Introducción

Al igual que un campeón de ajedrez que planea su próxima jugada, un diagnóstico médico es un proceso complejo. Implica giros y vueltas que permiten al médico llegar a una conclusión. Estos giros y vueltas forman parte del diagnóstico clínico y son áreas que pueden ser mejoradas con Inteligencia Artificial (IA). La IA en el diagnóstico médico es un reto actual.

La IA tiene un papel importante en el futuro del diagnóstico médico. Su papel no es sustituir a los médicos, es el de reforzar el mecanismo de la atención sanitaria.

La promesa de la inteligencia artificial en la medicina es proporcionar vistas panorámicas compuestas de los datos médicos de los individuos; mejorar la toma de decisiones; evitar errores como diagnósticos erróneos y procedimientos innecesarios; ayudar a solicitar e interpretar las pruebas adecuadas; y recomendar tratamientos.” ― Eric Topol, Deep Medicine: How Artificial Intelligence Can Make Healthcare Human Again.

En esta guía usted aprenderá:

  1. Qué es la IA y qué lugar ocupa en el panorama general.
  2. Cuál es el papel del médico en la IA y el diagnóstico médico.
  3. Cómo la IA puede mejorar el diagnóstico médico.
  4. Los retos principales de la IA.
  5. Cómo la IA puede influir directamente en los resultados.
  6. Aplicaciones prácticas de la IA en uso y su repercusión en la asistencia sanitaria.
  7. Lo que nos depara el futuro: La IA en la medicina.

¿Qué es la IA? ¿Qué lugar ocupa en el panorama general?

La IA es un término global que tiene muchas subcategorías. AI IBM define la IA como cualquier inteligencia parecida a la humana mostrada por un ordenador, un robot u otras máquinas.

La IA forma parte de nuestra vida cotidiana. Algunos ejemplos comunes de IA en uso hoy en día son el reconocimiento de voz, el procesamiento del lenguaje natural (NLP), el reconocimiento de imágenes, las recomendaciones en tiempo real, la prevención de virus y spam, el comercio de acciones automatizado, los servicios de viaje compartido y la tecnología de piloto automático.

El amplio alcance de la IA ha sido posible gracias a la gran cantidad de datos disponibles hoy en día, así como a los sistemas informáticos capaces de procesar esos datos.

Para empezar, definiremos los siguientes términos:

Inteligencia Artificial — cualquier cosa que se parezca remotamente a la inteligencia humana.

Aprendizaje automático o machine learning — un subconjunto de aplicaciones de la IA. Aprende por sí misma, se adapta, aprovecha la disponibilidad de muchos datos para realizar una tarea específica con mayor precisión.

Ya ha penetrado en todos los sectores, incluido el sanitario. Está detrás de las máquinas que ahora toman decisiones médicas basadas en imágenes. El aprendizaje automático se engloba en el término más amplio de Inteligencia Artificial. El aprendizaje automático da a los ordenadores la capacidad de aprender sin tener que ser programados, utilizando los ejemplos (datos) proporcionados.

La IA está creciendo rápidamente y se utiliza en diferentes campos como la educación, las finanzas, la gestión de la cadena de suministro y, por supuesto, la sanidad. El IDC prevé que el gasto en tecnología de IA crecerá hasta 97.900 millones de dólares USA en 2023 - 2,5 veces el gasto en 2019.

Tres subcategorías del aprendizaje automático

Aprendizaje supervisado — los modelos se entrenan con conjuntos de datos etiquetados. Esto permite que los modelos aprendan y sean más precisos con el tiempo.

Aprendizaje no supervisado — un programa que busca patrones en datos no etiquetados.

Aprendizaje por refuerzo — entrena a las algoritmos mediante prueba y error para que realicen la mejor acción posible estableciendo un sistema de recompensas.

Las redes neuronales y el aprendizaje profundo son un estándar para cualquier aplicación de IA. Se pueden definir de la siguiente manera:

  1. Redes neuronales — una clase de algoritmos que se basan en el cerebro humano, donde millones de nodos están interconectados y organizados en capas.

  2. Aprendizaje profundo o deep learning — aprendizaje automático que utiliza redes neuronales profundas con muchas capas. Se ha adoptado ampliamente en la última década, gracias a las potentes GPU (unidades de procesamiento gráfico).

¿Cuál es el papel del médico en la IA y el diagnóstico?

Existe el temor de que la IA sustituya a los médicos. Es infundado. La IA está diseñada para mejorar la atención médica y no para sustituir a los médicos. Actualmente, estamos rodeados de sistemas que permiten realizar tareas específicas. El programa de riesgo de crédito en los bancos es un ejemplo de un sistema que está diseñado de esta manera. Por ejemplo, el cálculo de este programa puede ser difícil de hacer para un humano, pero si se le pidiera que hiciera una gama más amplia de tareas, no sería capaz de hacer estas cosas en absoluto.

¿Cuánto falta para que la IA esté a la altura de la inteligencia humana? Es difícil de predecir porque no lo sabemos realmente. Veinte años parece ser una aproximación y esto se viene afirmando desde hace más de 60 años. Un área en la que hay que centrarse es el aprendizaje automático, que se utiliza por ejemplo en los programas de reconocimiento facial y en los coches con conducción autónoma.

A medida que la tecnología se desarrolle, algunos trabajos desaparecerán y otros nuevos serán creados. Podemos predecir aquí una estrategia de compenetración en la que los humanos y las máquinas trabajan juntos de forma casi superpuesta. El entorno y modo de trabajo cambiarán y los proveedores de servicios sanitarios tendrán que adaptarse.

Es muy valioso trabajar con una red de médicos. Es importante que participen activamente en el proceso de desarrollo.

Aidence es una empresa que trabaja en vías impulsadas por la IA para la oncología. Sus primeras aplicaciones clínicas de IA apoyan el análisis automatizado de imágenes médicas para los radiólogos, específicamente en la detección temprana del cáncer de pulmón.

De acuerdo a Aidence, algunas áreas que necesitan la participación de radiólogos incluyen…

  • Antes del desarrollo de la solución de IA, los médicos pueden ayudar a definir la necesidad de una función clínicamente útil y la forma de integrarla en su flujo de trabajo. Si el objetivo es mejorar su eficiencia general o proporcionar resultados muy precisos que respalden su decisión diagnóstica, primero debemos entender cómo trabajan actualmente los radiólogos y cuál es su configuración de informes. Esta comprensión también debe aplicarse a diversos entornos, que varían según el país y el tipo de hospital.

  • Durante el proceso de desarrollo, los médicos pueden aportar información muy valiosa para diseñar una interfaz de usuario fácil de usar y completa.

  • Tras implantar la solución de IA, los canales de retroalimentación deben permanecer abiertos. El uso en el mundo real siempre puede enriquecer el entorno de investigación o prueba en el que se construye el producto.

Numerosos estudios han demostrado que el aprendizaje profundo es eficaz para diagnosticar enfermedades.

El sesgo de la IA puede hacer que las cosas parezcan mejores de lo que son. Hay inconvenientes que hay que tener en cuenta.

La precisión del diagnóstico debe seguir un escenario clínico real. Las aplicaciones que se diseñan en base a la práctica clínica real son importantes. Aunque es bueno comparar conjuntos de datos, también es importante comparar el rendimiento del diagnóstico automático con el realizado por personas.

La precisión de los informes es otra limitación que se debe tener en cuenta. Por ello, el conocimiento, la formación y la colaboración son primordiales. Al fusionar los conocimientos sanitarios con la experiencia tecnológica, se puede lograr el éxito de los informes.

Las empresas que trabajan en estos problemas deben tener acceso a personal clínico. Los proveedores pueden ofrecer una red de seguridad para garantizar que los diagnósticos sean lo más parecidos a los realizados por humanos.

Cómo la IA mejorará el diagnóstico médico.

La multitud de aplicaciones al tratamiento médico es digna de mención.

Detección de enfermedades: Deloitte realizó un análisis sobre los diversos beneficios de la IA. Los beneficios van desde la habilitación de nuevos modelos de negocio hasta la reducción de personal, pasando por la mejora de la productividad, la creación de nuevos productos y la mejora de los existentes.

El principal beneficio en cuanto a resultados fue la mejora de la eficiencia de los procesos. Un ejemplo de ello sería un proceso que normalmente realiza un humano, como la detección de patrones en un vídeo.

Sin embargo, hay enfoques novedosos que se están implantando.

  • Mejora del proceso de toma de decisiones clínicas.
  • Las soluciones de tratamiento pueden suplir las carencias del pasado.
  • Aumento de la esperanza de vida.

El reto principal. La gran ‘C’

El principal reto de la adopción de la IA es la calidad, la gran “C”. El aprendizaje automático es realmente bueno para procesar datos complejos. Y esto permite a los médicos e investigadores descubrir nuevos conocimientos. La calidad es primordial y, más allá de la aceptación, la calidad de los datos en la historia clínica electrónica (HCE) tendrá que cumplir los estándares clínicos.

Los registros clínicos se utilizan para la recogida de datos. ¿Cómo agregarán y procesarán los proveedores de servicios sanitarios los nuevos flujos de datos? La transformación de la IA en valor clínico real dependerá en gran medida de cómo se recojan y procesen los datos. Sería prudente permitir que las empresas de software aportaran su experiencia. Los desarrolladores de software trabajan en la resolución de todo tipo de problemas en la industria bancaria, la fabricación, la agricultura y muchos más. Con la ayuda de los proveedores, el mecanismo de prestación de servicios sanitarios se beneficiará de los mismos procesos utilizados en otros ámbitos del desarrollo de software.

Transformar la medicina y las consecuencias

Uno de los problemas que puede encontrar es la falta de resultados esperados claramente definidos para proyectos de este tipo. Disponer de casos de uso claramente definidos ayudará a obtener los resultados que se desean alcanzar.

Aunque son muchas las aplicaciones de la IA, algunas que tienen aplicaciones clínicas y no clínicas son:

Algunas aplicaciones de la IA en la sanidad por tipo de operación - Fuente: Deloitte
Algunas aplicaciones de la IA en la sanidad por tipo de operación - Fuente: Deloitte

Es importante empezar con los resultados esperados. Intente visualizar lo que está tratando de lograr. Ahora que tenemos una idea de cuáles son las capacidades, podemos establecer parámetros que afectarán a los resultados.

El impacto de la IA supondrá:

  1. Detección más rápida y precisa de las enfermedades.
  2. Automatización del análisis de datos, por ejemplo, sistemas de clasificación incorporados.
  3. Disminución de visitas médicas recurrentes innecesarias.
  4. Diagnósticos más objetivos y basados en datos.

Aplicaciones principales - Aplicaciones prácticas y transformación de la asistencia sanitaria

Aquí alugnos ejemplos de las principales aplicaciones de la IA. Estas empresas tienen casos de uso claramente definidos.

Capillary.io es una empresa líder en IA que trabaja en el campo de la Reumatología y proporciona una solución todo en uno para la capilaroscopia, (utilizada para detectar cambios en los capilares sanguíneos del lecho ungueal para el diagnóstico y seguimiento de enfermedades como la esclerodermia).

El sistema de Capillary.io automatiza la detección, medición y clasificación de los capilares en todas las imágenes de capilares del lecho ungueal.
El sistema de Capillary.io automatiza la detección, medición y clasificación de los capilares en todas las imágenes de capilares del lecho ungueal.

Veye Lung Nodules es una solución basada en la IA para la gestión de nódulos pulmonares en las exploraciones de TC de tórax. Detecta, mide, clasifica y sigue el crecimiento de los nódulos pulmonares de hasta 3 mm. Con la configuración predeterminada, Veye Lung Nodules detecta los nódulos con una sensibilidad del 90%. Aidence ha recibido un premio a la IA en el ámbito sanitario y asistencial para ayudar al Servicio Nacional de Salud (NHS) del Reino Unido a reducir la mortalidad por cáncer de pulmón.

El sistema de Aidence ayuda a detectar, medir, clasificar y seguir el crecimiento de los nódulos pulmonares - Imagen de Veye Lung Nodules.
El sistema de Aidence ayuda a detectar, medir, clasificar y seguir el crecimiento de los nódulos pulmonares - Imagen de Veye Lung Nodules.

Savana es una empresa médica internacional que ha desarrollado una metodología científica que aplica Inteligencia Artificial (IA) para desbloquear todo el valor clínico del texto libre de las Historias Clínicas Electrónicas (HCEs), poniéndolo en manos de los profesionales sanitarios para mejorar el conocimiento médico en todo el mundo. Con la mayor red de investigación multicéntrica de IA del mundo, la empresa genera estudios de investigación Deep Real World Evidence, descriptivos y predictivos a medida, para avanzar en la medicina personalizada, y de precisión. Savana está diseñado por médicos para médicos, manteniendo los más altos estándares de privacidad, ofreciendo proyectos en 5 idiomas: Inglés, Español, Francés, Alemán y Portugués.

La asistencia sanitaria aumentada por la IA es posible hoy mismo

  1. Los modelos serán cada vez mejores.
  2. La aceptación aumentará y la adopción generalizada es una posibilidad real.

¿Cómo empezar con su propio proyecto? Un proyecto exitoso comienza con una estrategia de datos sólida:

Datos → Modelo de aprendizaje automático.

Los datos son el principal reto del aprendizaje automático. Aquí tiene algunas preguntas que debe realizar cuando empiece su próximo proyecto:

  1. ¿A qué datos tenemos acceso?
  2. ¿A qué datos no se tiene acceso, pero se podría acceder si fuera necesario?
  3. ¿Qué datos no están disponibles hoy, datos que podrían sernos útiles en los próximos 6-12 meses?
  4. ¿Cuál es el sesgo de nuestros datos y/o fuentes de datos?

Cómo saber si está preparado

Defina su problema a resolver. ¿Podría resolverse mediante el aprendizaje automático? ¿Cuáles son las métricas de éxito? No todos los problemas se pueden resolver con el aprendizaje automático. Si adopta un enfoque de probar ciegamente y ver qué tal funciona, puede acabar desperdiciando recursos.

Las partes interesadas deben estar disponibles y apoyar el esfuerzo en todo momento. También es bueno que el equipo técnico esté disponible para que la gente trabaje de forma coordinada.

La puesta en marcha de un proyecto de IA puede requerir muchos conocimientos técnicos. Aproveche las herramientas existentes que pueden ayudarle. Las empresas mencionadas anteriormente han hecho el trabajo duro. Utilizar los flujos de trabajo definidos por otros pueden agilizar el progreso, permitiéndote centrarte donde puedas aportar el mayor valor.

He aquí algunas ideas para responder a las necesidades clínicas con soluciones de IA

Respondiendo a las necesidades clínicas con soluciones de IA - Fuente: Aidence
Respondiendo a las necesidades clínicas con soluciones de IA - Fuente: Aidence

  1. Recolección de datos - La IA se nutre de los datos y se basa en principios científicos fundamentales. Reunimos un gran número de conjuntos de datos de alta calidad procedentes de diversas modalidades, hospitales y países, y anonimizamos los estudios para procesarlos de acuerdo con la GDPR.
  2. Anotaciones - Los radiólogos deben anotar las exploraciones obtenidas para “enseñar” al modelo de IA. Para obtener una gran precisión, es preferible contar con varios médicos para cada exploración.
  3. Modelado - Esta fase comprende el entrenamiento del modelo y la definición del resultado del algoritmo a partir de las recomendaciones de las sociedades médicas y las aportaciones de los radiólogos.
  4. Validación clínica - El rendimiento de un modelo de IA se valida en un conjunto de datos para pruebas. Este conjunto de datos debe ser independiente del utilizado para entrenar el algoritmo y contiene la evaluación final de los radiólogos. Para avanzar en la investigación, los resultados de la validación se hacen públicos.
  5. Integración del producto - Integramos el producto desarrollado y las herramientas que lo forman en el flujo de trabajo y la infraestructura informática preexistente de los radiólogos.
  6. Certificación - La documentación técnica que contiene el informe de evaluación clínica y la evaluación de riesgos del producto se presenta a un organismo notificado (es decir, una organización designada para evaluar la conformidad de determinados productos antes de su comercialización).
  7. Implantación - Implantar la solución de IA en la práctica clínica implica la integración en el sitio, el pilotaje y las pruebas. El proceso no termina con la implantación: la ingeniería y el servicio son igual de importantes para mantener la calidad de la solución. Los comentarios de los usuarios y un plan sólido de vigilancia post-comercialización son indispensables para seguir mejorando.

Resultados. Planifique a largo plazo. Con un sistema como éste, podrá crecer fácilmente. Los datos se gestionan por usted, algo que falta en muchas organizaciones y consultas sanitarias.

Conclusión

La IA en el diagnóstico médico abre nuevas fronteras. Con los recientes acontecimientos mundiales, los enfoques que se han discutido anteriormente se acelerarán en la atención sanitaria general. Si se consigue el apoyo adecuado, se puede tener éxito aprovechando lo que está disponible ya mismo. Los proyectos de IA requieren una planificación como cualquier otra implementación.

Consejo: Si quiere saber cómo nuestra herramienta puede ayudarle a ahorrar tiempo y recursos mientras evalúa a los pacientes de Reumatología utilizando la Capilaroscopia periungueal, no dude en contactarnos aquí.

Victor Phillips es médico, escritor de tecnología sanitaria y consultor empresarial. Contacte con él para obtener ayuda con su próximo proyecto.