Retos de la Inteligencia Artificial en la medicina

Los recientes avances de la inteligencia artificial (IA) aplicada a la salud han demostrado posibles aplicaciones en varios dominios de la medicina, incluidos algoritmos para interpretar radiografías de tórax, detectar cáncer en mamografías, predecir el desarrollo de la enfermedad de Alzheimer a partir de la tomografía por emisión de positrones o identificar lesiones cutáneas cancerosas. Varias compañías están desarrollando plataformas que aprovechan la IA como un medio para identificar variantes genéticas en las raíces de enfermedades raras, o incluso para identificar condiciones genéticas en función de los rasgos faciales del paciente. La inteligencia artificial en medicina se presenta como una valiosa herramienta para los profesionales del área, al optimizar los procesos de prevención, diagnóstico y tratamiento de enfermedades.
Sin embargo, actualmente hay escasos ejemplos de la aplicación de estas técnicas con éxito en la práctica clínica. A pesar de que las distintas técnicas clasificadas como “Inteligencia” continúan generando grandes resultados en la mayoría de las categorías de software, tanto los investigadores como los profesionales médicos han observado que tales algoritmos están muy lejos de lo que podríamos considerar inteligencia.
La Inteligencia Artificial se describe comúnmente como algoritmos capaces de aprender y razonar sobre el mundo, asignando narrativas a sus éxitos que van mucho más allá de la forma en que realmente funcionan. Los científicos de datos generalmente proclaman que su algoritmo aprendió una nueva tarea, en lugar de decir que simplemente extrajo un conjunto de patrones estadísticos de un conjunto de datos de entrenamiento seleccionados y etiquetados manualmente bajo la supervisión directa de un programador que eligió qué algoritmos, parámetros y flujos de trabajo se usaron para su desarrollo.

Inteligencia artificial aplicada a las historias clínicas

La promesa de la medicina digital surge en parte de la esperanza de que, al digitalizar los datos de salud, podamos aprovechar más fácilmente los sistemas informáticos para comprender y mejorar la atención a los pacientes y mejorar la salud global de la población. De hecho, los datos de atención médica recopilados de forma rutinaria se están acercando a la escala genómica en volumen y complejidad. Gracias a las nuevas tecnologías, el sector de la salud no cuenta solo con información sobre historiales médicos, radiografías o secuencias de genes, sino también imágenes en 3D, o la lectura de sensores biométricos. Se estima que en 2020 el volumen de datos de salud del mundo podría alcanzar los 25.000 petabytes.
El aprendizaje automático se aplica actualmente a las historias clínicas para predecir los pacientes que tienen un mayor riesgo de reingreso al hospital o los pacientes que tienen una mayor probabilidad de no presentarse a una cita o de no adherirse a los medicamentos recetados. Pero las aplicaciones son ilimitadas también en los ámbitos de diagnóstico, investigación, desarrollo de fármacos y ensayos clínicos.
A pesar de la gran cantidad de datos ahora digitalizados, los modelos predictivos construidos con datos de historias clínicas rara vez usan más de 20 o 30 variables, y se basan principalmente en modelos lineales tradicionales. En la práctica clínica, los modelos que se implementan son todavía más sencillos, incluso con mucha frecuencia, sistema basados en un solo parámetro.
Una ventaja clave de las técnicas de aprendizaje automático es que los investigadores no necesitan especificar qué variables predictivas potenciales considerar y en qué combinaciones; los sistemas de red multicapa empleados, junto con las técnicas de procesamiento de lenguajes naturales para analizar las notas clínicas de médicos y enfermeras, pueden aprender representaciones de los factores e interacciones clave de las propias historias clínicas, abriendo la puerta a un futuro donde los datos puedan usarse para generar hipótesis que ayuden en el desarrollo de diagnósticos y terapias innovadoras.

Retos actuales de la inteligencia artificial aplicada a la medicina

Los sistemas de historia clínicas electrónica (EHR, por sus siglas en inglés) son tremendamente complicados. Cada sistema de salud, cada hospital, personaliza su sistema de tal manera que hace que los datos recopilados en un hospital se vean diferentes a los datos de un paciente similar que recibe una atención similar en otro hospital. Incluso una medida de temperatura tiene un significado diferente según el contexto. Es por ello que antes de que podamos aplicar las técnicas de aprendizaje automático en una escala amplia, necesitamos una forma consistente de representar los registros de los pacientes, por lo que iniciativas de estandarización, como por ejemplo el Observational Medical Outcomes Partnership (OMOP) Common Data Model se convierten en prácticas fundamentales.

El modelo de datos comunes de OMOP permite el análisis sistemático de bases de datos clínicas dispares. El concepto detrás de este enfoque es transformar los datos contenidos en esas bases de datos en un formato común (modelo de datos), así como con una representación común (terminologías, vocabularios, esquemas de codificación), para luego realizar análisis sistemáticos utilizando herramientas comunes.

Este proceso de estandarización es también importante para evitar el sobreajuste a los datos, un problema que aparece cuando el modelo aprendido está demasiado en sintonía con los datos en los que fue entrenado y, por lo tanto, pierde su aplicabilidad a otros conjuntos de datos. Este es un riesgo que aparece con los enfoques que como el aprendizaje profundo son demasiado buenos en la representación de un conjunto de datos, porque el algoritmo no reconoce las fluctuaciones normales en los datos y termina siendo superado por el ruido o detectando correlaciones espurias entre variables.

Unido a este problema de heterogeneidad de datos, la diferente legislación sobre datos médicos de pacientes, hace que sea casi imposible sacar esos datos del hospital. Una posible solución es no llevar los datos al lugar donde se realiza el análisis, sino llevar las técnicas de análisis y las herramientas a los hospitales y recopilar los resultados en de manera federada, para lo cual también es necesario el uso de estándares como OMOP.
Comprender y abordar estos desafíos es fundamental si queremos aprovechar al máximo las oportunidades que ofrecen las nuevas tecnologías y que las expectativas del uso de la inteligencia artificial para optimizar la experiencia de la atención médica, mejorar la salud global de la población y reducir los costos de la atención médica se conviertan en una realidad.

El gremio de la salud tiene en la I.A una infinidad de alternativas para darle un soporte integral a cualquiera de sus necesidades o carencias. Un sin fin oportunidades de mejora de los sistemas ya implantados y de todo lo que falta por hacer u optimizar.
En Unifiednetworks podemos encontrar la opción que mejor os convenga y brindaros soluciones mediante I.A que se traducirán en avances reales a la hora de ahorrar tiempo y maximizar la calidad de asistencia a los usuarios que es la tarea principal de sistema sanitario. No duden en preguntarnos nos comprometemos a ofrecerles la solución que mejor se ajuste a su necesidad.