Potencial transformador de un modelo fundamental específico de la atención sanitaria

En los últimos dos años, los modelos fundamentales generalistas como GPT-4 han evolucionado significativamente y ofrecen capacidades sin precedentes debido a conjuntos de datos más grandes, mayores tamaños de modelo y mejoras arquitectónicas. Estos modelos se adaptan a una amplia gama de tareas en diversos campos. Sin embargo, la IA sanitaria todavía se caracteriza por modelos diseñados para tareas específicas. Por ejemplo, un modelo entrenado para analizar rayos X en busca de fracturas óseas solo identificaría fracturas y carecería de la capacidad de generar informes radiológicos completos. La mayoría de 500 modelos de IA aprobados por la Administración de Alimentos y Medicamentos se limitan a uno o dos casos de uso. Sin embargo, los modelos básicos, conocidos por su amplia aplicabilidad en diferentes tareas, están sentando las bases para un enfoque transformador en las aplicaciones sanitarias.

Si bien ha habido intentos iniciales de desarrollar modelos fundamentales para aplicaciones médicas, este enfoque más amplio aún no se ha generalizado en la IA sanitaria. Esta lenta adopción se debe principalmente a los desafíos asociados con el acceso a conjuntos de datos de atención médica grandes y diversos, así como a la necesidad de modelos para razonar entre diferentes tipos de datos médicos. La práctica de la atención médica es inherentemente multimodal e incorpora información de imágenes, registros médicos electrónicos (EHR), sensores, dispositivos portátiles, genómica y más. Por lo tanto, un modelo de atención sanitaria fundamental también debe ser inherentemente multimodal. No obstante, los avances recientes en arquitecturas multimodales y aprendizaje autosupervisado, que pueden manejar varios tipos de datos sin necesidad de datos etiquetados, están allanando el camino para un modelo fundamental de atención médica.

Estado actual de la IA generativa en la atención sanitaria

La atención sanitaria tradicionalmente ha tardado en adoptar la tecnología; sin embargo, parece haberla adoptado. IA generativa más rápidamente. En HIMSS24, la conferencia mundial más grande para profesionales de tecnología sanitaria, la IA generativa fue el punto central de casi todas las presentaciones.

Uno de los primeros casos de uso de la IA generativa en la atención sanitaria que ha tenido una adopción generalizada se centra en aliviar la carga administrativa de la documentación clínica. Tradicionalmente, documentar las interacciones con los pacientes y los procesos de atención consume una parte sustancial del tiempo de los médicos (>2 horas por día), lo que a menudo les resta atención a la atención directa al paciente.

Se están utilizando modelos de inteligencia artificial como GPT-4 o MedPalm-2 para monitorear los datos de los pacientes y las interacciones médico-paciente para redactar documentos clave como notas de progreso, resúmenes de alta y cartas de derivación. Estos borradores capturan información esencial con precisión y solo requieren revisión y aprobación del médico. Esto reduce significativamente el tiempo de trámites, lo que permite a los médicos centrarse más en la atención al paciente, mejorar la calidad del servicio y reducir el agotamiento.

Sin embargo, las aplicaciones más amplias de los modelos fundamentales en la atención sanitaria aún no se han materializado por completo. Los modelos fundamentales generalistas como GPT-4 tienen varias limitaciones; por lo tanto, existe la necesidad de un modelo fundacional específico para la atención sanitaria. Por ejemplo, GPT-4 carece de la capacidad de analizar imágenes médicas o comprender datos longitudinales del paciente, lo cual es fundamental para proporcionar diagnósticos precisos. Además, no posee los conocimientos médicos más actualizados, ya que se entrenó con datos disponibles solo hasta diciembre de 2023. MedPalm-2 de Google representa el primer intento de construir un modelo fundamental específico de atención médica, capaz de responder tanto consultas médicas y razonamientos sobre imágenes médicas. Sin embargo, todavía no captura todo el potencial de la IA en la atención sanitaria.

Construyendo un modelo fundamental de atención médica

El proceso de construcción de un modelo fundamental de atención médica comienza con datos derivados de fuentes públicas y privadas, incluidos biobancos, datos experimentales y registros de pacientes. Este modelo sería capaz de procesar y combinar diferentes tipos de datos, como texto con imágenes o resultados de laboratorio, para realizar tareas médicas complejas.

Además, podría razonar sobre situaciones nuevas y articular sus resultados en un lenguaje médicamente preciso. Esta capacidad se extiende a inferir y utilizar relaciones causales entre conceptos médicos y datos clínicos, especialmente cuando se brindan recomendaciones de tratamiento basadas en datos de observación. Por ejemplo, podría predecir el síndrome de dificultad respiratoria aguda debido a un traumatismo torácico grave reciente y una disminución de los niveles de oxígeno arterial, a pesar de un mayor suministro de oxígeno.

Además, el modelo accedería a información contextual de recursos como gráficos de conocimiento o bases de datos para obtener conocimientos médicos actualizados, mejorando su razonamiento y garantizando que sus consejos reflejen los últimos avances en medicina.

Aplicaciones e impacto del modelo fundamental de atención médica

Los usos potenciales de un modelo fundamental de atención sanitaria son amplios. En el diagnóstico, un modelo de este tipo podría reducir la dependencia del análisis humano. Para la planificación del tratamiento, el modelo podría ayudar a diseñar estrategias de tratamiento individualizadas considerando todo el historial médico, los detalles genéticos y los factores del estilo de vida del paciente. Algunas otras aplicaciones incluyen:

• Informes de radiología fundamentados: El modelo fundamental de atención médica puede transformar la radiología digital mediante la creación de asistentes versátiles que apoyen a los radiólogos al automatizar la redacción de informes y reducir la carga de trabajo. También podría integrar el historial completo del paciente. Por ejemplo, los radiólogos pueden consultar el modelo sobre los cambios en las condiciones a lo largo del tiempo: "¿Puede identificar algún cambio en el tamaño del tumor desde la última exploración?"
• Apoyo a la toma de decisiones clínicas junto a la cama: Aprovechando el conocimiento clínico, ofrecería explicaciones claras en texto libre y resúmenes de datos, alertando al personal médico sobre los riesgos inmediatos para los pacientes y sugiriendo los próximos pasos. Por ejemplo, el modelo de alerta en la nube, “Advertencia: este paciente está a punto de entrar en shock”, y proporciona enlaces a resúmenes de datos relevantes y listas de verificación para la acción.
• Descubrimiento de medicamento: El diseño de proteínas que se unen específica y fuertemente a un objetivo es la base del descubrimiento de fármacos. Los primeros modelos como RFdiffusion han comenzado a generar proteínas basadas en insumos básicos, como un objetivo para la unión. Sobre la base de estos modelos iniciales, se podría entrenar un modelo fundamental específico de la atención sanitaria para comprender tanto el lenguaje como las secuencias de proteínas. Esto le permitiría ofrecer una interfaz basada en texto para diseñar proteínas, lo que podría acelerar el desarrollo de nuevos fármacos.

Desafios

Aunque el objetivo final sigue siendo construir un modelo fundamental específico de atención médica, y los avances recientes lo han hecho más factible, todavía existen desafíos importantes en el desarrollo de un modelo único capaz de razonar sobre diversos conceptos médicos:

• Mapeo de datos múltiples modalidades: El modelo debe entrenarse en diversas modalidades de datos, como datos de HCE, datos de imágenes médicas y datos genéticos. Razonar entre estas modalidades es un desafío porque es difícil obtener datos de alta fidelidad que mapeen con precisión las interacciones entre todas estas modalidades. Además, representar diversas modalidades biológicas, desde la dinámica celular hasta las estructuras moleculares y las interacciones genéticas de todo el genoma, es complejo. Un entrenamiento óptimo con datos humanos es inviable y poco ético, por lo que los investigadores dependen de modelos animales o líneas celulares menos predictivos, lo que crea un desafío a la hora de traducir las mediciones de laboratorio al intrincado funcionamiento de organismos completos.
• Validación y Verificación: Los modelos fundamentales de atención sanitaria son difíciles de validar debido a su versatilidad. Tradicionalmente, los modelos de IA se validan para tareas específicas, como diagnosticar un tipo de cáncer a partir de una resonancia magnética. Sin embargo, los modelos fundamentales pueden realizar tareas nuevas e invisibles, lo que dificulta anticipar todos los modos de falla posibles. Requieren explicaciones detalladas de sus pruebas y casos de uso aprobados y deben emitir advertencias para el uso no autorizado. Verificar sus resultados también es complejo, ya que manejan diversas entradas y salidas, lo que potencialmente requiere un panel multidisciplinario para garantizar la precisión.
• Sesgos sociales: Estos modelos corren el riesgo de perpetuar sesgos, ya que pueden basarse en datos que no representan a ciertos grupos o contienen correlaciones sesgadas. Abordar estos sesgos es crucial, particularmente a medida que aumenta la escala de los modelos, lo que puede intensificar el problema.

Camino delante

La IA generativa ya ha comenzado a remodelar la atención médica al aliviar la carga de documentación de los médicos, pero todo su potencial está por llegar. El futuro de los modelos fundamentales en atención sanitaria promete ser transformador. Imaginemos un sistema de salud donde los diagnósticos no sólo sean más rápidos sino también más precisos, donde los planes de tratamiento se adapten con precisión a los perfiles genéticos de cada paciente y donde se puedan descubrir nuevos medicamentos en unos pocos meses en lugar de años.

La creación de un modelo de IA fundamental específico para la atención sanitaria presenta desafíos, especialmente cuando se trata de integrar datos médicos y clínicos diversos y dispersos. Sin embargo, estos obstáculos pueden abordarse mediante esfuerzos de colaboración entre tecnólogos, médicos y formuladores de políticas. Trabajando juntos, podemos desarrollar marcos comerciales que incentiven a varias partes interesadas (EHR, empresas de imágenes, laboratorios de patología, proveedores) a unificar estos datos y construir arquitecturas de modelos de IA capaces de procesar interacciones complejas y multimodales dentro de la atención médica.

Además, es crucial que este avance se realice con una brújula ética clara y marcos regulatorios sólidos para garantizar que estas tecnologías se utilicen de manera responsable y equitativa. Al mantener altos estándares de validación y equidad, la comunidad sanitaria puede generar confianza y fomentar la aceptación tanto entre los pacientes como entre los profesionales.

El camino hacia la realización plena del potencial de los modelos fundamentales de atención sanitaria es una frontera apasionante. Al adoptar este espíritu innovador, el sector de la salud puede anticipar no solo enfrentar los desafíos actuales sino también transformar la ciencia médica. Estamos al borde de una nueva y audaz era en la atención sanitaria, repleta de posibilidades e impulsada por la promesa de la IA de mejorar vidas a escala global.