Potencial Transformador de un Modelo Fundacional de Atención Médica Específico

En los últimos dos años, los modelos fundacionales generalistas como GPT-4 han evolucionado significativamente, ofreciendo capacidades sin precedentes debido a conjuntos de datos más grandes, tamaños de modelo aumentados y mejoras arquitectónicas. Estos modelos son adaptables a una amplia gama de tareas en diversos campos. Sin embargo, la inteligencia artificial en la atención médica todavía se caracteriza por modelos diseñados para tareas específicas. Por ejemplo, un modelo entrenado para analizar radiografías de fracturas óseas solo identificaría fracturas y carecería de la capacidad de generar informes de radiología completos. La mayoría de los 500 modelos de IA aprobados por la Administración de Alimentos y Medicamentos están limitados a uno o dos casos de uso. Sin embargo, los modelos fundacionales, conocidos por su amplia aplicabilidad en diferentes tareas, están sentando las bases para un enfoque transformador en aplicaciones de atención médica.

Aunque ha habido intentos iniciales para desarrollar modelos fundacionales para aplicaciones médicas, este enfoque más amplio aún no se ha vuelto prevalente en la inteligencia artificial en la atención médica. Esta adopción lenta se debe principalmente a los desafíos asociados con el acceso a grandes y diversos conjuntos de datos de atención médica, así como a la necesidad de que los modelos razonen a través de diferentes tipos de datos médicos. La práctica de la atención médica es inherentemente multimodal e incorpora información de imágenes, registros electrónicos de salud (EHR), sensores, dispositivos portátiles, genómica y más. Por lo tanto, un modelo fundacional de atención médica también debe ser inherentemente multimodal. Sin embargo, el progreso reciente en arquitecturas multimodales y aprendizaje auto-supervisado, que pueden manejar varios tipos de datos sin necesidad de datos etiquetados, está allanando el camino para un modelo fundacional de atención médica.

Estado Actual de la Inteligencia Artificial Generativa en la Atención Médica

La atención médica ha sido tradicionalmente lenta para adoptar tecnología, sin embargo, parece haber adoptado la Inteligencia Artificial Generativa más rápidamente. En la conferencia HIMSS24, la conferencia global más grande para profesionales de tecnología de la atención médica, la Inteligencia Artificial Generativa fue el foco de casi todas las presentaciones.

Uno de los primeros casos de uso de la Inteligencia Artificial Generativa en la atención médica que ha visto una adopción generalizada se centra en aliviar la carga administrativa de la documentación clínica. Tradicionalmente, documentar las interacciones de los pacientes y los procesos de atención consume una parte sustancial del tiempo de los médicos (>2 horas al día), a menudo distrayéndolos de la atención directa al paciente.

Los modelos de IA como GPT-4 o MedPalm-2 se están utilizando para monitorear los datos de los pacientes y las interacciones entre médicos y pacientes para redactar documentos clave como notas de progreso, resúmenes de alta y cartas de derivación. Estos borradores capturan la información esencial con precisión, requiriendo solo la revisión y aprobación del médico. Esto reduce significativamente el tiempo de tramitación, permitiendo que los médicos se concentren más en la atención al paciente, mejorando la calidad del servicio y reduciendo el agotamiento.

Sin embargo, las aplicaciones más amplias de los modelos fundacionales en la atención médica aún no se han materializado completamente. Los modelos fundacionales generalistas como GPT-4 tienen varias limitaciones; por lo tanto, es necesario un modelo fundacional específico de la atención médica. Por ejemplo, GPT-4 carece de la capacidad de analizar imágenes médicas o comprender los datos longitudinales de los pacientes, lo que 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. El modelo MedPalm-2 de Google representa el primer intento de construir un modelo fundacional específico de la atención médica, capaz de responder a consultas médicas y razonar sobre imágenes médicas. Sin embargo, todavía no captura el potencial completo de la IA en la atención médica.

Construyendo un Modelo Fundacional de Atención Médica

El proceso de construir un modelo fundacional de atención médica comienza con datos derivados de fuentes públicas y privadas, incluyendo 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 nuevas situaciones y articular sus salidas en lenguaje médico preciso. Esta capacidad se extiende a inferir y utilizar relaciones causales entre conceptos médicos y datos clínicos, especialmente al proporcionar recomendaciones de tratamiento basadas en datos observacionales. Por ejemplo, podría predecir el síndrome de dificultad respiratoria aguda a partir de un trauma torácico severo reciente y niveles de oxígeno arterial en declive, a pesar de un aumento en el suministro de oxígeno.

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

Aplicaciones y Impacto del Modelo Fundacional de Atención Médica

Los usos potenciales para un modelo fundacional de atención médica son extensos. En diagnósticos, dicho modelo podría reducir la dependencia del análisis humano. Para la planificación del tratamiento, el modelo podría ayudar a crear estrategias de tratamiento individualizadas considerando el historial médico completo del paciente, los detalles genéticos y los factores de estilo de vida. Algunas otras aplicaciones incluyen:

• Informes de radiología basados en evidencia: El modelo fundacional de atención médica puede transformar la radiología digital creando asistentes versátiles que apoyen a los radiólogos automatizando la redacción de informes y reduciendo la carga de trabajo. También podría integrar la historia completa del paciente. Por ejemplo, los radiólogos pueden consultar el modelo sobre 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 en la cabecera de la cama: Aprovechando el conocimiento clínico, ofrecería explicaciones claras y resúmenes de datos, alertando al personal médico sobre los riesgos inmediatos del paciente y sugiriendo los siguientes pasos. Por ejemplo, el modelo podría alertar, “Advertencia: este paciente está a punto de entrar en shock”, y proporcionar enlaces a resúmenes de datos relevantes y listas de verificación para la acción.
• Descubrimiento de fármacos: Diseñar proteínas que se unan específica y firmemente a un objetivo es la base del descubrimiento de fármacos. Modelos iniciales como RFdiffusion han comenzado a generar proteínas basadas en entradas básicas como un objetivo de unión. Basándose en estos modelos iniciales, un modelo fundacional específico de la atención médica podría ser entrenado para comprender tanto el lenguaje como las secuencias de proteínas. Esto permitiría ofrecer una interfaz basada en texto para diseñar proteínas, lo que podría acelerar el desarrollo de nuevos fármacos

Desafíos

Aunque construir un modelo fundacional específico de la atención médica sigue siendo el objetivo final, y los avances recientes han hecho que sea más factible, todavía existen desafíos significativos en el desarrollo de un solo modelo capaz de razonar a través de conceptos médicos diversos:

• Asignación de datos de múltiples modalidades: El modelo debe ser entrenado en varias modalidades de datos, como datos de EHR, datos de imágenes médicas y datos genéticos. Razonar a través de estas modalidades es desafiante porque obtener datos de alta fidelidad que mapeen con precisión las interacciones a través de todas estas modalidades es difícil. Además, representar las diversas modalidades biológicas, desde la dinámica celular hasta las estructuras moleculares y las interacciones genéticas a nivel del genoma, es complejo. El entrenamiento óptimo en datos humanos es inalcanzable y poco ético, por lo que los investigadores confían en modelos animales o líneas celulares menos predictivas, lo que crea un desafío al traducir mediciones de laboratorio a los intrincados mecanismos de los organismos completos.
• Validación y verificación: Los modelos fundacionales de atención médica son desafiantes 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 fundacionales pueden realizar nuevas tareas no vistas, lo que hace difícil anticipar todos los posibles modos de falla. Requieren explicaciones detalladas de su prueba y casos de uso aprobados, y deben emitir advertencias para usos fuera de etiqueta. Verificar sus salidas también es complejo, ya que manejan entradas y salidas diversas, lo que podría requerir un panel multidisciplinario para garantizar la precisión.
• Sesgos sociales: Estos modelos corren el riesgo de perpetuar sesgos, ya que pueden entrenarse con datos que subrepresentan ciertos grupos o contienen correlaciones sesgadas. Abordar estos sesgos es crucial, especialmente a medida que aumenta la escala de los modelos, lo que puede intensificar el problema.

Caminos hacia el Futuro

La inteligencia artificial generativa ya ha comenzado a transformar la atención médica al aliviar la carga de documentación en los clínicos, pero su potencial completo está por delante. El futuro de los modelos fundacionales en la atención médica promete ser transformador. Imagina un sistema de atención médica donde los diagnósticos no solo son más rápidos, sino también más precisos, donde los planes de tratamiento están diseñados con precisión para los perfiles genéticos de los pacientes individuales, y donde los nuevos fármacos podrían ser descubiertos en unos pocos meses en lugar de años.

Crear un modelo de IA fundacional específico de la atención médica presenta desafíos, especialmente cuando se trata de integrar los diversos y dispersos datos médicos y clínicos. Sin embargo, estos obstáculos pueden abordarse a través de esfuerzos colaborativos entre tecnólogos, clínicos y formuladores de políticas. Trabajando juntos, podemos desarrollar marcos comerciales que incentiven a las diversas 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 proceda 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 de la atención médica puede generar confianza y fomentar la aceptación entre pacientes y profesionales de la salud.

El viaje hacia la plena realización del potencial de los modelos fundacionales de atención médica es una frontera emocionante. Al abrazar este espíritu innovador, el sector de la atención médica puede anticipar no solo enfrentar los desafíos actuales, sino transformar la ciencia médica. Estamos al borde de una nueva era audaz en la atención médica, llena de posibilidades y impulsada por la promesa de la IA para mejorar vidas a escala global.