Para transformar la atención médica y las ciencias de la vida, la IA debe ser confiable

La inteligencia artificial (IA) se está integrando rápidamente en las organizaciones de atención médica y ciencias de la vida. Sin embargo, la mayoría de las organizaciones la están utilizando de manera aislada en lugar de escalarla para mejorar significativamente el rendimiento en toda la empresa. Entre los desafíos se encuentran: la IA en estas industrias debe cumplir con los más altos estándares de calidad, privacidad y confiabilidad, y debe ser confiable.

Las herramientas de IA basadas en modelos de lenguaje grande (LLM) son potentes, pero la mayoría de los LLM no están diseñados para satisfacer las demandas de las operaciones de atención médica y ciencias de la vida. Pueden producir salidas inconsistentes, y su rendimiento puede variar a medida que cambian la información y el contexto. La IA de propósito general, en particular, se entrena con datos públicos amplios, con una curación médica limitada, y no está diseñada para cumplir con los requisitos médicos, científicos o regulatorios.

Estos problemas son inaceptables en operaciones donde las decisiones tienen consecuencias no solo financieras, sino también clínicas, científicas, legales y, en última instancia, humanas.

En resumen: se necesita un estándar más alto de IA.

Si las organizaciones de atención médica y ciencias de la vida desean utilizar la IA para transformar sus operaciones comerciales y reguladas, necesitan una IA confiable.

Qué se necesita para crear una IA confiable

La IA confiable produce resultados confiables, se desempeña de manera consistente a medida que cambian los datos y es cumplidor y defensible.

Lograr esto requiere tanto expertise científico como técnico, así como un enfoque riguroso que considere todos los aspectos del diseño, uso y monitoreo de la IA responsable. ¿Cómo se ve esto en la práctica?

El primer paso es entender el objetivo final: ¿Cuál es el requisito del usuario final que la solución de IA debe abordar, y ¿qué significa el éxito? Esto implica entender los roles de aquellos que utilizarán la solución de IA, sus necesidades y flujos de trabajo, y ya sea los objetivos comerciales que desean lograr o los requisitos regulatorios que deben cumplir.

Estos detalles ayudarán a informar decisiones técnicas clave, como elegir los modelos adecuados para la solución de IA, diseñar marcos de validación y establecer las métricas contra las cuales se medirá la solución.

Los sistemas confiables también consideran al experto en el bucle desde el principio del proceso de diseño, no como un después. Esto implica utilizar expertos humanos, incluidos expertos clínicos, científicos, regulatorios y comerciales, para ayudar a asegurarse de que la solución de IA esté diseñada y desplegada correctamente y para considerar cómo la solución afectará el trabajo de un usuario final.

Por supuesto, la confianza no se gana solo en la etapa de diseño, sino que debe mantenerse durante toda la vida de la solución de IA. Mecanismos como los volantes de datos de IA, o bucles de aprendizaje que actualizan continuamente los modelos con nuevos datos para mantenerlos actualizados, ayudan a las soluciones de IA a permanecer relevantes, precisas y confiables. El aprendizaje de refuerzo y los guardrails programados en las soluciones de IA también pueden ayudar a mantener su rendimiento en el camino dentro de un conjunto definido de reglas.

Aplicaciones en el mundo real

La IA ya está siendo adoptada y confiada, y está teniendo un impacto en casos de uso del mundo real para algunas de las empresas de ciencias de la vida más grandes del mundo.

En un caso, una empresa farmacéutica líder buscaba mejorar la forma en que interactuaba con los profesionales de la salud (HCP) en múltiples marcas y mercados. La capacidad de la empresa para interactuar con los HCP y optimizar las estrategias de marketing se vio obstaculizada por desafíos como problemas de gestión de datos, falta de información a nivel de cliente y dificultades de adaptación.

La empresa implementó una solución de compromiso omnicanal. Combinó señales predictivas para las interacciones de los HCP con recomendaciones de “siguiente acción” que ayudaron a los equipos a decidir cómo ritmar el alcance y qué acciones de seguimiento tomar. La empresa vio una mejora cuadruplicada en su capacidad para identificar a pacientes de alto valor, junto con aumentos del 20% y 36% en la iniciación de nuevos pacientes para dos de sus marcas.

Otro ejemplo se encuentra en las revisiones de la literatura necesarias para el desarrollo de fármacos. Realizar estas revisiones puede llevar meses y requiere una profunda experiencia en el dominio, una planificación meticulosa, un esfuerzo manual significativo y más. También pueden ser difíciles de escalar y propensas a errores.

Las soluciones de IA pueden automatizar grandes porciones de las revisiones de la literatura, desde el desarrollo del protocolo hasta la búsqueda y la selección, la extracción de datos y el análisis y la presentación de informes. Para cualquier trabajo que asuma la solución de IA, los investigadores u otros pueden revisar la lógica detrás de cada decisión.

Ahora, con la IA, las revisiones que antes llevaban meses se pueden completar en solo unos días y con menos errores. En un caso, una solución de IA ayudó a una gran empresa farmacéutica a lograr una pantalla inicial para un caso de uso de revisión de la literatura científica siete veces más rápido que el proceso manual tradicional. Esto condensó el tiempo de pantalla estimado de 20 días a menos de tres días.

La IA también está creando nuevas posibilidades en este campo. Por ejemplo, ha permitido que las empresas creen “revisiones vivas” que se pueden actualizar continuamente con los últimos datos publicados.

La colaboración es esencial

Crear soluciones de IA confiables para la atención médica y las ciencias de la vida requiere una combinación de expertise que ninguna organización puede proporcionar por sí sola. Esto es por lo que las empresas con mentalidad similar están colaborando, reuniendo el conocimiento técnico y de dominio, así como las capacidades necesarias para crear sistemas de IA completos y validados que puedan escalarse en flujos de trabajo comerciales y regulados.

El socio técnico adecuado, por ejemplo, aporta profundidad de ingeniería y una amplia experiencia para implementar y ejecutar la IA a escala empresarial. Pueden proporcionar modelos abiertos para ofrecer la transparencia que la IA confiable necesita y componentes de software que permiten una construcción más rápida de soluciones de IA. Y su experiencia en la creación de soluciones de IA confiables para otras industrias puede ayudarles a anticipar desafíos y fortalecer diseños.

En el lado del dominio, un colaborador eficaz aporta no solo una profunda experiencia en desarrollo clínico y comercialización, sino también un historial comprobado de desarrollo de soluciones de IA confiables. Tienen los ingredientes esenciales necesarios para crear estas soluciones, como experiencia en ciencia de datos, conocimiento regulatorio y un historial de uso seguro y responsable de los datos. Pero también pueden ofrecer más para respaldar los despliegues de IA, desde una voluntad de desafiar las referencias públicas para asegurarse de que la solución de IA se desempeñe como se espera, hasta recursos como ingenieros desplegados que pueden ayudar a integrar las soluciones de IA en los flujos de trabajo de los usuarios finales, teniendo en cuenta las configuraciones y políticas del sistema de IT único del usuario final.

Cambiar la forma en que se realiza el trabajo

La IA no es solo otra herramienta para las organizaciones de atención médica y ciencias de la vida. Hacerlo bien, cambia la forma en que se realiza el trabajo y se resuelven los problemas. La IA confiable, en particular, ya está demostrando que puede acortar los plazos, mejorar la precisión y ayudar a los equipos a abordar desafíos complejos de manera más ágil, reinventando los flujos de trabajo para la era de la IA.

A medida que la IA pasa de generar información a tomar decisiones y ejecutar flujos de trabajo complejos, las organizaciones que abracen esta evolución podrán desencadenar nuevos modelos operativos que las hagan más eficientes, más informadas y más responsivas a las demandas cambiantes en la atención médica y las ciencias de la vida.