Desbloqueando nuevas posibilidades en la atención médica con IA

La atención médica en los Estados Unidos se encuentra en las primeras etapas de una significativa interrupción potencial debido al uso de Aprendizaje Automático y Inteligencia Artificial. Este cambio ha estado en marcha durante más de una década, pero con los avances recientes, parece estar listo para cambios más rápidos. Queda mucho trabajo por hacer para entender 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 la atención médica

La IA ha evolucionado durante décadas en la atención médica, tanto en funciones que enfrentan al paciente como en funciones de oficina trasera. Algunos de los trabajos más antiguos y extensos se han producido en el uso de modelos de visión por computadora y aprendizaje profundo.

Primero, algunas terminologías. Los enfoques estadísticos tradicionales en la investigación, por ejemplo, estudios de observación y ensayos clínicos, han utilizado enfoques de modelado centrados en la población que dependen de modelos de regresión, en los que las variables independientes se utilizan para predecir resultados. En estos enfoques, aunque más datos son mejores, hay un efecto de meseta en el que por encima de un cierto tamaño de conjunto de datos, no se pueden obtener inferencias mejores de los datos.

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

Existen varios tipos de redes. Las redes neuronales convolucionales, o CNN, fueron entre los primeros modelos en encontrar éxito en aplicaciones de atención médica. Las CNN son muy buenas para aprender de imágenes en un proceso llamado visión por computadora y han encontrado aplicaciones donde los datos de imagen son prominentes: radiología, exámenes de retina y imágenes de piel.

Un tipo de red neuronal más nuevo llamado arquitectura de transformador se ha convertido en un enfoque dominante debido a su increíble éxito para texto y combinaciones de texto e imágenes (también llamado datos multimodales). Las redes neuronales de transformador son excepcionales cuando se les da un conjunto de texto, para predecir el texto posterior. Una aplicación de la arquitectura de transformador es el Modelo de Lenguaje Grande o LLM. Múltiples ejemplos comerciales de LLM incluyen Chat GPT, Anthropics Claude y Metas Llama 3.

Lo que se ha observado con las redes neuronales, en general, es que un límite para la mejora en el aprendizaje ha sido difícil de encontrar. En otras palabras, dado más y más datos, las redes neuronales continúan aprendiendo y mejorando. Los principales límites en su capacidad son conjuntos de datos más grandes y más grandes y la potencia de cómputo para entrenar los modelos. En la atención médica, la creación de conjuntos de datos que protegen la privacidad y que representan con fidelidad la atención clínica real 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 médica. Debido a su facilidad con el lenguaje y el texto, son una buena coincidencia con los registros electrónicos en los que casi todos los datos son texto. También no requieren datos altamente anotados para el entrenamiento, sino que pueden utilizar conjuntos de datos existentes. Los dos principales defectos de estos modelos son que 1) no tienen un modelo de mundo o una comprensión de los datos que se están analizando (se les ha llamado autocompletar sofisticado), y 2) pueden alucinar o fabular, inventar texto o imágenes que parecen precisas pero crean información presentada como hecho.

Los casos de uso que se están explorando para la IA incluyen la automatización y la mejora para la lectura de imágenes de radiología, imágenes de retina y otros datos de imagen; reducir el esfuerzo y mejorar la precisión de la documentación clínica, una fuente importante de agotamiento de los médicos; una mejor comunicación con los pacientes, más empática; y mejorar la eficiencia de las funciones de oficina trasera como el ciclo de ingresos, operaciones y facturación.

Ejemplos del mundo real

La IA se ha introducido de manera incremental en la atención clínica en general. Por lo general, el uso exitoso de la IA ha seguido ensayos revisados por pares de desempeño que han demostrado el éxito y, en algunos casos, la aprobación de la FDA para su uso.

Entre los primeros casos de uso en los que la IA funciona bien se encuentran la detección de enfermedades en imágenes de exámenes de retina y radiología. Para los exámenes de retina, la literatura publicada sobre el desempeño de estos modelos ha sido seguida por la implementación de la fundoscopía automatizada para detectar enfermedades de 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 detectando anormalidades para hacer que los flujos de trabajo de los radiólogos sean más eficientes.

Los nuevos modelos de lenguaje grande se están explorando para la asistencia con los flujos de trabajo clínicos. La voz ambiental se está utilizando para mejorar el uso de los Registros Electrónicos de Salud (EHR). Actualmente, se están implementando los escribas de IA para ayudar en la documentación médica. Esto permite a los médicos centrarse en los pacientes mientras la IA se encarga del proceso de documentación, mejorando 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, identificar a los pacientes que están en alto o creciente riesgo y determinar el mejor curso de acción. De hecho, las capacidades de detección de clústeres de la IA se están utilizando 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 cursos de tratamiento más efectivos y medir su eficacia.

Un caso de uso futuro puede ser el uso de modelos de lenguaje de IA impulsados en la comunicación médico-paciente. Estos modelos han demostrado tener respuestas válidas para los pacientes que simulan conversaciones empáticas, lo que facilita la gestión de interacciones difíciles. Esta aplicación de la IA puede mejorar significativamente la atención al paciente al proporcionar una triage más rápida y eficiente de los mensajes de los pacientes en función de la gravedad de su condición y mensaje.

Desafíos y consideraciones éticas

Un desafío con la implementación de la IA en 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, hay un debate sobre si las herramientas de IA deben seguir el mismo enfoque. Otra preocupación es el riesgo de violaciones de datos y la privacidad comprometida de los pacientes. Los modelos de lenguaje grande entrenados con datos protegidos pueden filtrar potencialmente los datos de origen, lo que supone una amenaza significativa para la privacidad del paciente. Las organizaciones de atención médica deben encontrar formas de proteger los datos de los pacientes y prevenir 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, deben introducirse mejores métodos para evitar el sesgo en los datos de entrenamiento. Es crucial desarrollar enfoques de entrenamiento y académicos que permitan un mejor entrenamiento de 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. Se necesita más estudio sobre dónde se puede encontrar el 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 desarrollar conjuntos de datos que modelen con precisión los datos de atención médica mientras garantizan el anonimato y protegen la privacidad. Además, deben establecerse asociaciones entre los proveedores de atención médica, los sistemas y las empresas de tecnología/software para introducir herramientas de IA en la práctica de manera segura y reflexiva. Al abordar estos desafíos, las organizaciones de atención médica pueden aprovechar el potencial de la IA mientras mantienen la seguridad, la privacidad y la equidad de los pacientes.