Fernando Galán Galán

Profesor Titular de Medicina
Especialista en Medicina Interna
Experto en Miopatía Mitocondrial del Adulto
Fibromialgía y Síndrome de Fatiga crónica
BLOG

LA INTELIGENCIA ARTIFICIAL EN LA MEDICINA ¿ES EJECUTABLE EN LA PRIMERA LÍNEA DE LA PRÁCTICA CLÍNICA? 2020

Publicado por en en Noticias
  • Tamaño de fuente: Mayor Menor
  • Visitas: 258
  • Imprimir

 “Saber no es suficiente; debemos aplicar.

La voluntad no es suficiente; debemos hacer."

 --GOETHE

svnbmj-2017-December-2-4-230-F2.large.jpg

La hoja de ruta desde la generación de datos clínicos hasta el enriquecimiento de datos del procesamiento del lenguaje natural, el análisis de datos de aprendizaje automático y la toma de decisiones clínicas. EMR, historia clínica electrónica; EP, electrofisiológica.

Algunos ejemplos

5d473cc1f0c5a7e8655a827f_AI_In_Diagnostics.png

¿Qué es la inteligencia artificial en la Medicina?

La inteligencia artificial (IA) en el cuidado de la salud es el uso de algoritmos y software complejos para emular la cognición humana en el análisis de datos médicos complicados. Específicamente, la IA es la capacidad de los algoritmos informáticos para aproximar conclusiones sin la intervención humana directa.

El aprendizaje automático tiene el potencial de proporcionar soporte de decisión clínica (CDS) basado en datos a los médicos y al personal del hospital, allanando el camino para un mayor potencial de ingresos.

Las tecnologías médicas basadas en inteligencia artificial están evolucionando rápidamente hacia soluciones aplicables para la práctica clínica. Los algoritmos de aprendizaje profundo pueden manejar cantidades crecientes de datos proporcionados por dispositivos portátiles, teléfonos inteligentes y otros sensores de monitoreo móvil en diferentes áreas de la medicina.

Actualmente, solo entornos muy específicos en la práctica clínica se benefician de la aplicación de inteligencia artificial, como la detección de fibrilación auricular, epilepsia e hipoglucemia, o el diagnóstico de la enfermedad basado en el examen histopatológico o la imagen médica

La rápida explosión de la IA ha introducido la posibilidad de utilizar datos de salud agregados para producir modelos potentes que pueden automatizar el diagnóstico y también permitir un enfoque cada vez más preciso de la medicina al adaptar los tratamientos y focalizar los recursos con la máxima eficacia de manera oportuna y dinámica.

Aunque el campo de la medicina aumentada o  Realidad Médica Aumentada (realidad aumentada en el quirófano) parece tener éxito con los pacientes, los profesionales de la salud, en particular los médicos, pueden encontrar cierta resistencia en relación con este fenómeno, con cuatro razones ampliamente discutidas.

  1. Primera, la falta de preparación para el potencial de la medicina digital se debe a la evidente falta de educación básica y continua con respecto a esta disciplina .
  2. En segundo lugar, la digitalización temprana de los procesos de atención médica, muy diferente de la promesa de la Realidad Médica Aumentada, se produjo con un fuerte aumento de la carga administrativa relacionada principalmente con los registros electrónicos de salud , que se conoce como uno de los principales componentes del agotamiento médico .
  3. En tercer lugar, existe un temor creciente en cuanto al riesgo de que la IA reemplace a los médicos, aunque la opinión actual y general en la literatura es que la IA complementará la inteligencia médica en el futuro
  4. Cuarta, la actual falta mundial de un marco legal que defina el concepto de responsabilidad en el caso de la adopción o el rechazo de las recomendaciones del algoritmo deja al médico expuesto a posibles resultados legales al usar IA.

Sin embargo, "la verdad incómoda" es que actualmente los algoritmos que ocupan un lugar destacado en la literatura de investigación no son, en su mayor parte, ejecutables en la primera línea de la práctica clínica. Esto se debe a dos razones:

  1. En primer lugar, estas innovaciones de IA por sí mismas no rediseñan los incentivos que respaldan las formas de trabajo existentes. Una red compleja de factores políticos y económicos arraigados, así como la influencia de las normas de la práctica médica y los intereses comerciales determinan la forma en que se brinda la atención médica. Simplemente agregar aplicaciones de IA a un sistema fragmentado no creará un cambio sostenible.
  2. En segundo lugar, la mayoría de las organizaciones de atención médica carecen de la infraestructura de datos requerida para recopilar los datos necesarios para capacitar de manera óptima los algoritmos para (a) "adaptarse" a la población local y / o los patrones de práctica locales, un requisito antes del despliegue que rara vez se destaca en las publicaciones actuales de IA , y (b) interrogarlos por sesgo para garantizar que los algoritmos funcionen de manera consistente entre las cohortes de pacientes, especialmente aquellos que pueden no haber sido representados adecuadamente en la cohorte de ensayo.

Por ejemplo, no se espera que un algoritmo aplicado a pacientes en su mayoría caucásicos tenga la misma precisión cuando se aplica a otras razas. Además, dicha evaluación rigurosa y recalibración deben continuar después de la implementación para rastrear y capturar los datos demográficos de los pacientes y los patrones de práctica que inevitablemente cambian con el tiempo. Algunos de estos problemas pueden abordarse a través de la validación externa, cuya importancia no es exclusiva de la IA, y es oportuno que los estándares existentes para el informe del modelo de predicción, se actualicen específicamente para incorporar los estándares aplicables a este fin. En los Estados Unidos, hay islas de datos de salud agregados en la  Unidad de Cuidados Intensivos (UCI),  y en la Administración de Veteranos

Estos conjuntos de datos agregados han catalizado previsiblemente una aceleración en el desarrollo de IA; pero sin un desarrollo más amplio de la infraestructura de datos fuera de estas islas, no será posible generalizar estas innovaciones.

En otras partes de la economía, el desarrollo de la computación en la nube, la infraestructura segura de datos de uso general de alto rendimiento y los servicios disponibles a través de Internet (la "nube"), ha sido un facilitador significativo para las compañías de tecnología grandes y pequeñas, proporcionando costos fijos significativamente más bajos y un mayor rendimiento, además de respaldar las oportunidades antes mencionadas para la IA. La atención médica, con su abundancia de datos, está en teoría bien preparada para beneficiarse del crecimiento en la computación en la nube. El almacén de datos más grande y posiblemente más valioso de la atención médica se encuentra en EMR. Sin embargo, la satisfacción del médico con la historia clínica electrónica (Electronic Medical Record (EMR) sigue siendo baja, lo que resulta en una integridad y calidad variable de la entrada de datos, y la interoperabilidad entre los diferentes proveedores sigue siendo difícil.

El lamento típico de un médico acosado sigue siendo "¿por qué mi Historia Clínica Electronica (EMR) todavía apesta y por qué no todos estos sistemas se hablan entre sí?". Los imperativos de las políticas han intentado abordar estos dilemas, sin embargo, el progreso ha sido mínimo. A pesar de los beneficios ampliamente promocionados de la "liberación de datos, no se ha presentado un caso de uso suficientemente convincente para superar los intereses creados que mantienen el status quo (es mantener las cosas como están actualmente ) y justificar la importante inversión inicial necesaria para construir la infraestructura de datos.

Además, es razonable sugerir que dicho trabajo informático de alto rendimiento ha estado y sigue estando más allá de las competencias centrales de las organizaciones de salud o los gobiernos y, como tal, las políticas se han formulado, pero rara vez, si es que alguna vez, se implementaron con éxito. Ahora es el momento de revisar estos imperativos de política a la luz de la disponibilidad de una infraestructura de datos segura y escalable disponible a través de la computación en la nube que hace que la visión de interoperabilidad sea realizable, al menos en teoría

Para realizar esta visión y realizar el potencial de la IA en todos los sistemas de salud, deben abordarse cuestiones más fundamentales:

¿Quién posee los datos de salud, quién es responsable de ellos y quién puede usarlos?                                                                       La computación en la nube por sí sola no responderá estas preguntas: se necesitará el discurso público y la intervención de políticas. El camino específico hacia adelante dependerá del grado de un pacto social en torno a la atención médica en sí misma como un bien público, la tolerancia a la asociación público-privada y, de manera crucial, la confianza del público en los gobiernos y el sector privado para tratar sus datos de atención médica con el debido cuidado y atención frente a incentivos comerciales y políticos perversos.

En términos del sector privado, estas inquietudes se amplifican ya que un pequeño número de grandes empresas de tecnología proporciona computación en la nube que tienen ambos: un poder de mercado significativo e intereses comerciales fuertes fuera de la atención médica para los cuales los datos de atención médica podrían ser beneficiosos.

Se necesitan instrumentos de contratación específicos para garantizar que el intercambio de datos implique tanto la protección necesaria como, cuando sea relevante, retorno justos de material a las organizaciones de atención médica y a los pacientes que atienden.

En ausencia de un enfoque general para la contratación, los casos de alto perfil en esta área han sido corrosivos para la confianza pública. Las regulaciones de privacidad de datos como el Reglamento General de Protección de Datos de la Unión Europea (GDPR) o la Ley de Privacidad del Consumidor de California son necesarias y bien intencionadas, aunque incurren en el riesgo de favorecer a los titulares con recursos suficientes que son más capaces de cubrir el costo del cumplimiento normativo, lo que posiblemente limita el crecimiento de proveedores de atención médica y organizaciones tecnológicas más pequeñas. Las iniciativas para dar acceso a los pacientes a sus datos de atención médica, incluidas las nuevas propuestas del Centro de Servicios de Medicare y Medicaid son bienvenidas, y de hecho se ha argumentado durante mucho tiempo que los propios pacientes deberían ser los dueños y guardianes de sus datos de salud y, posteriormente, dar su consentimiento para su datos utilizados para desarrollar soluciones de IA

En este escenario, como en el escenario actual donde las organizaciones de atención médica son los propietarios y guardianes de facto de los datos de pacientes generados en el sistema de salud junto con iniciativas incipientes de compañías tecnológicas prominentes para compartir los datos generados por los pacientes nuevamente en el sistema de salud,  existe la necesidad de una infraestructura de datos segura y de alto rendimiento para hacer uso de estos datos para aplicaciones de IA.

Si se abordan los problemas antes mencionados, hay dos rutas posibles para construir la infraestructura de datos necesaria para permitir la atención clínica y la gestión de la salud de la población de hoy y los flujos de trabajo habilitados para IA del mañana.

  1. El primero es un camino evolutivo para crear una infraestructura de datos generalizada a partir de los éxitos impactantes existentes en el dominio de la investigación, como la reciente Infraestructura de Investigación de Ciencia y Tecnología para el Descubrimiento, Experimentación y Sostenibilidad (STRIDES) de los Institutos Nacionales de Salud o MIMIC de Laboratorio del MIT para fisiología computacional para generar el impulso para el cambio
  2. Otra ruta más revolucionaria sería que los gobiernos obliguen a todas las organizaciones de atención médica a almacenar sus datos clínicos en nubes disponibles comercialmente.

En cualquiera de los escenarios, las iniciativas existentes como la Asociación de Resultados Médicos Observacionales (OMOP) y el estándar de Recursos de Interoperabilidad de Atención Médica Rápida (FHIR)  que crean un esquema de datos común para el almacenamiento y la transferencia de datos de atención médica, así como innovaciones tecnológicas habilitadas para IA para acelerar la migración de los datos existentes, acelerarán el progreso y garantizarán que se incluyan los datos heredados.

  • Todavía hay varios problemas complejos por resolver, que incluyen cómo habilitar el consentimiento informado para compartir datos y cómo proteger la confidencialidad y, al mismo tiempo, mantener la fidelidad de los datos.

Sin embargo, el escenario predominante para el desarrollo de la infraestructura de datos dependerá más del contexto socioeconómico del sistema de salud en cuestión que de la tecnología.

Un subproducto notable de un movimiento de datos clínicos y de investigación a la nube sería la erosión del poder de mercado de los proveedores de EMR. El status quo con formatos de datos patentados y el almacenamiento local de bases de datos EMR favorece a los titulares que tienen fuertes incentivos financieros para mantener el status quo. La creación de infraestructura de datos de salud abre la puerta a la innovación y la competencia dentro del sector privado para cumplir con el objetivo público de datos de salud interoperables.

El potencial de la IA está bien descrito, sin embargo, en realidad, los sistemas de salud se enfrentan a una de estas opciones::

  • Reducir significativamente el entusiasmo con respecto al potencial de la IA en la práctica clínica diaria,
  • Resolver problemas de propiedad y confianza de los datos e invertir en la infraestructura de datos para darse cuenta.

Ahora que el crecimiento de la computación en la nube, en la economía en general, ha reducido la brecha informática, existe la oportunidad de transformar la salud de la población y aprovechar el potencial de la IA, si los gobiernos están dispuestos a fomentar una resolución productiva a los problemas de propiedad de los datos de atención médica a través de un proceso, que necesariamente trasciende los ciclos electorales y supera o coopta con los intereses creados, que mantienen el status quo, en un alto grado. Sin esto, sin embargo, las oportunidades para la IA en la atención médica seguirán siendo solo eso: oportunidades.

Aplicaciones clínicas de la inteligencia artificial

  • Radiología e Imagen
  • Diagnóstico computacional del cáncer en histopatologíaPatología
  • Dermatología
  • Genética y Genómica
  • Oncología
  • Neurología
    • Epilepsia
    • Evaluación de la marcha, la postura y el temblor
  • Salud mental
  • Cuidado de la diabetes
  • Cuidado de ojos
  • Cuidado crítico
  • Población y salud pública
  • Cardiología
    • Fibrilación auricular
    • Riesgo cardiovascular
  • Neumologia
  • Gastroenterología

 CONCLUSIONES

  • La capacidad de analizar una gran cantidad de datos variados, la IA puede proporcionar diagnósticos más rápidos y precisos para los pacientes.
  • El costo de la atención médica podría disminuir debido a diagnósticos más tempranos y precisos.
  • La inteligencia artificial también tiene algunos riesgos para la profesión médica y los pacientes, hasta que los datos estén bien validados.
  • Los médicos tendrán que usar su entrenamiento y experiencia para asegurar que la inteligencia artificial proporcione los diagnósticos y el tratamiento médico adecuados.
  • Existe el riesgo  que la inteligencia artificial (IA) pueda aprender incorrectamente, sí solo se le presenta una gran cantidad de datos que no se han recopilado cuidadosamente.
  • Si se realiza un diagnóstico incorrecto, puede poner en riesgo la vida del paciente, por lo que es importante que la inteligencia artificial ofrezca una precisión excepcional en muchas tareas enfocadas. Puede realizarse mediante el juicio y la capacitación existentes de expertos clínicos.

REFERENCIAS

Panch T, Mattie H, Celi LA. The "inconvenient truth" about AI in healthcare. NPJ Digit Med. 2019 Aug 16;2:77. doi: 10.1038/s41746-019-0155-4. eCollection 2019

Jiang F, Jiang Y, Zhi H, Dong Y, Li H, Ma S, Wang Y, Dong Q, Shen H, Wang Y. Artificial intelligence in healthcare: past, present and future. Stroke Vasc Neurol. 2017;2(4):230-243. doi: 10.1136/svn-2017-000101.

Briganti G,Le Moine O. Artificial Intelligence in Medicine: Today and Tomorrow. Front. Med., 2020; 7:27. doi: 10.3389/fmed.2020.00027

TRADUCCIÓN, RESUMEN Y COMENTARIOS.

PROF. DR. FERNANDO GALAN