De la IA Estrecha a la Superinteligencia: El Futuro de la Sanidad Animal
publicado el
05/31/2025
escrito por
B. Dharmaveer Shetty
Dharmaveer es un veterinario-epidemiólogo que supervisa las redes mundiales de fauna silvestre de la Organización Mundial de Sanidad Animal (OMSA) y la Secretaría del Grupo de Enfermedades Emergentes de la OMSA, contribuyendo al enfoque «Una sola salud» de la Organización. Es un firme partidario de tecnologías de vanguardia como la inteligencia artificial, la cadena de bloques y la biosecuenciación, y le encanta aplicar estas herramientas a la inteligencia sobre enfermedades y al diseño de sistemas sanitarios. Doctor en Epidemiología por la Universidad de California, Davis, y con dos décadas de trabajo en cuatro continentes, ha rastreado tigres y leones en la India, dirigido equipos contra la desinformación sobre el COVID-19, creado redes mundiales interregionales y codesarrollado directrices y estrategias adoptadas por gobiernos y socios multilaterales. Miembro de la sociedad científica Sigma Xi y antiguo investigador de Amenazas Pandémicas Emergentes, es coautor de numerosos artículos científicos y técnicos.
Resumen
La inteligencia artificial (IA) está transformando la sanidad animal en todo el mundo con herramientas que permiten la detección precoz de enfermedades, tratamientos personalizados y una mejor gestión de los animales. Mediante el análisis de conjuntos de datos complejos, estas herramientas optimizan diagnósticos, predicen brotes y mejoran la atención veterinaria. En este artículo, se discuten las tendencias y casos prácticos de la IA en la realidad. Cabe señalar que con la mejora de estas tecnologías, su impacto en la sanidad animal seguirá aumentando.
La IA es la capacidad de las computadoras para imitar la inteligencia cognitiva del ser humano, como aprender de los datos, reconocer patrones existentes y tomar decisiones. Entre las ramas de la IA tenemos aprendizaje automático (ML), procesamiento del lenguaje natural (PLN), visión artificial, la robótica y sistemas expertos. El ML utiliza datos para obtener información estadística e identificar patrones que pueden aplicarse a nuevas tareas, mientras que el PLN utiliza algoritmos para comprender e imitar el lenguaje humano. Por su parte, la visión artificial utiliza modelos para interpretar entradas visuales, la robótica utiliza máquinas para automatizar tareas y los sistemas expertos utilizan algoritmos para imitar las capacidades de razonamiento y toma de decisiones de los expertos humanos.
Aplicaciones Reales, Casos Prácticos y el Camino por Recorrer
Los veterinarios y otros profesionales de la sanidad animal trabajan con expertos en IA especializados en ML, PLN, visión artificial, robótica, sistemas expertos y otras ramas innovadoras para mejorar la sanidad animal en todo el mundo (Tabla 1). La IA puede utilizarse para mejorar la detección de enfermedades, rastrear la resistencia a los antimicrobianos, acelerar el descubrimiento de fármacos y proporcionar tratamientos personalizados gracias a la medicina de precisión. También puede contribuir, entre otras aplicaciones, al seguimiento en tiempo real de la sanidad de los animales y la sanidad de la fauna silvestre, así como a mejorar la vigilancia de pandemias con sistemas de alerta precoz. Así pues, mediante la utilización de ML, visión artificial y sistemas expertos en imágenes y exploraciones médicas (como radiografías, ecografías, tomografías computarizadas, resonancias magnéticas e imágenes patológicas digitales), por ejemplo, la IA puede utilizarse para aumentar las capacidades de diagnóstico. Los algoritmos de ML y los sistemas expertos también pueden utilizarse para desarrollar algoritmos predictivos de detección de enfermedades a partir de historiales sanitarios. Asimismo, el ML y el PLN pueden utilizarse para detectar rápidamente enfermedades de la fauna silvestre y responder ante ellas, mediante el seguimiento de casos inusuales en esos animales, como una enfermedad observada por primera vez en una nueva especie huésped, en una red de centros de rehabilitación de la fauna silvestre [1].
Tabla 1. La inteligencia artificial (AI) en la sanidad animal: tendencias, aplicaciones específicas y estudios de caso.
Estudio de caso 1: Uso de la CNN para interpretar radiografías torácicas de perros para detectar enfermedades
La IA se utiliza cada vez más como ayuda a los veterinarios para interpretar radiografías y diagnosticar enfermedades. Un grupo de científicos de la Universidad de Padua (Italia) diseñó un modelo de red neuronal convolucional profunda (CNN) de múltiples etiquetas*, un algoritmo de reconocimiento de patrones en capas que aprende a identificar patrones en los datos mediante un enfoque paso a paso, para clasificar radiografías torácicas en perros [2]. Este modelo asistido por computadora fue entrenado para clasificar radiografías torácicas en los distintos hallazgos radiográficos: normal, patrón intersticial, masa, derrame pleural, neumotórax y megaesófago. A pesar de que se entrenaron dos CNN diferentes, la CNN basada en la arquitectura ResNet-50, un modelo de aprendizaje profundo con bloques residuales, tuvo un AUC (área bajo la curva receptor-operador), una medida de precisión diagnóstica, superior a 0,8 (lo que se considera un buen resultado) para todos los hallazgos radiográficos.
Estudio de caso 2: Uso del ML para predecir la calidad del efluente y el riesgo microbiano en la explotación lechera
La IA se ha utilizado para predecir la calidad del efluente y los riesgos de contaminación microbiana asociados en explotaciones lecheras en California (Estados Unidos de América). Las explotaciones lecheras intensivas como éstas generan importantes cantidades de desechos animales que se tratan y reutilizan en la explotación. Si bien estos desechos se reciclan y reutilizan, es necesario reducir el riesgo de que los patógenos vuelvan a la explotación mediante la aplicación de protocolos de tratamiento establecidos. Para examinar este riesgo, un estudio piloto realizado por un grupo de científicos de la Universidad de California, Davis, incluido este autor, comparó dos estrategias alternativas de gestión de efluentes en establecimientos lecheros que separan y procesan los componentes sólidos y líquidos de los desechos: (1) separador mecánico de sólidos y líquidos, una máquina que filtra sólidos de líquidos y (2) sistema de separación de sólidos de gravitacional de muro drenante, un muro que drena líquidos gracias a la acción de la gravedad.
El equipo elaboró un modelo heurístico de IA, llamado E-C-MAN, que combinaba los resultados de 26 modelos de predicción fundamentales en un resultado final: un modelo de superaprendizaje que aprende de sus modelos fundamentales independientes [3] utilizando datos de 17 variables químicas, físicas, estructurales y estacionales para predecir los niveles de E. coli (Figura 1). Este modelo de ML demostró que los sólidos separados obtenidos en las dos estrategias de gestión de efluentes presentaron niveles significativamente más bajos de E. coli, un organismo indicador que permite predecir la calidad del efluente y el riesgo de coliformes, lo que podría tener importantes repercusiones posteriores como fuente de abono para la explotación.
Figura 1. El modelo lineal generalizado de conjunto apilado E-C-MAN fue desarrollado por un grupo de científicos de la Universidad de California Davis para predecir la calidad del efluente y el riesgo microbiano en explotaciones lecheras dotadas de plantas de procesamiento de efluentes.
El modelo utiliza diversos datos químicos, físicos, estructurales y estacionales para estimar las concentraciones de E. coli, que se utilizaron como organismo indicador para las predicciones. Para realizar predicciones precisas, el modelo combina modelos fundamentales más simples (denominados «modelos de aprendizaje base»), como árboles de decisión y redes neuronales. Los resultados de estos modelos de aprendizaje base se utilizaron para entrenar el modelo de superaprendizaje, que ha mejorado la precisión general de la predicción, aprendiendo de cada modelo individual. Esta figura se ha extraído de Shetty et al. 2023 bajo licencia internacional CC BY 4.0.
Desafíos y consideraciones éticas
El uso de IA en la realidad plantea múltiples desafíos y consideraciones éticas, que abarcan preocupaciones sobre la privacidad y la calidad de los datos; problemas con datos desequilibrados que generan sesgos en los resultados; dificultades de aplicación y accesibilidad, y los altos costos y complejidades de aplicación que implica implementar sistemas de IA en entornos con recursos limitados. Además, muchos modelos de IA, especialmente los que utilizan sistemas de aprendizaje profundo, carecen de transparencia con respecto al proceso de toma de decisiones. Debido a estos desafíos y consideraciones éticas, el nivel de confianza de los profesionales de la sanidad animal, veterinarios, reguladores y ganaderos en los sistemas de AI podría verse afectado, lo que obstaculizaría su adopción en entornos reales.
Un futuro prometedor
El potencial del uso de la IA en el ámbito de la sanidad animal es inmenso, ya que apenas nos encontramos en las primeras etapas de esta revolución tecnológica. En términos de capacidades, aún nos encontramos en la etapa de inteligencia artificial estrecha (IAE), una etapa definida por sistemas (p. ej., ChatGPT o Claude) diseñados para realizar tareas específicas, o un rango reducido de tareas, de forma particularmente eficaz. Una vez que seamos capaces de avanzar en el diseño sistemas de inteligencia artificial general (IAG), es decir, aquellos que puedan realizar una amplia gama de tareas igualando o superando las capacidades humanas en el mismo modelo, y luego en los sistemas de superinteligencia artificial (ASI), capaces de superar la inteligencia humana en todos los aspectos, como pensamiento, razonamiento, aprendizaje, toma de decisiones y capacidades cognitivas superiores, las posibilidades serán prácticamente ilimitadas. No habría límite, en términos humanos, a las capacidades del sistema. En términos de funcionalidad, ya hemos superado la etapa de la IA de máquinas reactivas, que usa sistemas de IA desprovistos de memoria y no pueden aprender de experiencias pasadas; actualmente nos encontramos en la etapa de la IA de memoria limitada, que utiliza sistemas (p. ej., ChatGPT y Claude) que pueden aprender a partir de datos históricos para mejorar las decisiones futuras. La siguiente etapa en esta evolución es el desarrollo de una IA basada en la teoría de la mente, que sería capaz de comprender emociones, creencias e intenciones, y, finalmente, una IA autoconsciente, que estaría dotada de consciencia y capacidad de autopercepción. Si bien las aplicaciones prácticas de la IA se basan actualmente en la IAE y en la IA de memoria limitada, las perspectivas futuras se ampliarán considerablemente con el desarrollo la IAG, la ASI, la teoría de la mente y la IA autoconsciente.
Podemos ilustrar una trayectoria hipotética futura de las aplicaciones de IA en sanidad animal, imaginando un momento en que la ASI y la IA autoconsciente sean técnicamente viables. En ese escenario de previsión, una plataforma de IA desarrollada por la Organización Mundial de Sanidad Animal (OMSA) podría, en teoría, procesar datos continuamente y en tiempo real de miles de millones de sensores en explotaciones, hospitales veterinarios, clínicas y hábitats de fauna silvestre de todo el mundo, lo que le permitiría anticipar brotes de enfermedades, como la influenza aviar de alta patogenicidad, con semanas de antelación y apoyando a los Miembros de la OMSA (países y territorios) suministrándoles respuestas oportunas y coordinadas. Esta plataforma podría ser un asistente autónomo para la coordinación de campañas de vacunación y la negociación de protocolos de intercambio de datos, puesto que adaptaría la toma de decisiones en función de la información ética proporcionada por veterinarios y otras partes interesadas. También sería autoconsciente, ya que sería capaz de comprender sus funciones, limitaciones y las consecuencias éticas de sus decisiones en la realidad. A pesar de que estas capacidades siguen siendo hipotéticas, demuestran la importancia de asumir las capacidades evolutivas de la IA para forgar un camino responsable hacia el futuro.
*Una red neuronal convolucional es un tipo de algoritmo de IA diseñado para identificar patrones en los datos mediante un enfoque por capas. El algoritmo procesa los datos a través de una serie de pasos (o capas), en los que cada capa detecta características cada vez más complejas, con el fin de comprender patrones detallados.
Traducido del original en inglés.
Copyright de la imagen principal: gorodenkoff
Referencias
[1] Kelly TR, Pandit PS, Carion N, Dombrowski DF, Rogers KH, McMillin SC, et al. Early detection of wildlife morbidity and mortality through an event-based surveillance system. Proc. Biol. Sci. 2021;288(1954):20210974. https://doi.org/10.1098/rspb.2021.0974
[2] Banzato T, Wodzinski M, Burti S, Osti VL, Rossoni V, Atzori M, et al. Automatic classification of canine thoracic radiographs using deep learning. Sci. Rep. 2021;11(1):3964. https://doi.org/10.1038/s41598-021-83515-3
[3] Shetty BD, Amaly N, Weimer BC, Pandey P. Predicting Escherichia coli levels in manure using machine learning in weeping wall and mechanical liquid solid separation systems. Front. Artif. Intell. 2023;5. https://doi.org/10.3389/frai.2022.921924
[4] Xiao S, Dhand NK, Wang Z, Hu K, Thomson PC, House JK, et al. Review of applications of deep learning in veterinary diagnostics and animal health. Front. Vet. Sci. 2025;12. https://doi.org/10.3389/fvets.2025.1511522
[5] Yu H, Lee IG, Oh JY, Kim J, Jeong JH, Eom K. Deep learning-based ultrasonographic classification of canine chronic kidney disease. Front. Vet. Sci. 2024;11. https://doi.org/10.3389/fvets.2024.1443234
[6] Jeong J, Choi H, Kim M, Kim SS, Goh J, Hwang J, et al. Computed tomography radiomics models of tumor differentiation in canine small intestinal tumors. Front. Vet. Sci. 2024;11. https://doi.org/10.3389/fvets.2024.1450304
[7] Fraiwan MA, Abutarbush SM. Using Artificial Intelligence to Predict Survivability Likelihood and Need for Surgery in Horses Presented With Acute Abdomen (Colic). J. Equine Vet. Sci. 2020;90:102973. https://doi.org/10.1016/j.jevs.2020.102973
[8] Haghofer A, Fuchs-Baumgartinger A, Lipnik K, Klopfleisch R, Aubreville M, Scharinger J, et al. Histological classification of canine and feline lymphoma using a modular approach based on deep learning and advanced image processing. Sci. Rep. 2023;13:19436. https://doi.org/10.1038/s41598-023-46607-w
[9] Liu Z, Deng D, Lu H, Sun J, Lv L, Li S, et al. Evaluation of Machine Learning Models for Predicting Antimicrobial Resistance of Actinobacillus pleuropneumoniae From Whole Genome Sequences. Front. Microbiol. 2020;11. https://doi.org/10.3389/fmicb.2020.00048
[10] American Veterinary Medical Association (AVMA). Artificial intelligence poised to transform veterinary care. Schaumburg (Estados Unidos de América): AVMA; 2024. Disponible en: https://www.avma.org/news/artificial-intelligence-poised-transform-veterinary-care (consultado el 11 de abril de 2025).
[11] Vlasiou MC. Vet informatics and the future of drug discovery in veterinary medicine. Front. Vet. Sci. 2024;11. https://doi.org/10.3389/fvets.2024.1494242
[12] University of Cambridge. Researchers design AI system to assess pain levels in sheep. Cambridge (Reino Unido): University of Cambridge; 2017. Disponible en: https://www.cam.ac.uk/research/news/researchers-design-ai-system-to-assess-pain-levels-in-sheep (consultado el 11 de abril de 2025).
[13] Halev A, Martínez-López B, Clavijo M, Gonzalez-Crespo C, Kim J, Huang C, et al. Infection prediction in swine populations with machine learning. Sci. Rep. 2023;13:17738. https://doi.org/10.1038/s41598-023-43472-5
[14] Turner J. The potential for tracking wildlife health & disease via bioacoustics is great (commentary). Menlo Park (Estados Unidos de América): Mongabay; 2025. Disponible en: https://news.mongabay.com/2024/04/tracking-wildlife-health-disease-via-bioacoustics-is-effective-more-research-is-needed-commentary/ (consultado el 30 de abril de 2025).
Continue reading
Manténgase al día con nuestro boletín mensual. Reciba las últimas noticias de nuestra Organización, red y colaboradores. Incluye autodeclaraciones de los Miembros, artículos, conocimientos científicos, publicaciones y mucho más.
