Quienes operan en el sector médico deben lidiar con leyes y regulaciones estrictas. Nicolás también. Por lo tanto, entrenar algoritmos es difícil: los datos médicos no están fácilmente disponibles, como lo están, por ejemplo, los textos de los modelos de procesamiento del lenguaje natural. “Los algoritmos se entrenan en conjuntos de datos anónimos, lo más heterogéneos posible. Hemos obtenido estos conjuntos de datos a través de varias colaboraciones a nivel nacional e internacional. Un conjunto de datos heterogéneo es importante aquí, porque desea evitar que el algoritmo tenga sesgos y detecte ciertos grupos de población mejor que otros”, dice Nizak.

Pero no importa qué tan bien se entrene un algoritmo, nunca es 100% preciso. “En este caso, los falsos negativos son más molestos que los falsos positivos, porque entonces no estás tratando a nadie en absoluto. Por lo tanto, prefiere detectar demasiados y que un médico lo revise antes que pasar por alto algo. Pero todos los algoritmos juntos -porque no es un único algoritmo el que determina un diagnóstico- tienen una precisión del 90 al 95%”.

Además, el intercambio de datos, entre médicos y entre asistentes y médicos, todo a través de la aplicación, plantea desafíos, ya que los datos son extremadamente confidenciales y, por lo tanto, deben protegerse adecuadamente. Por ejemplo, solo las personas que realmente necesitan acceso pueden acceder a los datos, y los datos solo se pueden usar durante un período determinado.

Las reglas estrictas hacen que sea aún más sorprendente que Nicolab ejecute su aplicación en la nube, es decir, en AWS. “Por supuesto, fue muy aterrador para los hospitales al principio. Así que desarrollamos la aplicación desde cero teniendo en cuenta la seguridad y la privacidad, para cumplir con las leyes y regulaciones. De esta manera, nos aseguramos de que los médicos estén debidamente autorizados y puedas ver exactamente quién tuvo acceso y cuándo gracias a la pista de auditoría. Siempre es transparente, tanto para los médicos como para los pacientes cuyos datos se ven afectados.