Miles y miles de art铆culos son publicados mensualmente con tem谩ticas de inteligencia artificial en salud, modelos de machine learning o deep learning para soluci贸n de problemas cl铆nicos, administrativos o educativos, a su vez, cu谩ntos de estos modelos son aplicables a la vida real e incluso que sean aplicables y desplegables a nivel masivo en otros pa铆ses, bajo otras condiciones de atenci贸n. Estos temas talvez obedecen m谩s a un an谩lisis de transformaci贸n digital del sector salud o a temas de innovaci贸n en salud, pero es importante abordarlos para asumir el desaf铆o de no solo haber dedicado tanto tiempo al PreModelado y a la construcci贸n del modelo, si no tambi茅n realizar una evaluaci贸n adecuada y un despliegue efectivo de dichos modelos, esto es fundamental para aprovechar el potencial de la IA en salud.
En este apartado se revisa por qu茅 es importante evaluar los modelos, incluir la precisi贸n, sensibilidad, especificidad y otras m茅tricas relevantes. A su vez reconocerlos m茅todos m谩s comunes para evaluar modelos, por ejemplo la validaci贸n cruzada, matrices de confusi贸n y curvas ROC.
Adem谩s, buscar, revisar y detallar casos de 茅xito y desaf铆os comunes en la evaluaci贸n de modelos en el contexto de la salud.
En esta secci贸n final se describen los pasos necesarios para preparar un modelo para su despliegue, como la optimizaci贸n, pruebas y cumplimiento de normativas.
*IMPORTANTE: Integraci贸n con los Sistemas de Gesti贸n de Informaci贸n en salud (SGIS), es decir explorar c贸mo los modelos de ML o DL que solucionan un problema asistencial o administrativo se integran con los SGIS, garantizando la interoperabilidad y la seguridad.
A su vez, se discute c贸mo el despliegue masivo de modelos de IA puede mejorar la eficiencia, la precisi贸n y la personalizaci贸n de la atenci贸n m茅dica, adem谩s