IA en sanidad: del paciente individual a la sociedad

La inteligencia artificial sin duda tiene impacto en todas las industrias y en cada aspecto de nuestras vidas cotidianas. Uno de los temas más candentes es la aplicación de IA en sanidad, aunque aún se desarrolla principalmente en escenarios de validación retrospectiva (in silico) y no en ensayos aleatorizados a gran escala. Mientras trabajamos para alcanzar una inteligencia artificial general, o al menos tan general como un área completa de conocimiento, la forma en que hemos estado pensando sobre IA en sanidad es abordando tareas muy específicas, una a la vez. Mientras tanto, es suficiente para generar un impacto significativo en el área mientras descubrimos cómo aprender representaciones más holísticas (tanto profundas como construidas) del cuerpo humano.

Según menciona Eric Topol en su libro "Deep Medicine" [1], la IA tiene el potencial de hacer que la medicina vuelva a ser humana, de empoderar a los médicos construyendo mejores herramientas de agregación de información, técnicas más avanzadas de detección de patrones, mejores formas de registrar información de las consultas para que puedan enfocarse en su objetivo real: cuidar a los pacientes. Para lograr este objetivo final, necesitamos pasar de nuestro enfoque muy limitado de pensar sobre pacientes a nivel de examen (por ejemplo, predecir si un paciente tiene cáncer a partir de una sola imagen) a un enfoque más amplio, un enfoque a nivel individual que se base en todo el espectro de datos que tenemos sobre cada persona. Al mismo tiempo, necesitamos pasar de hallazgos poblacionales a medicina personalizada, donde una persona ya no se define simplemente por estar dentro de los límites normales sino por sus patrones de riesgo personalizados.

Tres niveles de granularidad

Si bien nuestro enfoque principal actualmente se centra en aplicaciones a nivel individual, o como prefiero decirlo, a nivel de enfermedad, existe un amplio rango de aplicaciones aún poco exploradas que podríamos abordar en IA en otros niveles de la sanidad. Específicamente, existe un potencial equivalente, si no mayor, para optimización a nivel hospitalario (es decir, de centros de salud) y a nivel gubernamental (es decir, formulación de políticas e investigación). Por lo tanto, mientras que abordar temas como enfermedades cardiovasculares prevendrá la muerte de 18 millones de pacientes al año en todo el mundo [2], mejorar la gestión hospitalaria impactaría directamente a los 3.500 millones de personas que tienen acceso a servicios de salud [3], y abordar desafíos de políticas globales potencialmente afectaría a toda la población mundial.

Como probablemente estarás pensando, abordar cuestiones a nivel de examen es mucho más viable desde una perspectiva individual o empresarial. Esto puede corroborarse fácilmente observando el programa de las principales conferencias en Machine Learning aplicado a medicina (ISBI, MICCAI, EMBC, MIDL) cuyas sesiones y artículos van principalmente en esta dirección. ¿Por qué? Es más fácil medir el impacto, pasar de decisiones a acciones, obtener datos estandarizados, llegar a algo utilizable. Es más fácil y tiene mayor impacto a corto plazo. Punto.

Por tanto, es esperado que la mayoría de iniciativas se centren en este nivel de aplicación. Sin embargo, es importante mantener la perspectiva completa y seguir preguntándonos qué podemos hacer en los niveles inferiores de la pirámide. Aunque cubriremos cada uno de estos niveles en detalle en futuros artículos en este blog, aquí queremos resumir brevemente las grandes oportunidades en cada uno.

Pacientes

La IA aplicada a pacientes ha monopolizado la atención de la investigación durante la última década. Aunque es la punta del iceberg, es una punta con impacto significativo en nuestras vidas cotidianas. La IA combinada con dispositivos móviles y telemedicina puede promover acceso equitativo a diagnósticos de alta calidad independientemente de la ubicación geográfica del paciente.

La mayoría de casos de uso en esta área se enfoca en el triaje, screening o diagnóstico de enfermedades específicas y modalidades de detección. Las áreas con éxito probado son aquellas donde el proceso de decisión implica reconocer patrones visuales (por ejemplo, dermatoscopia, radiología, entre otros). En esta línea, hemos estado trabajando estrechamente con MobileODT para combatir el cáncer cervical — una causa de muerte prevenible entre mujeres — utilizando dispositivos móviles y Deep Learning. En el contexto nacional portugués, existen múltiples referencias de empresas impulsadas por IA para problemas específicos de salud y bienestar: Adapttech, CardioID, SWORD Health e iLOF.

A medida que avanzamos hacia configuraciones de adquisición de datos más descentralizadas con dispositivos de bajo costo, surgen casos de uso tangenciales para garantizar calidad de servicio uniforme. Por ejemplo, metodologías para validar automáticamente el cumplimiento del protocolo de adquisición (especialmente relevante con personal sin entrenamiento), medir la calidad de los datos e interactuar con el usuario para ayudarlo a mejorar el procedimiento. Paralelamente, conforme pasamos de conjuntos pequeños de datos a flujos masivos, necesitamos herramientas para resumir los datos más relevantes, tanto dentro como entre pacientes. Aquí podemos observar por ejemplo los esfuerzos en resumir datos de endoscopia capsular que registra horas de datos por cada paciente.

Finalmente, con la aparición de mejores tratamientos y procedimientos para combatir cada enfermedad, la adherencia del paciente al protocolo es clave. Por tanto, predecir qué pacientes no seguirán el tratamiento y qué acciones podemos tomar para mejorar su adherencia es algo en lo que necesitamos enfocarnos en IA. Ver el caso de Keheala sobre cómo podemos impactar la adherencia al tratamiento.

Curso

The Machine Learning Spectrum

¿Quieres obtener información sobre cómo hemos construido tales modelos?

Más información

Hospitales

Se estima que el 20% de los costos de sanidad están relacionados con tareas administrativas [1]. Estas tareas implican, entre otras cosas, encontrar los códigos de facturación correctos para reembolso de seguros, tarea que podría automatizarse parcialmente usando RecSys para filtrar los códigos más relevantes (pronto publicaremos un artículo cubriendo este tema específico, mantente atento!).

La gestión de recursos es una fuente inagotable de casos de uso para IA. Aquí podemos ir desde pronosticar demanda de suministros hasta optimizar asignación de recursos. Siendo cada minuto en una sala de espera una causa potencialmente crítica en múltiples escenarios, eliminar cada cuello de botella potencial desde la puerta de entrada del hospital hasta el alta del paciente es obligatorio. Asignar casos inciertos o difíciles a personal más especializado mientras se garantiza diversidad pedagógica de los casos analizados por cada médico es también un problema de optimización relevante desde la perspectiva de IA, donde existe un equilibrio entre la atención del paciente a corto plazo y la formación profesional a largo plazo del personal.

Si queremos transformar la medicina, necesitamos enfocarnos en mejorar la experiencia general, creando relaciones personales entre médicos y pacientes. Por lo tanto, necesitamos algoritmos para emparejar el equipo correcto de profesionales (es decir, médicos, enfermeros, etc.) con los pacientes adecuados, pasando de una simple disponibilidad a afinidad.

Sociedad/Gobierno

Como en el caso de los hospitales pero a mayor escala, los gobiernos necesitan enfocarse en asignación de recursos y pronósticos para ajustar las necesidades poblacionales con servicios de calidad. Además, mientras que los hospitales tienden a enfocarse en casos que llegan diariamente, los gobiernos necesitan ver el panorama completo, profundizando en la aparición de epidemias y optimizando el mejoramiento del sistema sanitario a largo plazo. Los gobiernos pueden usar IA para detectar excedentes o desajustes de existencias con la demanda, optimizando proactivamente la distribución de recursos entre centros en un sistema de salud nacional para ajustarse a cambios en los requisitos.

Las exigencias regulatorias y la formulación de políticas suelen ser orquestadas por organizaciones nacionales. Por lo tanto, es de su interés aprovechar la IA para explorar mejores programas de screening, asignación de recursos, verificación de cumplimiento de dispositivos e instalaciones, entre otros. Acelerar estos procesos sin comprometer la calidad permitirá que sus ciudadanos accedan rápidamente a los últimos descubrimientos en el área.

Flujo de información

A medida que la IA se vuelve omnipresente en múltiples procesos de decisión, el potencial de interacción entre modelos aumenta. Así, podemos esperar que las predicciones de IA habiliten otros flujos de decisión en cualquier dirección de la pirámide: de arriba hacia abajo, de abajo hacia arriba y lateralmente.

• De arriba hacia abajo: aprovechando predicciones generadas en los niveles superiores para alimentar los inferiores. Por ejemplo, ¿cómo podemos agregar predicciones a nivel individual para optimizar la asignación de recursos hospitalarios? ¿Cómo podemos agregar información de hospitales para predecir epidemias globales?
• De abajo hacia arriba: considerando disponibilidad de recursos y pronósticos de demanda a nivel hospitalario para optimizar decisiones de tratamiento a nivel individual.
• Lateralmente: usar predicciones de otros exámenes y enfermedades a nivel individual permite una visión más holística del paciente (es decir, pasar de enfermedades a individuos). Similarmente, en el nivel medio de la pirámide, transferir predicciones de pacientes y tratamientos para apoyar la fabricación de productos médicos.

Las empresas en cada nivel de la pirámide pueden monetizar el flujo de predicciones hacia otros niveles y otros casos de uso, siempre que se preserve la privacidad.

Riesgos potenciales

El primer desafío es la calidad de datos y el proceso de recopilación en sí mismo. Los registros electrónicos de salud (EHR) han sido diseñados para optimizar la facturación (registrar códigos) en lugar de tener una visión completa del paciente. Si no me crees, piensa simplemente en tu última visita al médico, respondiendo las mismas preguntas que has estado respondiendo cita tras cita. Por lo tanto, cualquier sistema que aspire a comprender a los pacientes de manera holística necesitará replantear el canal para adquirir datos relevantes e implementar la IA. Los EHR como los conocemos ahora no son suficientes.

Definir la métrica ideal para medir el rendimiento de aplicaciones de IA a nivel individual es relativamente sencillo, al menos a nivel de enfermedad específica (es decir, sensibilidad, precisión, valor predictivo positivo) ignorando, por supuesto, indicadores menos tangibles pero igual de importantes (por ejemplo, calidad de vida, estado emocional). Por otro lado, definir la métrica correcta en los niveles inferiores de la pirámide es fácilmente propenso a debate; optimizar eficiencia puede comprometer a individuos. Necesitamos entender y alinear esfuerzos como sociedad sobre cuáles son nuestros indicadores clave de desempeño en sanidad y cómo cuantificarlos.

Conforme la optimización impulsada por IA se vuelve ubicua, ¿cuánto espacio dejamos para que los pacientes elijan el tratamiento que desean, los efectos secundarios que están dispuestos a soportar diariamente? ¿Dónde establecemos el umbral de libertad en asuntos de relevancia pública (por ejemplo, vacunación y epidemias)? Estas son algunas de las preguntas que necesitamos hacer y responder tanto como individuos como como sociedad.

Curso, Plantillas

Data Ignite

Mitiga riesgos en tus soluciones de IA dominando nuestra metodología de IA.

Más información

Algunas reflexiones sobre el futuro

La IA está transformando el mundo más rápido de lo observado anteriormente. Esto hace que hablar sobre el futuro sea arriesgado (o con condiciones de visibilidad muy pobre!). Sin embargo, tenemos algunas intuiciones sobre cuestiones fundamentales que ocurrirán o deberían ocurrir en el futuro próximo:

• La explicabilidad jugará un papel fundamental en sanidad. No necesariamente como consecuencia de restricciones regulatorias o para crear confianza humano-máquina, sino porque necesitamos pasar del diagnóstico a la sugerencia de tratamiento. No es suficiente decir enfermo/sano. Necesitamos herramientas que ayuden a los médicos a ser mejores en su trabajo, que tengan retroalimentación mutua entre humanos y máquinas sobre por qué discrepan.
• Pasar de correlaciones a razonamiento causal será necesario si queremos salir del ciclo actual de enmascarar un síntoma con un medicamento que causa otros síntomas, en una cadena sin fin de agregar medicamentos al coctel diario del paciente.
• Nuestras herramientas evolucionarán en el equilibrio entre amplitud y especificidad. Desde enfermedades/exámenes específicos (deep learning ahora!) a nivel individual, y desde amplitud poblacional (práctica médica ahora!) hacia medicina personalizada.

¿Quieres profundizar en esta idea?

Agenda una reunión con Kelwin Fernandes

Conoce a Kelwin Más información

Referencias

1. Topol, Eric. Deep medicine: how artificial intelligence can make healthcare human again. Hachette UK, 2019.
2. WHO. Cardiovascular Diseases. Disponible en https://www.who.int/health-topics/cardiovascular-diseases
3. WHO (2017, 13 de diciembre). World Bank and WHO: Half the world lacks access to essential health services, 100 million still pushed into extreme poverty because of health expenses. Disponible en https://www.who.int/health-topics/cardiovascular-diseases