Medicina de Precisión con Enfoques Basados en Datos: Un Marco para la Traducción Clínica

Los enfoques basados en la medicina de precisión se diferencian al considerar la variabilidad de subpoblaciones (por ejemplo, variaciones genéticas, edad, género, raza, adicciones). Hasta la fecha, modelos tradicionales, como Dosis por Prueba y Error, Guías de Tratamiento Empírico, Modelos Estadísticos y Actuariales, Modelos Fisiopatológicos y Juicio Clínico y Experiencia, han sido generalizados en los campos de la salud. Sin embargo, se requieren tecnologías más completas e innovadoras además de estas modelaciones convencionales, que están sujetas a diversas limitaciones, como baja eficiencia e incapacidad para procesar sistemas biológicos complejos. Aquí revisamos diversos algoritmos de aprendizaje automático (ML) integrados con grandes datos y ómicas y sus aplicaciones en varios aspectos de la medicina de precisión. El ML es la rama de la inteligencia artificial (IA), que se ha desarrollado rápidamente y se ha destacado como un método prometedor para disminuir errores de diagnóstico y ayudar a los clínicos en la toma de decisiones en las últimas décadas. Nos enfocamos en aplicaciones de modelos de ML como máquinas de vectores de soporte (SVM), K Vecinos Más Cercanos (KNN), bosques aleatorios (RF), redes neuronales convolucionales (CNN) y aprendizaje profundo en la predicción de toxicidad de medicamentos, enfermedades cardiovasculares, enfermedades neurodegenerativas y terapias contra el cáncer dentro de la medicina de precisión y los beneficios y desafíos específicos de cada uno. Esta revisión proporciona información sobre la mayor utilización en entornos clínicos al reconocer las ventajas actuales que se espera amplíen el alcance de los métodos impulsados por IA y los problemas que necesitan ser abordados para futuros estudios.