidad y la capacidad de entrenar enormes redes neuronales con hasta cientos de miles de millones de parámetros. A medida que estas redes neuronales se entrenan y se implementan a escala, se ejerce una gran demanda computacional, que consume energía eléctrica y, por lo tanto, deja una huella de carbono.
El artículo describe algunas equivalencias para darnos cuenta de que puede parecer un problema menor, pero no por ello irrelevante.
The ecological footprint of medical AI - European Radiology
European Radiology (2023) Cite this article Artificial intelligence (AI) is progressively being woven into the fabric…link.springer.com
La financiación (venture capital) global de la salud digital se reduce a 3.400 millones de dólares, su nivel trimestral más bajo desde el tercer trimestre de 2017. Según CBInsights hemos vuelto al punto de partida en inversión.
Es que ni siquiera se puede decir al momento prepandemia… no, al pre-prepandemia.
Y si vas el detalle, hay datos más desalentadores. Los acuerdos con más bajas inversiones medias corresponden a las terapias digitales, de acuerdo que son inversiones en etapas iniciales, pero los inversionistas son muy susceptibles a los últimos sucesos como la quiebra de Pear Therapeutics.
[Actualización] Los números tampoco funcionan con respecto a la inversión en “medtech”. Y la previsión según Pitchbook es que no supere a la del año pasado, es decir sigue en cáida durante 3 años consecutivos.
State of Digital Health Q2'23 Report - CB Insights Research
Global digital health funding ticks down to $3.4B, its lowest quarterly level since Q3'17.www.cbinsights.com
En el altamente recomendado blog Substack “AI Snake Oil” de los profesores de computación de Princeton Sayash Kapoor y Arvind Narayanan, han publicado REFORMS un check list que ellos han creado en consenso con 19 investigadores en informática, ciencia de datos, ciencias sociales, matemáticas e investigación biomédica.
La lista de verificación contiene 32 elementos para que se puedan revisar los artículos científicos que generan ciencia basada en machine learning. El motivo para crear esta herramienta es que los profesores han demostrado que hay una gran cantidad de errores y malas prácticas en las investigaciones con ML que luego se plasman en los “papers” y generan una evidencia que no es real.
Fugas de datos, errores de interpretación, la ausencia de estándares a la hora de redactar resultados, etc. son motivos más que fundados para preocuparse de lo que diga “la ciencia” cuando se utilizan o se generar modelos de machine learning. Imprescindible documento.
Introducing the REFORMS checklist for ML-based science
ML-based science is in trouble. Clear reporting standards for researchers could help.www.aisnakeoil.com
Y finalizo continuando con temas de startups e innovación y me fijo en la entrevista a Martha Gray, profesora en Harvard — MIT que publica Diario Médico, hablando de retos y obstáculos en la innovación en salud. Así como por qué fracasan y cómo pueden tener éxito las startups.
Martha Gray (MIT): "Muchos fracasos de las innovaciones tecnológicas se remontan a los orígenes del…
Los programas linQ, que Gray dirige en el MIT, guían todos los aspectos de la innovación biomédica, desde el…www.diariomedico.com
Con demasiada frecuencia, las nuevas tecnologías se desarrollan sin un conocimiento profundo de las dinámicas clínicas, normativas y económicas que influyen en el statu quo, o comienzan como soluciones en busca de aplicaciones
Durante estos meses de verano reduciré la cantidad de artículos a dos a la semana, aproximadamente.
Espero que te haya gustado, si es así te agradezco que lo compartas. Puedes suscribirte a este blog de actualidad, y leer más artículos breves. Por supuesto en CuraeSalud encontrarás información más extensa sobre Salud Digital.
Autor: José Miguel Cacho