Inteligencia artificial en el campo de la salud , la enciclopedia libre

Radiografía de una mano con cálculo automático de la edad ósea mediante un programa informático basado en inteligencia artificial.

La Inteligencia Artificial (IA) aplicada al campo de la salud se basa en la utilización de algoritmos y técnicas de software para predecir la cognición humana a través del análisis de conjuntos de datos médicos. En concreto, la Inteligencia Artificial es la habilidad que dota a algoritmos computacionales de la capacidad para aproximar conclusiones sin la intervención directa del razonamiento humano.

Lo que diferencia a la tecnología basada en la Inteligencia Artificial de las tecnologías tradicionales empleadas en el campo de la salud, es la habilidad de conseguir información, procesarla y proporcionar al usuario final un diagnóstico bien definido. La Inteligencia Artificial consigue este objetivo por medio de algoritmos de aprendizaje automático, que son capaces de reconocer patrones de comportamiento y extraer su propia lógica. Para reducir el margen de error, los algoritmos basados en Inteligencia Artificial necesitan someterse a continuas evaluaciones.[1]​ Los algoritmos basados en Inteligencia Artificial se comportan de manera diferente a los seres humanos en cuanto a los dos siguientes factores: (1) los algoritmos son literales: cuando se establece un objetivo, el algoritmo no puede auto ajustarse y solamente comprenderá aquello que se le ha ordenado de forma explícita, (2) y los algoritmos son cajas negras; pueden predecir de forma extremadamente precisa, pero no explicar el por qué de su predicción.

El objetivo principal de las técnicas de Inteligencia Artificial aplicadas en el campo de la salud, es analizar las relaciones entre métodos de prevención o tratamiento y sus resultados en el paciente. Se han creado y aplicado programas basados en Inteligencia Artificial a prácticas como procesos de diagnóstico, creación de protocolos de tratamiento, creación de fármacos, medicina personalizada y monitorización y cuidado del paciente. Instituciones clínicas como The Mayo Clinic, Memorial Sloan Kettering Cancer Center, Massachusetts General Hospital y el National Health Service, han creado algoritmos basados en inteligencia Artificial para sus departamentos. Grandes compañías tecnológicas como IBM y Google, y startups como Welltok y Ayasdi, también han creado algoritmos basados en Inteligencia Artificial orientados al campo de la salud. Además, las nuevas tecnologías traen consigo nuevas consideraciones éticas en cuestiones como la intimidad, oportunidades perdidas en el mercado laboral, y desigualidades en la representación. [2]​

Historia

[editar]

Investigaciones en las décadas de 1960 y 1970 tuvieron como resultado la creación del primer sistema experto, conocido como Dendral. A pesar de estar diseñado para aplicaciones en química orgánica, proporcionó la base para el posterior sistema MYCIN, considerado uno de los usos más tempranos de la inteligencia artificial en medicina. No obstante, ni MYCIN ni otros sistemas como INTERNIST-1 o CASNET consiguieron que se hiciera un uso rutinario de ellos.[3]​

En las décadas de 1980 y 1990, tuvo lugar una proliferación de los microordenadores y nuevos niveles de conectividad de red. Durante este tiempo, investigadores y creadores reconocían que los sistemas basados en inteligencia artificial aplicados en el campo de la salud debían ser diseñados para acomodar la ausencia de conjuntos de datos perfectos. Métodos basados en la teoría de conjuntos borrosos, redes Bayesianas y redes neuronales han sido aplicadas a sistemas inteligentes en el campo de la salud.

Los avances médicos y tecnológicos, conseguidos a lo largo de esta mitad de siglo, que han permitido el crecimiento de las aplicaciones de inteligencia artificial aplicadas en el campo de la salud, incluyen:

  • Avances en la energía de cómputo, dando lugar a una mayor rapidez en la recolección y el procesamiento de datos[4]​
  • Aumento del volumen y disponibilidad de datos médicos para el personal y dispositivos médicos[5]​
  • El crecimiento de las bases de datos se secuenciación genómica[6]​
  • Implementación generalizada de sistemas de expedientes sanitarios electrónicos[7]​
  • Avances en el procesamiento del lenguaje natural y visión computacional, permitiendo a las máquinas replicar procesos de percepción humanos[8]​[9]​
  • Mejoras en la precisión en las cirugías llevadas a cabo por robots[10]​

Investigación actual

[editar]

Varias especialidades en medicina han mostrado un aumento en las investigaciones relacionadas con la inteligencia artificial. No obstante, la especialidad que más atención ha cobrado es el campo de la Radiología.[11]​

Investigaciones actuales en España

[editar]

La llegada de la pandemia mundial provocada por el Covid-19 (SARS CoV-2) ha hecho que se impulse el uso de herramientas basadas en inteligencia artificial para comprender y obtener conclusiones en un menor tiempo sobre la enfermedad.

Algunas de las investigaciones y aplicaciones que se han llevado a cabo en España son:

  • Metodología combinada para la detección del virus, mediante el estudio de muestras nasofaríngeas con la técnica MALDI-TOF-MS y su posterior procesamiento, con un modelo de inteligencia artificial basado en Máquinas de Vectores de Soporte (SVM). Esta técnica permite, en comparación con la prueba de diagnóstico actual más generalizada (RT-PCR), reducir a menos de 2h. el tiempo desde que se toma la muestra hasta la obtención de resultados  con una precisión del 96%. Además su aplicación reduciría los costes de la prueba en un 75%.[12]​
  • Algoritmo de aprendizaje federado implantado por los Hospitales 12 de Octubre, Ramón y Cajal (Madrid) y Sant Pau (Barcelona) que analiza imágenes radiológicas de tórax, ayudando a agilizar la detección de la enfermedad (como prueba complementaria) aportando un diagnóstico más preciso.[13]​[14]​[15]​
  • CNN (Red Neural Convolucional) desarrollada por la Universitat de Barcelona que identifica y segmenta las lesiones pulmonares provocadas por el virus, automatizando los procesos de identificación y segmentación de la gravedad del sujeto mediante el análisis de TC (Tomografía Computarizada).[16]​[17]​
  • Calculadora de libre acceso desarrollada por investigadores de IRYCIS (Instituto Ramón y Cajal de Investigación Sanitaria) basada en PRIORITY, un modelo de regresión logística que predice, en una fase de detección inicial de la enfermedad, a los pacientes con pronóstico crítico. La herramienta está orientada a los centros médicos con bajos recursos o ausencia de pruebas radiológicas, ya que está basado en variables de exploración clínica e historial médico.[18]​[19]​
  • TUCUVI es un asistente virtual conversacional basado en PLN (Procesamiento de Lenguaje Natural) desarrollado por Tucuvi Care (Startup ganardonada con los premios: “Premios Emprendedor XXI”,”Fenin” en 2021). Estos son alguno de los proyectos implementados con organizaciones sanitarias: acuerdo de colaboración con  IRYCIS (Instituto Ramón y Cajal de Investigación Sanitaria) y el Servicio de Medicina Interna del Hospital Ramón y Cajal, para el seguimiento de pacientes con IC (Insuficiencias Cardiacas). Hospital La Princesa dónde realizan seguimiento domiciliario a los pacientes ingresados por Covid y que han sido dados de alta hospitalaria o el Hospital Universitario de Torrejón de Ardoz dónde además de pacientes con Covid realizan seguimiento a pacientes con EPOC (Enfermedad Pulmonar Obstructiva Crónica).[20]​[21]​

Radiología

[editar]

La habilidad para interpretar resultados en imágenes puede proporcionar ayuda a los clínicos en la detección de cambios en imágenes, o detalles que los clínicos han podido pasar por alto. Un estudio que ha incorporado la inteligencia artificial en el campo de la radiología es un estudio de la universidad de Stanford, que es capaz de detectar la neumonía de manera más acertada que los radiólogos. La Sociedad Radiológica de Norte América ha decidido emplear técnicas de inteligencia artificial en la mayor parte de sus horarios. La centésimo cuarta Asamblea Científica y Reunión Anual organizada por RSNA en noviembre de 2018 exhibió novedosas herramientas de imagen basadas en inteligencia artificial. Entre estas herramientas, se encontraba el detector de pecho de Samsung, que es una herramienta radiológica de ultrasonidos que estandariza la manera de clasificar e informar sobre patologías en el pecho. La emergencia de las tecnologías basadas en inteligencia artificial en el campo de la radiología se considera como una amenaza por algunos especialistas, ya que este tipo de técnicas pueden llevar a cabo determinadas tareas de forma más acertada que los especialistas humanos, cambiando así el rol que tienen hoy en día los radiólogos.[22]​[23]​

Salud monitorizada

[editar]

El auge de la telemedicina ha mostrado el incremento de posibles aplicaciones de la IA en este campo.[24]​ La habilidad para monitorizar a pacientes empleando técnicas de inteligencia artificial puede favorecer la transmisión de información a los médicos si se detecta actividad relacionada con alguna posible enfermedad. La utilización de un dispositivo que un paciente puede llevar puesto, puede permitir una monitorización constante del paciente y la habilidad de detectar cambios menos detectables para los humanos.

Industria

[editar]

La unión de grandes compañías dedicadas al campo de la salud con otras compañías dedicadas al campo de la salud, han fomentado la accesibilidad a una mayor cantidad de datos médicos.[25]​ Una mayor cantidad de datos médicos puede permitir un aumento en la implementación de algoritmos basados en inteligencia artificial.[26]​

Las industrias dedicadas al campo de la salud, tienen gran parte de su foco de implementación basada en técnicas de IA en los sistemas de apoyo de decisión clínica.[27]​ Con el aumento en el volumen de datos disponibles, las decisiones tomadas por los sistemas basados en IA son más eficientes. Numerosas compañías están explorando las posibilidades de incorporar el big data en la industria dedicada al campo de la salud.[28]​

Las siguientes grandes compañías son algunas de las que han contribuido a la creación de algoritmos de IA para su uso en el campo de la salud.

IBM

[editar]

La oncología de Watson de IBM se encuentra bajo desarrollo en el Memorial Sloan Kettering Cancer Center y la Clínica Cleveland.[29]​ IBM también está trabajando con CVS Salud en AI aplicaciones en tratamiento de enfermedad crónica y con Johnson & Johnson encima análisis de papeles científicos para encontrar conexiones nuevas para desarrollo de fármaco.[30]​

Microsoft

[editar]

El proyecto Hanover de Microsoft, en asociación con el Instituto Knight Cancer de la Universidad Health & Science de Oregon, analiza investigaciones médicas con el objetivo de predecir las opciones de tratamiento para el cáncer más efectivo para el paciente.[31]​ Otros proyectos incluyen el análisis de la imagen médica del progreso de tumores y el desarrollo de células programables.[32]​

Google

[editar]

El Servicio Nacional de Salud de Reino Unido está usando la plataforma DeepMind de Google para detectar determinados riesgos para la salud analizando los datos recolectados a través de aplicaciones móviles.[33]​ Un segundo proyecto con la NHS implica el análisis de imágenes médicas recolectadas de pacientes de la NHS para la creación de algoritmos basados en visión computacional para detectar tejidos cancerígenos.[34]​

Intel

[editar]

Intel Capital ha invertido recientemente en la startup Lumiata, que utiliza la inteligencia artificial para identificar pacientes en riesgo y crear tratamientos.[35]​

Ética

[editar]

Recientemente la Comisión Europea a través de un grupo de expertos redactó un documento guía sobre la confianza en la IA y el aprendizaje automático[36]​ como base necesaria para lograr una IA ética y así lograr la aceptación social para su inclusión en nuestro estilo de vida y valores actuales.[37]​ En ese informe se habla entre otras características de la transparencia como un aspecto deseable de cualquier sistema de IA. También en el Reglamento General de Protección de Datos RGPD se  establece el ‘derecho a explicación’ como la posibilidad de que un usuario pueda preguntar sobre decisiones que los algoritmos hagan sobre él.[38]​ Esto es de especial interés ámbitos como el médico por el potencial de la IA como ayuda en muchas de sus tareas siendo la transparencia y la explicabilidad de cada decisión necesarias para generar confianza por parte de los médicos.[39]​  Para ello es necesario lograr que se confíe en los modelos ML utilizados y más teniendo en cuenta que en la práctica se tiende a sobreestimar la precisión de estos modelos.[40]​ Existen diversos métodos que han sido propuestos para generar confianza en los modelos ML. Esto pueden ser inherentes al propio modelo (denominados como modelos interpretables) como los Generalized Additive Models (GAMs),[41]​ un conjunto de reglas "if-then" ordenadas basadas en probabilidades estimadas[42]​ o los basados en ganancia de información (entropía) como puede ser en Random Forest;[43]​ o pueden ser genéricos aplicables a cualquier método ML como Local Interpretable Model-agnostic Explanations LIME[44]​ y Shapley Additive exPlanations SHAP.[45]​

También se han propuesto modelos conceptuales de estandarización para fomentar el diseño ético de sistemas de aprendizaje automático e inteligencia artificial con el fin de aumentar la transparencia y la confianza.[46]​

Referencias

[editar]
  1. ↑ «The Future of Healthcare: AI's Growing Influence and Potential». Cortex Report (en inglés). 15 de septiembre de 2023. Archivado desde el original el 12 de octubre de 2023. Consultado el 15 de septiembre de 2023. 
  2. ↑ Floridi, Luciano; Luetge, Christoph; Pagallo, Ugo; Schafer, Burkhard; Valcke, Peggy; Vayena, Effy; Addison, Janet; Hughes, Nigel et al. (2019-09). «Key Ethical Challenges in the European Medical Information Framework». Minds and Machines (en inglés) 29 (3): 355-371. ISSN 0924-6495. doi:10.1007/s11023-018-9467-4. Consultado el 12 de octubre de 2023. 
  3. ↑ Duda, R. O., & Shortliffe, E. H. (1983). Búsqueda de sistemas expertos. Ciencia, 220(4594), 261-268.
  4. ↑ Koomey, J., Berard, S., Sanchez, M., & Wong, H. (2011). Implicaciones de tendencias históricas en la eficacia eléctrica de computar. Anales de IEEE de la Historia de Computar, 33(3), 46-54.
  5. ↑ Dinov, I. D. (2016). Volumen y valor de grandes healthcare dato. Revista de estadística médica y informatics, 4.
  6. ↑ Barnes, B., & Dupré, J. (2009). Genomas y qué para hacer de ellos. Universidad de Prensa de Chicago.
  7. ↑ Jha, Un. K., DesRoches, C. M., Campbell, E. G., Donelan, K., Rao, S. R., Ferris, T. G., ... & Blumenthal, D. (2009). Uso de registros de salud electrónica en hospitales de EE.UU.. Revista de Inglaterra nueva de Medicina, 360(16), 1628-1638.
  8. ↑ Banko, M., & Brill, E. (2001, julio). Scaling A muy muy grande corpora para desambiguación de lengua natural. En Proceedings de la 39.ª reunión anual encima asociación para lingüística computacional (pp. 26-33). Asociación para Lingüística Computacional.
  9. ↑ Dougherty, G. (2009). Procesamiento de imagen digital para aplicaciones médicas. Cambridge Prensa universitaria.
  10. ↑ "Máquina e Inteligencia artificiales Aprendizaje para Healthcare" Sigmoidal, diciembre 21, 2017. https://sigmoidal.io/artificial-intelligence-and-machine-learning-for-healthcare/.
  11. ↑ «Artificial Intelligence in Radiology: The Game-Changer on Everyone’s Mind» (en inglés). Consultado el 10 de abril de 2018. 
  12. ↑ Deulofeu, Meritxell; García-Cuesta, Esteban; Peña-Méndez, Eladia María; Conde, José Elías; Jiménez-Romero, Orlando; Verdú, Enrique; Serrando, María Teresa; Salvadó, Victoria et al. (1 de abril de 2021). «Detection of SARS-CoV-2 Infection in Human Nasopharyngeal Samples by Combining MALDI-TOF MS and Artificial Intelligence». Frontiers in Medicine 8. ISSN 2296-858X. doi:10.3389/fmed.2021.661358. Consultado el 7 de diciembre de 2021. 
  13. ↑ «Tres hospitales usan inteligencia artificial para acelerar detección de covid». ElDiario.es. 24 de noviembre de 2021. Consultado el 7 de diciembre de 2021. 
  14. ↑ «El potencial de la Inteligencia Artificial para acelerar la detección de COVID 19 preservando la privacidad». IMMedico. 2021-11-24CET09:24:57+01:00. Consultado el 7 de diciembre de 2021. 
  15. ↑ «Inteligencia Artificial que respeta la privacidad de los pacientes de COVID-19». Cisco News The EMEAR Network. 20 de mayo de 2021. Consultado el 7 de diciembre de 2021. 
  16. ↑ Pezzano, Giuseppe; Díaz, Oliver; Ripoll, Vicent Ribas; Radeva, Petia (1 de septiembre de 2021). «CoLe-CNN+: Context learning - Convolutional neural network for COVID-19-Ground-Glass-Opacities detection and segmentation». Computers in Biology and Medicine (en inglés) 136: 104689. ISSN 0010-4825. doi:10.1016/j.compbiomed.2021.104689. Consultado el 7 de diciembre de 2021. 
  17. ↑ «Un nuevo sistema permite detectar con aprendizaje profundo lesiones causadas por la Covid 19». IMMedico. 2021-12-01CET13:47:47+01:00. Consultado el 7 de diciembre de 2021. 
  18. ↑ «Evidencio medical prediction platform - Evidencio». www.evidencio.com. Consultado el 7 de diciembre de 2021. 
  19. ↑ Sanitaria, Instituto Ramón y Cajal de Investigación. «Investigadores del IRYCIS desarrollan y validan el modelo PRIORITY que predice el riesgo de COVID-19 grave a partir de variables clínicas de fácil obtención | Noticias | Comunicación». Instituto Ramón y Cajal de Investigación Sanitaria. Consultado el 7 de diciembre de 2021. 
  20. ↑ «Inteligencia Artificial para ayudar a tus pacientes en su hogar». Tucuvi. Consultado el 7 de diciembre de 2021. 
  21. ↑ Sanitaria, Instituto Ramón y Cajal de Investigación. «Nuevo proyecto de Inteligencia Artificial del Grupo de Enfermedades Multisistémicas del IRYCIS en colaboración con la empresa TUCUVI Care | Noticias | Comunicación». Instituto Ramón y Cajal de Investigación Sanitaria. Consultado el 7 de diciembre de 2021. 
  22. ↑ Chockley, Katie; Emanuel, Ezekiel (December 2016). «The End of Radiology? Three Threats to the Future Practice of Radiology». Journal of the American College of Radiology 13 (12): 1415-1420. ISSN 1546-1440. doi:10.1016/j.jacr.2016.07.010. 
  23. ↑ Jha, Saurabh; Topol, Eric J. (13 de diciembre de 2016). «Adapting to Artificial Intelligence». JAMA 316 (22): 2353. ISSN 0098-7484. doi:10.1001/jama.2016.17438. 
  24. ↑ Pacis, Danica (February 2018). «Trends in telemedicine utilizing artificial intelligence». AIP Conference Proceedings 1933: 040009. doi:10.1063/1.5023979. 
  25. ↑ Monica, Paul R. La. «What merger mania means for health care». Consultado el 11 de abril de 2018. 
  26. ↑ «Why You’re the Reason For Those Health Care Mergers» (en inglés). Consultado el 10 de abril de 2018. 
  27. ↑ Horvitz, Eric J.; Breese, John S.; Henrion, Max (July 1988). «Decision theory in expert systems and artificial intelligence». International Journal of Approximate Reasoning 2 (3): 247-302. ISSN 0888-613X. doi:10.1016/0888-613x(88)90120-x. 
  28. ↑ «What Doctor? Why AI and robotics will define New Health». June 2017. Consultado el 8 de octubre de 2018. 
  29. ↑ Cohn, Jonathan (20 de febrero de 2013). «The Robot Will See You Now». Consultado el 26 de octubre de 2018. 
  30. ↑ Lorenzetti, Laura (5 de abril de 2016). «From Cancer to Consumer Tech: A Look Inside IBM's Watson Health Strategy». Fortune. Consultado el 26 de octubre de 2018. 
  31. ↑ Bass, Diana (20 de septiembre de 2016). «Microsoft Develops AI to Help Cancer Doctors Find the Right Treatments». Consultado el 26 de octubre de 2018. 
  32. ↑ Knapton, Sarah (20 de septiembre de 2016). «Microsoft will 'solve' cancer within 10 years by 'reprogramming' diseased cells». Consultado el 16 de octubre de 2018. 
  33. ↑ Bloch-Budzier, Sarah (22 de noviembre de 2016). «NHS teams with Google to treat patients». Consultado el 16 de octubre de 2018. 
  34. ↑ Baraniuk, Chris (31 de agosto de 2016). «Google gets access to cancer scans». Consultado el 16 de octubre de 2018. 
  35. ↑ Primack, Dan (26 de mayo de 2016). «Intel Capital Cancels $1 Billion Portfolio Sale». Consultado el 26 de octubre de 2018. 
  36. ↑ Hickman, Eleanore; Petrin, Martin (2020). «Trustworthy AI and Corporate Governance – The EU’s Ethics Guidelines For Trustworthy Artificial Intelligence from a Company Law Perspective». SSRN Electronic Journal. ISSN 1556-5068. doi:10.2139/ssrn.3607225. Consultado el 7 de diciembre de 2021. 
  37. ↑ Barredo Arrieta, Alejandro; Díaz-Rodríguez, Natalia; Del Ser, Javier; Bennetot, Adrien; Tabik, Siham; Barbado, Alberto; Garcia, Salvador; Gil-Lopez, Sergio et al. (2020-06). «Explainable Artificial Intelligence (XAI): Concepts, taxonomies, opportunities and challenges toward responsible AI». Information Fusion (en inglés) 58: 82-115. doi:10.1016/j.inffus.2019.12.012. Consultado el 7 de diciembre de 2021. 
  38. ↑ Goodman, Bryce; Flaxman, Seth (2 de octubre de 2017). «European Union Regulations on Algorithmic Decision-Making and a “Right to Explanation”». AI Magazine 38 (3): 50-57. ISSN 2371-9621. doi:10.1609/aimag.v38i3.2741. Consultado el 7 de diciembre de 2021. 
  39. ↑ Tjoa, Erico; Guan, Cuntai (2021-11). «A Survey on Explainable Artificial Intelligence (XAI): Toward Medical XAI». IEEE Transactions on Neural Networks and Learning Systems 32 (11): 4793-4813. ISSN 2162-2388. doi:10.1109/TNNLS.2020.3027314. Consultado el 7 de diciembre de 2021. 
  40. ↑ Patel, Kayur; Fogarty, James; Landay, James A.; Harrison, Beverly (6 de abril de 2008). «Investigating statistical machine learning as a tool for software development». Proceedings of the SIGCHI Conference on Human Factors in Computing Systems. CHI '08 (Association for Computing Machinery): 667-676. ISBN 978-1-60558-011-1. doi:10.1145/1357054.1357160. Consultado el 7 de diciembre de 2021. 
  41. ↑ Caruana, Rich; Lou, Yin; Gehrke, Johannes; Koch, Paul; Sturm, Marc; Elhadad, Noemie (10 de agosto de 2015). «Intelligible Models for HealthCare». Proceedings of the 21th ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (ACM). doi:10.1145/2783258.2788613. Consultado el 7 de diciembre de 2021. 
  42. ↑ Wang, Weihui; Geng, Guohang; Zhou, Mingquan (2010-10). «A Rule Repository Model for Rule-Driven Question-Answer-Based Web Applications». 2010 International Conference on Artificial Intelligence and Computational Intelligence (IEEE). doi:10.1109/aici.2010.245. Consultado el 7 de diciembre de 2021. 
  43. ↑ Breiman, Leo (2001). Machine Learning 45 (1): 5-32. ISSN 0885-6125. doi:10.1023/a:1010933404324 http://dx.doi.org/10.1023/a:1010933404324 |url= sin título (ayuda). Consultado el 7 de diciembre de 2021. 
  44. ↑ Ribeiro, Marco Tulio; Singh, Sameer; Guestrin, Carlos (13 de agosto de 2016). «"Why Should I Trust You?"». Proceedings of the 22nd ACM SIGKDD International Conference on Knowledge Discovery and Data Mining (ACM). doi:10.1145/2939672.2939778. Consultado el 7 de diciembre de 2021. 
  45. ↑ Unified Inference for Variational Bayesian Linear Gaussian State-Space Models. The MIT Press. 2007. Consultado el 7 de diciembre de 2021. 
  46. ↑ García-Cuesta, Esteban (18 de febrero de 2020). «Artificial Intelligent Ethics in the Digital Era: an Engineering Ethical Framework Proposal». arXiv:2002.07734 [cs]. Consultado el 8 de diciembre de 2021. 
Obtenido de «https://es.wikipedia.org/w/index.php?title=Inteligencia_artificial_en_el_campo_de_la_salud&oldid=160877301»