Introducción
En los últimos años, la industria de la música se ha orientado cada vez más hacia la distribución digital a través de tiendas de música en línea y servicios de transmisión como iTunes, Spotify, Grooveshark y Google Play. Como resultado, la recomendación automática de música se ha convertido en un problema cada vez más relevante: permite oyentes para descubrir nueva música que coincida con sus gustos, y permite a las tiendas de música en línea orientar sus productos a la audiencia adecuada. Aunque los sistemas de recomendación se han estudiado ampliamente, el problema de la recomendación de música en particular se complica por la gran variedad de diferentes estilos y géneros, así como factores sociales y geográficos que influyen en las preferencias del oyente.

Recomendación basada en contenido
La música se puede recomendar en función de los metadatos disponibles: generalmente se conoce información como el artista, el álbum y el año de lanzamiento. Desafortunadamente, esto conducirá a recomendaciones predecibles. Por ejemplo, recomendar canciones de artistas que se sabe que disfruta el usuario no es particularmente útil. También se puede intentar recomendar música que sea perceptualmente similar a lo que el usuario ha escuchado anteriormente, midiendo la similitud entre las señales de audio.

Filtrado colaborativo
Los métodos de filtrado colaborativo pueden basarse en vecindarios o en modelos. Los primeros se basan únicamente en una medida de similitud entre usuarios o artículos: recomiendan artículos consumidos por otros usuarios con preferencias similares, o artículos similares a los que el usuario ya ha consumido. Los métodos basados en modelos, por otro lado, intentan modelar las características latentes de los usuarios y los elementos, que generalmente se representan como vectores de factores latentes. Los modelos de factor latente han sido muy populares desde que se demostró su efectividad para la recomendación de películas en el Premio Netflix.

El Dataset
Million Song Dataset (MSD) es una colección de metadatos y funciones de audio precalculadas para un millón de canciones contemporáneas. También se encuentran disponibles otros conjuntos de datos vinculados al MSD, que incluyen letras, versiones de canciones, etiquetas y datos de escucha de los usuarios. Dos conjuntos de datos vinculados se utilizan en los trabajos de referencia:
El subconjunto de perfiles de sabor de Echo Nest proporciona recuentos de reproducción para más de 380.000 canciones en el MSD, recopiladas de 1 millón de usuarios.
El conjunto de datos de Last.fm proporciona etiquetas para más de 500.000 canciones.

Factorización de matriz ponderada
El subconjunto de perfil de sabor contiene recuentos de reproducción por canción y por usuario, que es una forma de retroalimentación implícita. Sabemos cuántas veces los usuarios han escuchado cada una de las canciones del conjunto de datos, pero no las han calificado explícitamente. Sin embargo, podemos asumir que los usuarios probablemente escucharán canciones con más frecuencia si las disfrutan. Si un usuario nunca ha escuchado una canción, esto puede tener muchas causas: por ejemplo, es posible que no se dé cuenta o que espere no disfrutarla. Esta configuración no es compatible con los algoritmos tradicionales de factorización matricial, que tienen como objetivo predecir calificaciones.
Se utiliza el algoritmo de factorización matricial ponderada (WMF), propuesto por Hu et al.

Predecir factores latentes del audio musical
La predicción de factores latentes para una canción determinada a partir de la señal de audio correspondiente es un problema de regresión. Requiere aprender una función que mapea una serie de tiempo a un vector de números reales. Evaluamos dos métodos para lograr esto: uno sigue el enfoque convencional en MIR extrayendo características locales de las señales de audio y agregándolas en una representación de bolsa de palabras (BoW). Luego, se puede usar cualquier técnica de regresión tradicional para mapear esta representación de características con los factores. El otro método es usar una red convolucional profunda. Los vectores de factor latente obtenidos mediante la aplicación de WMF a los datos de uso disponibles se usan como verdad del terreno para entrenar los modelos de predicción. Cabe señalar que este enfoque es compatible con cualquier tipo de modelo de factor latente que sea adecuado para grandes conjuntos de datos de retroalimentación implícita. Se eligió usar WMF porque existe un procedimiento de optimización eficiente para él.

Conclusiones
En este artículo, se estudiaron métodos para para predecir los factores latentes del audio musical cuando no se pueden obtener a partir de los datos de uso
Aunque muchas características de las canciones que afectan la preferencia del usuario no se pueden predecir a partir de las señales de audio, las recomendaciones resultantes parecen ser sensatas. Podemos concluir que predecir los factores latentes del audio musical es un método viable para recomendar música nueva e impopular.

Referencias
Deep content-based music recommendation - Advances in Neural Information Processing Systems 26 (NIPS 2013)
http://papers.nips.cc/paper/5004-deep-c ... dation.pdf
A Deep Temporal Neural Music RecommendationModel Utilizing Music and User Metadata - Appl. Sci. 2019, 9, 703.
https://www.mdpi.com/2076-3417/9/4/703

Inteligencia artificial en el apoyo a la toma de decisiones clínicas: desafíos en la evaluación de la IA e implicaciones prácticas

Este trabajo se enfoca en el rol de la IA en lo que son decisiones clínicas y como realizar la elección de algoritmos.

Los desafíos en la evaluación de la IA para el apoyo en las decisiones clínicas:

Diseño y desarrollo de IA: Por ejemplo, un algoritmo utilizado para la clasificación necesita una alta discriminación, mientras que un algoritmo que predice la mortalidad o los riesgos de complicación en la toma de decisiones compartida debe ser muy exacto y preciso para todo tipo de pacientes.
Un desafío fundamental es que las IA creadas mediante el aprendizaje automático no se generalizan necesariamente mucho más allá de los datos sobre los que están capacitadas. Incluso en tareas restringidas como la interpretación de imágenes, la IA puede realizar diagnósticos erróneos debido a las diferencias en el entrenamiento y las poblaciones del mundo real.

Selección y uso de IA: Cuando hay varios algoritmos disponibles y se debe seleccionar uno, es importante evaluar los riesgos de problemas de calidad de los datos y el ajuste de los datos fundamentales a una nueva situación, como diferentes patrones de población y morbilidad. ¿Qué nos dice la procedencia de un algoritmo sobre su generalización? Por ejemplo, un cálculo que encuentre una asociación entre la presión arterial y las complicaciones en pacientes de la UCI donde la presión arterial se mide continuamente podría no ser aplicable a otros pacientes hospitalizados donde la presión arterial se mide quizás solo una vez al día.

Supervisión continua de IA: Una vez implementado, se necesita una vigilancia continua para monitorear y recalibrar los algoritmos de IA. Esta vigilancia también es necesaria para los algoritmos dinámicos que se actualizan continuamente en función de los datos de la práctica y la evidencia clínica publicada. Otro aspecto es la detección y evaluación de errores "ocultos": fallas sutiles en los datos inferidos o una configuración incorrecta que puede no ser tan obvia.

Conclusiones: Los avances tecnológicos están superando nuestra capacidad para predecir los efectos de la IA en la práctica de la medicina, la atención que reciben los pacientes y el impacto en sus vidas. En el futuro inmediato, podemos esperar que la IA apoye las decisiones clínicas con los humanos en el ciclo de decisiones. Es probable que la dinámica de los procesos de toma de decisiones se altere y los médicos necesiten sopesar los consejos generados por la IA con otras pruebas y preferencias del paciente. Para garantizar la integración segura y eficaz de la IA en la prestación de cuidados, es fundamental un compromiso sólido con la evaluación.

Inteligencia artificial para apoyar los procesos de toma de decisiones clínicas

Escenarios clínicos para predicciones
Este trabajo se enfoca en la IA en relación con los procesos de toma de decisiones clínicas cuando informaron de la alta frecuencia de tratamientos antibióticos empíricos inapropiados en pacientes neutropénicos con infección del torrente sanguíneo. Estos tratamientos antibióticos empíricos inadecuados tuvieron un impacto directo en la mortalidad. Ofrecer un tratamiento amplio con antibióticos a todos los pacientes no es una opción adecuada debido a su asociación con una mayor selección de resistencia a los antimicrobianos, toxicidad innecesaria y / o aumentos en los costos de atención médica. Con estos antecedentes, se creó un programa de IA para comprobar si, mediante el uso de datos obtenidos directamente de los HCE, y se pudo predecir qué pacientes hematológicos con neutropenia febril tendrían infecciones por bacilos gramnegativos multirresistentes (MDR-GNB).

Disponibilidad de datos en HCE (Historia Clínica Electrónica)
Casi toda la investigación médica se ha realizado a través de datos recopilados manualmente cargados en programas estadísticos. Este enfoque actual presenta varias debilidades, como un gran sacrificio de tiempo para recopilar datos, análisis de solo pequeños conjuntos de variables o falta de datos en tiempo real. Sin embargo, como la mayoría de los hospitales han comenzado a transformar sus procesos de atención al paciente mediante la integración de registros médicos electrónicos, los datos disponibles en ordenadores han alcanzado una tasa de crecimiento anual que supera a los datos procedentes de cualquier otro medio. Una dificultad en la construcción de un conjunto de datos principal que integre todos los HCE requirió primero una tarea difícil para crear un diccionario para traducir los códigos del sistema en variables clínicas legibles por los médicos. Para lograr este proceso de minería de datos, es imperativo que un equipo multidisciplinario de médicos e informáticos motivados trabajen juntos. Si una institución clínica puede recopilar todos los datos disponibles, la utilidad potencial de dicha información para la investigación y las aplicaciones de inteligencia artificial es inimaginable.

¿Qué debe saber un médico sobre machine learning y las redes neuronales?
El objetivo de este artículo es explicar a los médicos el gran potencial positivo de la IA para mejorar los procesos de toma de decisiones clínicas.
La investigación médica ha empleado ampliamente el uso de regresión logística como un modelo estadístico para lograr diferentes puntos finales. La predicción lineal divide los eventos en posibles o no posibles. Sin embargo, como ha demostrado la vida real, la mayoría de los eventos no son tan blancos y negros. Si volvemos al problema clínico presentado inicialmente en esta revisión, predecir qué pacientes tendrán una infección causada por bacterias multirresistentes, significa que el riesgo de infección multirresistente dependerá del uso de antibióticos, el entorno hospitalario y el estado de la microbiota del huésped. Pero, de hecho, estos factores dependen simultáneamente de otros factores, como la gravedad clínica, las comorbilidades, la experiencia del equipo en el uso de antibióticos o las características del hospital. Según el mismo argumento, se cae en la razón de que estos factores también dependen simultáneamente de otros factores, y así sucesivamente. Dependiendo del peso de cada uno de estos factores en juego, un paciente en particular podría tener un riesgo mayor o menor de contraer una infección multirresistente. Es imposible para la mente predecir cómo un cambio en cualquiera de estos numerosos factores afectará con precisión la probabilidad de riesgo de una infección multirresistente junto con los diversos ejes que componen este complejo modelo.

Conclusiones: La disponibilidad de una gran cantidad de datos EHR; el uso de ML o NN, y el alto nivel de rendimiento de las nuevas computadoras revelan el inmenso poder que la IA puede ejercer para mejorar el panorama médico. Es tanto la alta precisión como la objetividad de los algoritmos de IA lo que la práctica clínica podría observar la personalización de la medicina; optimización de los costes sanitarios; y mejoras en los resultados de los pacientes. Sin embargo, existe una salvedad para tal progreso. El auge de las aplicaciones de inteligencia artificial invitará a discusiones éticas y pedirá a los médicos e investigadores que consideren cuestiones como la evaluación de los algoritmos de decisión y las ramificaciones legales de tales decisiones.

Referencias
Artificial Intelligence in Clinical Decision Support: Challenges for Evaluating AI and Practical Implications - IMIA and Georg Thieme Verlag KG
http://dx.doi.org/10.1055/s-0039-1677903
Artificial intelligence to support clinical decision-making processes - EBioMedicine 46 (2019) 27
https://doi.org/10.1016/j.ebiom.2019.07.019