Desbloqueo de nuevas posibilidades en la atención médica con IA

La atención médica en los Estados Unidos se encuentra en las primeras etapas de una posible disrupción significativa debido al uso del aprendizaje automático y la inteligencia artificial. Este cambio se ha estado produciendo durante más de una década, pero con los avances recientes, parece estar preparado para cambios más rápidos. Aún queda mucho trabajo por hacer para comprender las aplicaciones más seguras y efectivas de la IA en la atención médica, para generar confianza entre los médicos en el uso de la IA y para ajustar nuestro sistema de educación clínica para impulsar un mejor uso de los sistemas basados ​​en IA.

Aplicaciones de la IA en el sector sanitario

La IA ha estado evolucionando durante décadas en el ámbito de la atención sanitaria, tanto en las funciones de atención al paciente como en las de back office. Algunos de los primeros y más extensos trabajos se han realizado en el uso de modelos de visión artificial y aprendizaje profundo.

En primer lugar, un poco de terminología. Los métodos estadísticos tradicionales en la investigación (por ejemplo, los estudios observacionales y los ensayos clínicos) han utilizado modelos de modelado centrados en la población que se basan en modelos de regresión, en los que se utilizan variables independientes para predecir los resultados. En estos métodos, si bien cuanto más datos haya, mejor, existe un efecto de meseta en el que, por encima de un determinado tamaño de conjunto de datos, no se pueden obtener mejores inferencias a partir de los datos.

La inteligencia artificial aporta un nuevo enfoque a la predicción. Una estructura llamada perceptrón procesa los datos que se pasan fila por fila y se crea como una red de capas de ecuaciones diferenciales para modificar los datos de entrada y producir un resultado. Durante el entrenamiento, cada fila de datos que pasa por la red (llamada red neuronal) modifica las ecuaciones en cada capa de la red para que el resultado previsto coincida con el resultado real. A medida que se procesan los datos de un conjunto de entrenamiento, la red neuronal aprende a predecir el resultado.

Existen varios tipos de redes. Redes neuronales convolucionales, o CNN, estuvieron entre los primeros modelos que tuvieron éxito en aplicaciones sanitariasLas CNN son muy buenas para aprender de las imágenes en un proceso llamado visión artificial y han encontrado aplicaciones donde los datos de imágenes son importantes: radiología, exámenes de retina e imágenes de la piel.

Un nuevo tipo de red neuronal, llamada arquitectura de transformadores, se ha convertido en un enfoque dominante debido a su increíble éxito con textos y combinaciones de texto e imágenes (también llamados datos multimodales). Las redes neuronales de transformadores son excepcionales cuando se les da un conjunto de textos para predecir el texto posterior. Una aplicación de la arquitectura de transformadores es el modelo de lenguaje grande o LLM. Entre los múltiples ejemplos comerciales de LLM se incluyen Chat GPT, Anthropics Claude y Metas Llama 3.

Lo que se ha observado con las redes neuronales, en general, es que ha sido difícil encontrar un punto de mejora en el aprendizaje. En otras palabras, con cada vez más datos, las redes neuronales siguen aprendiendo y mejorando. Los principales límites de su capacidad son los conjuntos de datos cada vez más grandes y la capacidad de procesamiento para entrenar los modelos. En el ámbito de la atención sanitaria, la creación de conjuntos de datos que protejan la privacidad y representen fielmente la verdadera atención clínica es una prioridad clave para avanzar en el desarrollo de modelos.

Los LLM pueden representar un cambio de paradigma en la aplicación de IA para la atención sanitariaDebido a su facilidad con el lenguaje y el texto, son una buena opción para los registros electrónicos en los que casi todos los datos son texto. Tampoco requieren datos muy anotados para el entrenamiento, sino que pueden utilizar conjuntos de datos existentes. Los dos defectos principales de estos modelos son que 1) no tienen un modelo mundial o una comprensión de los datos que se están analizando (se los ha llamado autocompletar sofisticados) y 2) pueden alucinar o confabular, inventando texto o imágenes que parecen precisos pero crean información presentada como un hecho.

Los casos de uso que se están explorando para la IA incluyen la automatización y el aumento para la lectura de imágenes radiológicas, imágenes de retina y otros datos de imágenes; la reducción del esfuerzo y la mejora de la precisión de la documentación clínica, una de las principales fuentes de agotamiento de los médicos; una comunicación mejor y más empática con los pacientes; y la mejora de la eficiencia de las funciones administrativas como el ciclo de ingresos, las operaciones y la facturación.

Ejemplos del mundo real

La IA se ha ido introduciendo de forma gradual en la atención clínica en general. Por lo general, el uso exitoso de la IA ha seguido los ensayos revisados ​​por pares que han demostrado su eficacia y, en algunos casos, la aprobación de la FDA para su uso.

Entre los primeros casos de uso en los que la IA ha tenido un buen desempeño se encuentra la detección de enfermedades en imágenes de exámenes de retina y radiología. En el caso de los exámenes de retina, la literatura publicada sobre el desempeño de estos modelos ha sido seguida por la implementación de la fundoscopia automatizada para detectar enfermedades de la retina en entornos ambulatorios. Los estudios de segmentación de imágenes, con muchos éxitos publicados, han dado como resultado múltiples soluciones de software que brindan apoyo a la toma de decisiones para los radiólogos, reduciendo errores y Detectar anomalías para hacer más eficientes los flujos de trabajo del radiólogo.

Se están explorando nuevos modelos de lenguaje de gran tamaño para ayudar con los flujos de trabajo clínicos. Se está utilizando la voz ambiental para mejorar el uso de los registros médicos electrónicos (EHR). Actualmente, se están implementando escribas de IA para ayudar en la documentación médica. Esto permite que los médicos se concentren en los pacientes mientras la IA se encarga del proceso de documentación, lo que mejora la eficiencia y la precisión.

Además, los hospitales y los sistemas de salud pueden utilizar las capacidades de modelado predictivo de la IA para estratificar el riesgo de los pacientes, identificando a los pacientes con riesgo alto o creciente y determinando el mejor curso de acción. De hecho, las capacidades de detección de grupos de la IA se utilizan cada vez más en la investigación y la atención clínica para identificar a los pacientes con características similares y determinar el curso de acción clínica típico para ellos. Esto también puede permitir Ensayos clínicos virtuales o simulados para determinar los tratamientos más efectivos y medir su eficacia..

Un caso de uso futuro puede ser el uso de modelos de lenguaje potenciados por IA en la comunicación entre médicos y pacientes. Se ha descubierto que estos modelos tienen respuestas válidas para los pacientes que simulan conversaciones empáticas, lo que facilita la gestión de interacciones difíciles. Esta aplicación de la IA puede mejorar enormemente la atención al paciente al proporcionar una clasificación más rápida y eficiente de los mensajes del paciente en función de la gravedad de su afección y del mensaje.

Desafíos y consideraciones éticas

Uno de los desafíos que presenta la implementación de la IA en el ámbito de la atención médica es garantizar el cumplimiento normativo, la seguridad del paciente y la eficacia clínica al utilizar herramientas de IA. Si bien los ensayos clínicos son el estándar para los nuevos tratamientos, existe un debate sobre si las herramientas de IA deberían seguir el mismo enfoque. Otra preocupación es el riesgo de violaciones de datos y de que se comprometa la privacidad del paciente. Los modelos de lenguaje de gran tamaño entrenados con datos protegidos pueden filtrar los datos de origen, lo que representa una amenaza importante para la privacidad del paciente. Las organizaciones de atención médica deben encontrar formas de proteger los datos de los pacientes y evitar las violaciones para mantener la confianza y la confidencialidad. El sesgo en los datos de entrenamiento también es un desafío crítico que debe abordarse. Para evitar modelos sesgados, se deben introducir mejores métodos para evitar el sesgo en los datos de entrenamiento. Es fundamental desarrollar enfoques académicos y de capacitación que permitan un mejor entrenamiento de los modelos e incorporen la equidad en todos los aspectos de la atención médica para evitar el sesgo.

El uso de la IA ha abierto una serie de nuevas preocupaciones y fronteras para la innovación. Es necesario estudiar más a fondo dónde se puede encontrar un verdadero beneficio clínico en el uso de la IA. Para abordar estos desafíos y preocupaciones éticas, las organizaciones de proveedores de atención médica y las empresas de software deben centrarse en el desarrollo de conjuntos de datos que modelen con precisión los datos de atención médica, al tiempo que garantizan el anonimato y protegen la privacidad. Además, deben establecerse asociaciones entre proveedores de atención médica, sistemas y empresas de tecnología/software para poner en práctica las herramientas de IA de una manera segura y reflexiva. Al abordar estos desafíos, las organizaciones de atención médica pueden aprovechar el potencial de la IA y, al mismo tiempo, defender la seguridad, la privacidad y la equidad del paciente.