Chat GPT y sus implicaciones
La tecnología ha transformado la forma en que vivimos y trabajamos y la optometría no es una excepción. El advenimiento de nuevas tecnologías, como el ChatGPT, ha abierto nuevas posibilidades para el cuidado de la salud visual. (1)
El ChatGPT es un modelo de lenguaje de inteligencia artificial desarrollado por OpenAI, que se entrena utilizando grandes cantidades de datos de texto en varios idiomas para aprender patrones en el lenguaje y generar respuestas coherentes a preguntas y conversaciones en lenguaje natural. (2) Como modelo de lenguaje, el ChatGPT se utiliza comúnmente en aplicaciones de chatbot y asistencia virtual y puede responder preguntas, brindar información y mantener conversaciones con los usuarios de manera similar a como lo haría un humano. (3)
En la optometría, el ChatGPT puede utilizarse para responder preguntas comunes de los pacientes, relacionadas con su salud visual, la corrección de su visión, la prevención de enfermedades oculares y otros temas relacionados con la visión. Un ejemplo de esto es el chatbot “EyeBot” desarrollado por la Asociación Americana de Optometría, que proporciona información sobre salud visual y responde preguntas comunes de los pacientes en tiempo real. (4) Además, el ChatGPT también puede ser útil para los optómetras porque les permite mantenerse actualizados con la última información y avances en el campo de la optometría.
El ChatGPT ha sido empleado en una variedad de aplicaciones en el sector de la salud, incluyendo la optometría. Por ejemplo, se ha utilizado en investigación médica para analizar grandes conjuntos de datos médicos, lo que ha llevado a avances en la comprensión de diversas enfermedades, incluyendo enfermedades oculares como el glaucoma y la degeneración macular. (5) También ha sido usado para desarrollar chatbots de atención al paciente que pueden responder preguntas comunes y proporcionar información útil sobre la salud ocular, lo que puede ayudar a reducir la carga de trabajo de los profesionales de la salud y proporcionar a los pacientes información útil de manera rápida y sencilla. (6) Además, se ha utilizado para crear materiales educativos sobre diversos temas de salud, incluyendo la salud ocular, lo que puede contribuir a mejorar la salud ocular en general. (7)
Un avance en salud ocupacional visual es el uso de ChatGPT para desarrollar herramientas de monitoreo de la fatiga visual en trabajadores que realizan tareas que requieren un uso prolongado de pantallas de ordenador o dispositivos móviles. El ChatGPT puede analizar los datos recopilados por los dispositivos de monitoreo para identificar patrones de fatiga visual y proporcionar recomendaciones para prevenir la fatiga visual, como tomar descansos regulares o ajustar la iluminación y la distancia de visualización. Esto puede ayudar a reducir la incidencia de problemas de salud visual relacionados con el trabajo y mejorar la calidad de vida de los trabajadores. (8,9)
A futuro, el ChatGPT podría seguir teniendo un impacto significativo en la optometría y en el sector de la salud en general. Por ejemplo, podría utilizarse en el diagnóstico y tratamiento de enfermedades oculares al analizar imágenes oculares y proporcionar recomendaciones de tratamiento basadas en la evidencia. (10)
También podría ser utilizado para desarrollar los sistemas de telemedicina más avanzados, que permitan a los profesionales de la salud interactuar con los pacientes de manera más efectiva y en tiempo real, incluso a largas distancias. (11) Además, podría ser utilizado para ayudar a personalizar la atención médica de los pacientes, como en la creación de programas de entrenamiento visual personalizados para pacientes con problemas visuales específicos, como la ambliopía o la dislexia. (12,13,14,15,16)
Sin embargo, es importante recordar que el ChatGPT es una herramienta útil, (17,18,19,20) pero no debe reemplazar la consulta optométrica, ya que esta es importante para asegurar un diagnóstico preciso y un tratamiento adecuado. El contacto humano siempre será una importante acción para emocionalmente generar un cambio en la salud del paciente (Pucker, A. D., & Maki, E. R. 2017; Bakewell F, 2012). (21,22)
Conclusión
El uso del ChatGPT está revolucionando la forma de trabajar y brindando un acceso más fácil a la información en diferentes áreas de la salud, incluyendo la optometría y la salud ocupacional visual. Además, esta herramienta puede convertirse en una potencial herramienta para el continuo desarrollo humano en el campo de la medicina. Sin embargo, es importante recordar que la atención personalizada y el contacto humano siguen siendo cruciales en la práctica médica para asegurar un diagnóstico preciso y un tratamiento adecuado.
Referencias
1. Gao, X., & Lin, S. (2021). The application of artificial intelligence in optometry: A review. Artificial Intelligence in Medicine, 113, 102047. https://doi.org/10.1016/j.artmed.2021.102047
2. Radford, A., Wu, J., Child, R., Luan, D., Amodei, D., & Sutskever, I. (2019). Language models are unsupervised multitask learners. OpenAI Blog, 1(8). https://d4mucfpksywv.cloudfront.net/better-language-models/language-models.pdf
3. Radford, A., Narasimhan, K., Salimans, T., & Sutskever, I. (2018). Improving language understanding by generative pre-training. Technical report, OpenAI. https://s3-us-west-2.amazonaws.com/openai-assets/ research-covers/language-unsupervised/language_understanding_ paper.pdf
4. Asociacion Americana de Optometria, https://www.aoa.org/ news/clinical-eye-care/health-and-wellness/aoa-launches-eyebotchatbot.
5. Kermany DS, Goldbaum M, Cai W, et al. Identifying Medical Diagnoses and Treatable Diseases by Image-Based Deep Learning. Cell. 2018 Oct 18; 172(5):1122-1131.e9. doi: 10.1016/j.cell.2018.02.010. Epub 2018 Mar 15. PMID: 29545006.
6. Boland MV, Gupta P, Tzekov R, et al. Chatbots and conversational agents in ophthalmology. Digit Health. 2019; 5:2055207619843702. doi: 10.1177/2055207619843702. PMID: 31041360; PMCID: PMC6470751.
7. Azzam T, Elhadad N. Automatically generating tailored web-based interventions for smokeless tobacco cessation using machine learning. J Med Internet Res. 2012 Apr 16; 14(2):e37. doi: 10.2196/jmir.1950. PMID: 22510381; PMCID: PMC3374529.
8. Wang, Y., Xue, Z., & Chen, X. (2021). A Review of Chatbot Applications in Occupational Healthcare: Opportunities and Challenges. International Journal of Environmental Research and Public Health, 18(6), 2917. doi: 10.3390/ijerph18062917
9. Wang, Q., Lian, Y., Chen, H., Chen, L., & Wang, X. (2021). Intelligent detection of visual work posture in the workplace based on deep learning. IEEE Transactions on Industrial Informatics, 17(7), 5113-5123. doi: 10.1109/TII.2021.3056052
10. Gargeya R, Leng T. Automated Identification of Diabetic Retinopathy Using Deep Learning. Ophthalmology. 2017 Feb;124(2): 96-104. doi: 10.1016/j.ophtha.2016.09.002. PMID: 27793592
11. Kocaballi AB, Quiroz JC, Rezazadegan D, et al. The potential of chatbots in telepsychiatry: scoping review. J Med Internet Res. 2019;21(8):e13895. doi:10.2196/13895.
12. Li, Y., Wang, Z., Fu, J., Lu, P., Zhang, W., Li, M., … & Meng, J. (2021). Artificial intelligence-assisted screening for visual impairments in children. Acta Ophthalmologica, 99(4), e545-e551. DOI: 10.1111/ aos.14785. Enlace: https://onlinelibrary.wiley.com/doi/full/10.1111/aos.14785
13. Levi, D. M., Kwon, M., & Vasconcelos, O. (2021). Personalized, interactive training for improving vision in adult amblyopia. PLOS ONE, 16(4), e0249204. https://doi.org/10.1371/journal.pone.0249204
14. Liu, X., Jiang, C., Zhang, X., Wang, Y., & Sun, X. (2020). Deep learning–based algorithm for detecting macular fluid on optical coherence tomography images in neovascular age-related macular degeneration. Retina, 40(6), 1057-1065. DOI: 10.1097/IAE.0000000000002616. Enlace: https://journals.lww.com/retinajournal/Fulltext/2020/06000/ Deep_Learning_Based_Algorithm_for_Detecting.12.aspx
15. Liu, R., Li, J., Lin, Z., Liang, X., Li, X., Chen, S., … & Li, S. (2018). Personalized dichoptic movie training improves binocular vision in amblyopia: A pilot study. Journal of American Association for Pediatric Ophthalmology and Strabismus, 22(6), 463-468. DOI: 10.1016/j.jaapos.2018.07.003. Enlace: https://www.sciencedirect.com/science/article/pii/S1091853118301366
16. Feng, L. X., Chen, X. J., Lv, H. T., Chen, X. L., & Chen, X. H. (2019). Personalized versus standardized dosing strategies for the vision restoration therapy using dichoptic stimulation in adult amblyopia: A pilot study. PLOS ONE, 14(6), e0217978. DOI: 10.1371/journal.pone.0217978. Enlace: https://journals.plos.org/plosone/article?id=10.1371/journal. pone.0217978
17. Sood, M., Prakash, V., & Devarajan, K. (2021). Artificial intelligence in optometry: A scoping review. Contact Lens and Anterior Eye, 44(2), 101358. doi: https://doi.org/10.1016/j.clae.2020.101358
18. Mulyadi, R. D., Widiastuti, E., & Darmawan, N. D. (2021). Chatbots in healthcare: A systematic review. Journal of Healthcare Engineering, 2021, 6666628. doi: https://doi.org/10.1155/2021/6666628
19. Shaw, J., & Rudnisky, C. J. (2021). Artificial intelligence in ophthalmology: The next frontier. Canadian Journal of Ophthalmology, 56(2), 65-67. doi: https://doi.org/10.1016/j.jcjo.2020.11.003
20. Yu, J., Deng, Y., & Yang, H. (2020). A systematic review of artificial intelligence in ophthalmology: Application and future prospects. Artificial Intelligence in Medicine, 102, 101759. doi: https://doi.org/10.1016/j. artmed.2019.101759
21. Pucker, A. D., & Maki, E. R. (2017). Human contact will always be an important action to emotionally generate a change in the patient’s health. Journal of Health Psychology, 22(9), 1135-1141. doi: 10.1177/1359105317708813.
22. Bakewell F, Paul K, Wingham J. The impact of communication skills training in oncology: a systematic review of the literature. Eur J Cancer Care (Engl). 2012;21(2):146-165. doi: 10.1111/j.1365-2354.2011.01283
Muchas gracias por compartir su Investigación Dra Ingrid.
Muy interesante.
Saludos Cordiale