Cómo los datos de los pacientes están impulsando el futuro de la atención sanitaria

La carrera de IA en la atención sanitaria se está alejando cada vez más de la cuestión de si las máquinas pueden generar información médica y se dirige hacia una más trascendental: ¿qué ocurre cuando la IA puede trabajar con los datos de los pacientes que los clínicos e investigadores ya poseen?

Tres desarrollos recientes indican hacia dónde podría dirigirse ese cambio.

Primero, OpenAI conectó recientemente ChatGPT for Healthcare con datos de registros electrónicos de salud de Epic, aportando contexto clínico específico del paciente a un flujo de trabajo de IA y, potencialmente, reduciendo el tiempo que los clínicos dedican a buscar en registros médicos fragmentados.  

A continuación, PurpleLab, una empresa de datos y análisis de salud, acaba de lanzó CARES, una iniciativa para apoyar la investigación utilizando su enorme cantidad de datos de salud del mundo real. 

Y, finalmente, los investigadores de la Harvard Medical School han desarrollado un modelo de IA que utiliza los registros de salud existentes y la información genética para estimar el riesgo de cientos de enfermedades.

En conjunto, sugieren lo que muchos en el sector de la salud han especulado durante bastante tiempo: que los datos de los pacientes podrían ser uno de los activos más valiosos de la industria sanitaria para la innovación en la atención.

Examinemos más detenidamente cada uno de estos recientes avances en datos de pacientes.

De los registros electrónicos de salud a los asistentes de IA

El 1 de septiembre, OpenAI anunció una integración de Epic para ChatGPT for Healthcare que permite a las organizaciones de salud autorizadas incorporar la información del paciente en flujos de trabajo asistidos por IA.

La integración puede ayudar a los clínicos a revisar información como notas médicas, medicamentos, resultados de laboratorio y encuentros previos sin tener que ensamblar manualmente la historia del paciente a partir de diferentes partes del registro.

El sistema es de solo lectura, lo que significa que la IA no modifica de forma independiente el registro médico.

Esa distinción es importante. La oportunidad inmediata no consiste en reemplazar el EHR ni en permitir que un sistema de IA tome decisiones por sí mismo. Se trata de reducir el tiempo que los clínicos dedican a buscar y sintetizar información.

OpenAI también está conectando ChatGPT for Healthcare a fuentes públicas oficiales, incluidas PubMed, ClinicalTrials.gov, DailyMed y los datos de CMS.

La idea más amplia es la combinación del contexto del paciente y la evidencia médica externa en el mismo flujo de trabajo.

Haciendo que los datos del mundo real sean más útiles para la investigación

PurpleLab, una empresa de datos y análisis que se centra, entre otras cosas, en la Evidencia del Mundo Real (RWE) y los Datos del Mundo Real (RWD) en el sector de la salud, lanzó recientemente el Centro para el Avance de Estudios de Evidencia del Mundo Real, o CARES, con el objetivo de ayudar a investigadores, instituciones académicas, redes de evidencia y comunidades de pacientes a utilizar los datos del mundo real de manera más eficaz.

La importancia va más allá de simplemente disponer de más datos.

Los investigadores en salud han enfrentado durante mucho tiempo problemas relacionados con definiciones inconsistentes, conjuntos de datos fragmentados y dificultades para reproducir estudios previos.

CARES está diseñado en torno a la investigación reproducible, métodos transparentes, asociaciones académicas y la investigación centrada en el paciente.

PurpleLab afirma que los investigadores pueden trabajar con sus conjuntos de datos del mundo real para estudiar patrones de tratamiento, resultados y costos de salud en áreas que incluyen oncología, cardiología, salud mental y enfermedades raras.

Si tienen éxito, iniciativas como esta podrían ayudar a convertir la información sanitaria generada rutinariamente en evidencia que responda a preguntas que los estudios clínicos tradicionales no siempre pueden abordar con rapidez.

“La evidencia del mundo real es más sólida cuando es rigurosa, revisada por pares y compartida abiertamente. Con PurpleLab CARES, estamos demostrando lo que nuestros datos pueden hacer en manos de investigadores, socios académicos y comunidades de pacientes,” dijo Scott DuVall, Vicepresidente Senior de Evidencia del Mundo Real en PurpleLab, en una declaración de la empresa.

Prediciendo la enfermedad antes de que aparezca

En Harvard, los equipos de investigación están convirtiendo los datos de los pacientes en motores de predicción. 

Un modelo de aprendizaje automático desarrollado por investigadores del Dana-Farber Cancer Institute y del Massachusetts General Hospital puede estimar el riesgo de un paciente de 348 enfermedades utilizando registros electrónicos de salud (EHR) recopilados rutinariamente junto con información de riesgo genético.

El modelo, llamado Aladynoulli, fue entrenado y validado utilizando datos de más de 683 000 registros de pacientes de tres biobancos. 

Los investigadores afirman que puede actualizar dinámicamente las evaluaciones de riesgo a medida que el paciente envejece.

Su potencial es significativo. En lugar de ver la historia médica solo como un registro de lo que ya ha ocurrido, la IA podría usarla cada vez más para identificar patrones asociados con lo que podría suceder a continuación.

Pero aquí la precaución es esencial. Hasta ahora el modelo se ha evaluado con datos históricos de pacientes, y se necesita más investigación antes de determinar cómo funciona en entornos clínicos reales.

El verdadero desafío es la confianza

Por lo tanto, el futuro de la IA en la atención sanitaria podría depender menos de lo impresionante que suene un algoritmo y más de si los datos que lo respaldan son precisos, representativos, seguros y gestionados de manera responsable.

Los datos de los pacientes pueden revelar patrones que resultan difíciles de identificar para los humanos a lo largo de años de historia médica. Pero esos mismos registros contienen parte de la información más sensible que una persona genera.

A medida que las organizaciones sanitarias conectan los EHR, bases de datos de investigación y sistemas de IA, la cuestión central no será simplemente si la IA puede extraer más valor de los datos de los pacientes.

Sino si el sistema sanitario puede hacerlo sin perder la confianza de los pacientes.

Ese equilibrio entre mejor información y uso responsable podría, en última instancia, determinar hasta qué punto la IA pasa del laboratorio de investigación a la atención sanitaria cotidiana.