El National Institute of Health de Hungría define a la medicina de precisión como “una forma emergente de prevenir y tratar enfermedades que toman en cuenta las variabilidades y características individuales de los genes, del medio ambiente y del estilo de vida de las personas”.

Esto permite a los doctores predecir con mayor precisión cuál tratamiento de una enfermedad funcionará bien para cuál grupo de pacientes. Y requiere disponer de una enorme capacidad de procesamiento computacional y de algoritmos que aprendan por sí mismos.

Los algoritmos de conocimiento profundo (deep learning) efectúan diagnósticos, al menos con la misma precisión que doctores humanos, en cardiología, dermatología y oncología. En el reciente  International Symposium on Biomedical Imaging, algoritmos de deep learning y doctores compitieron por diagnosticar cáncer a las mamas utilizando imágenes de biopsias. El algoritmo ganador tuvo una tasa de éxito de 92.5% El doctor ganador una tasa de éxito de 96.6%. Sin embargo, al combinar los diagnósticos de los algoritmos y los doctores, la tasa de éxito aumentó a 99.5% lo que significa una reducción de 85% en la tasa de error humano.

El área de investigación avanzada de Google, creó el proyecto DeepMind en Salud que es utilizado para efectuar “minería de datos” a partir de registros médicos de pacientes con el objeto de proveer atenciones de salud más rápidas y precisas. En 2016, Google firmó un convenio de cooperación en investigación con la Fundación Moorfields Eye Hospital NHS para mejorar el tratamiento de afecciones a los ojos. Para entrenar a DeepMind, Moorfield le entregó un millón de scanners de ojos, sin el nombre del paciente, para que este algoritmo detectara los patrones que permitan efectuar diagnósticos precisos.

IBM Watson desarrolló un programa para oncología con la habilidad extraordinaria  para analizar el significado y el contexto de datos estructurados y no estructurados de informes médicos sobre miles de pacientes.  Al combinar los antecedentes médicos de un paciente oncológico  en particular con los datos procesados de miles de otros pacientes a través de deep learning, Watson identifica el plan de tratamiento posible para ese paciente específico.

IBM desarrolló otro programa llamado Medical Sieve, un sistema que procesa y selecciona datos relevantes para un diagnóstico. Medical Sieve es capaz de revisar imágenes radiológicas, detectar problemas y anticipar diagnósticos mejor y más rápido que un doctor. En un futuro cercano, los radiólogos solo tendrán que evaluar más detenidamente los casos más complejos en que la supervisión humana es indispensable.
 
La compañía holandesa Zorgprisma Publiek analiza facturas digitales de hospitales y compañías de seguros utilizando IBM Watson para procesar los datos. A través de sus algoritmos, Watson detecta si un doctor o la clínica están cometiendo errores para ayudarlos a mejorar y evitar hospitalizaciones innecesarias de pacientes.

Deep Genomics identifica patrones en enormes bases de datos de información genética y fichas clínicas que detectan alteraciones. Así, una nueva generación de tecnologías predicen  ahora a los doctores qué ocurrirá dentro de una célula cuando el ADN se modifica por variación genética, producida ya sea natural o terapéuticamente.

Las tecnologías disruptivas de la Inteligencia Artificial y el Deep Learning son el principal desafío que el siglo XXI impone al avance de la medicina.