¿Puede Doctor AI predecir el cáncer y salvar vidas?
Cada vez hay más pruebas de que puede hacerlo, pero las cuestiones éticas y logísticas aún nublan el futuro médico de la IA.
Un paciente espera ansiosamente en el consultorio del médico. El especialista entra para informarles que les han diagnosticado cáncer. Pero hay buenas noticias. Se ha descubierto en una etapa temprana. Tienen excelentes perspectivas para una recuperación completa.
Una herramienta de inteligencia artificial había analizado todo el historial médico del paciente en busca de señales de alerta. Al notar varios indicadores tempranos, concluyó que el paciente tenía un alto riesgo de desarrollar cáncer. Entonces, el paciente fue enviado para pruebas de imagen.
SIGUE LEYENDO
lista de 4 elementosInfografía: beneficios y desafíos de la lactancia materna
Fotos: Investigadores estadounidenses y conservacionistas se enfrentan por los cangrejos herradura
La lluvia traerá un breve respiro a Phoenix después de una ola de calor récord que escalda la ciudad de EE. UU.
El fentanilo afecta a las comunidades a lo largo de la frontera entre Estados Unidos y México
Las imágenes fueron analizadas por otro programa de inteligencia artificial y se clasificaron como indicativas de cáncer en etapa temprana. Otra plataforma evaluó las condiciones preexistentes del paciente y las recetas asociadas para ayudar al médico a evitar combinaciones de medicamentos que podrían interactuar de manera adversa. Y otro sistema de IA ayudó a agilizar el papeleo administrativo y mejorar la eficiencia de la programación de citas con especialistas.
En este momento, esta imagen de IA integrada a la perfección en todos los aspectos de la atención médica es en gran parte ciencia ficción. Pero varios investigadores y empresas esperan convertir esto en realidad dentro de unos años.
El surgimiento de plataformas generativas de IA, como ChatGPT, ha impulsado un debate global sobre el futuro de las relaciones entre humanos y máquinas. Estos programas pueden procesar y generar contenido basado en lenguaje, y son interactivos y comprensibles de formas más intuitivas que las generaciones anteriores de IA. La gente también ha recurrido a plataformas como ChatGPT para recibir terapia .
Si bien la IA generativa ha dado lugar a una gran cantidad de titulares, muchos engranajes de la máquina de la medicina moderna se están volviendo más inteligentes al adoptar un tipo diferente de IA, una que podría transformar fundamentalmente la atención médica pero que también ha planteado un conjunto complejo de preguntas que podrían definir el futuro del sector.
¿Puede la IA realmente ayudar a los médicos a predecir enfermedades? ¿También puede ayudar a mejorar el tratamiento? ¿Cuáles son las reglas de este juego? ¿Y cuáles son los riesgos?
La respuesta corta: la IA se ha mostrado prometedora en el diagnóstico, la predicción y potencialmente incluso el tratamiento de una variedad de afecciones médicas, dicen los principales científicos y empresarios que impulsan la tecnología. Pero es temprano. Ha habido, y habrá, tropiezos. Y las limitaciones técnicas clave, así como las preocupaciones éticas, siguen sin abordarse.
![Una cámara basada en IA que se utiliza para obtener imágenes de un paciente con paludismo cerebral [Business Wire/AP]](https://www.aljazeera.com/wp-content/uploads/2023/08/AP3968528321933539-1690857916.jpg?w=770&resize=770%2C578&quality=80)
No es un nuevo viaje
La IA para el cuidado de la salud ha existido por más tiempo de lo que la mayoría podría esperar. En la década de 1970, la Universidad de Stanford creó por primera vez una herramienta de inteligencia artificial llamada MYCIN, cuyo objetivo era ayudar a los médicos a diagnosticar y tratar las infecciones bacterianas de la sangre y la meningitis. Utilizó el conocimiento disponible y la capacidad de un experto en un determinado dominio representado por declaraciones si-entonces, funcionando como un diagrama de flujo inteligente, donde las respuestas de sí o no a la situación del paciente conducen a una entre un conjunto de respuestas predeterminadas.
Utilizado con el propósito limitado de pedir información a los pacientes y tratar de diagnosticar la infección, MYCIN se desempeñó a la par de los expertos en enfermedades bacterianas. Pero este enfoque basado en reglas le dio poca capacidad para aprender.
Suscríbete a Al Jazeera
Boletín Coronavirus y Salud
La forma y la flexibilidad de la IA en el cuidado de la salud han cambiado drásticamente desde MYCIN. Ahora se están investigando numerosos tipos de IA para diversas responsabilidades de atención médica. En los Estados Unidos, de 2018 a 2019, el uso de IA entre las organizaciones de ciencias de la vida y los proveedores de atención médica se duplicó con creces.
La pandemia solo ha acelerado esa tendencia. A nivel mundial, en 2021 se duplicó la inversión en IA para el cuidado de la salud con respecto al año anterior. El año pasado, el mercado internacional de IA médica se valoró en más de $ 4 mil millones y se espera que crezca casi una cuarta parte anual durante la próxima década.
Gran parte del progreso ha sido impulsado por el aprendizaje automático, donde la IA tiene como objetivo imitar los métodos graduales mediante los cuales aprenden las mentes humanas. Liderando el espectáculo están las redes neuronales artificiales (ANN), con una multitud de nodos, conectados como neuronas y organizados en capas. Cada capa analiza la información y realiza operaciones antes de pasarla a la siguiente.
Pídale a una red neuronal que identifique un tumor, por ejemplo, y el programa podría comenzar resaltando los bordes y los gradientes, ayudando a "identificar los límites entre el tumor y el tejido circundante", dice Nafiseh Ghaffar Nia, investigadora de doctorado en la Universidad de Tennessee, quien publicó recientemente un análisis de las técnicas de IA en el diagnóstico y la predicción.
A medida que esa información fluye hacia adelante, las capas subsiguientes analizarían las características con mayor profundidad, registrando las texturas irregulares y los patrones de crecimiento del tumor hasta que las capas reúnan toda esta información sobre las características complejas del tumor, como la forma, el tamaño y la disposición, y finalmente diagnostiquen el crecimiento como benigno o benigno. maligno.
Debido a que estas ANN pueden aprender con menos supervisión, se han convertido en un enfoque de rigor para muchas aplicaciones médicas, incluido el diagnóstico de cáncer, aunque muchas herramientas utilizan una mezcla de técnicas de IA.
En el centro de todo hay un conjunto claro de objetivos médicos contra los que se está probando la IA, sugirió Nigam Shah, científico de datos en jefe de Stanford Health Care. “Cada artilugio de IA que observe se reducirá a hacer tres cosas: clasificar, predecir o recomendar; en términos médicos, diagnosticar, pronosticar o tratar”.
La promesa
La ventaja más destacada que ofrece la IA en el diagnóstico son las imágenes médicas: es buena para el reconocimiento de patrones.
Al final del día, dijo Sanjeev Agrawal, presidente de LeanTaaS, la compañía de análisis predictivo de atención médica de Silicon Valley, se puede entrenar con un volumen de datos de imágenes que es varios órdenes de magnitud más de lo que cualquier ser humano podría analizar.
Y las redes neuronales han tenido una práctica considerable con imágenes. En 2012, el Desafío de reconocimiento visual a gran escala de ImageNet, que evalúa algoritmos para la detección de objetos, vio por primera vez un programa que clasificaba correctamente las imágenes mejor que un observador humano.
Desde entonces, la IA ha avanzado hasta el punto en que puede abordar problemas de imágenes verdaderamente complejos. Agrawal señala el modelado de la estructura y el plegamiento de una proteína humana por parte de la plataforma de IA de Google, DeepMind, como uno de los mayores logros de tales herramientas de imágenes médicas. Modelar el comportamiento de las proteínas, como lo ha hecho DeepMind, "es un problema de imagen, pero un problema de imagen tridimensional que los seres humanos nunca podrían haber resuelto por sí mismos", dijo Agrawal.
Además de las imágenes, la IA puede basarse en otros datos registrados en el registro de salud electrónico de un paciente para sacar conclusiones sobre la probabilidad de que alguien tenga una enfermedad determinada.
Samira Abbasgholizadeh-Rahimi, profesora de la Universidad McGill, realizó recientemente una revisión de las aplicaciones de IA en la atención primaria de la salud. Ella le dijo a Al Jazeera que ha encontrado que la IA es particularmente prometedora para diagnosticar enfermedades cardiovasculares, afecciones oculares, diabetes, cáncer, afecciones ortopédicas y enfermedades infecciosas.
Las IA predictivas tienen aplicaciones aún más diversas. Los investigadores han descubierto que la IA podría aprovecharse para predecir la probabilidad de muchas afecciones, como diabetes tipo 2, enfermedades cardíacas, Alzheimer y enfermedades renales, según el estilo de vida, los registros médicos, los factores genéticos y más.
Y en los últimos meses se han producido avances significativos en el uso de la IA para identificar los riesgos de cáncer. Puede superar a los modelos estándar en la predicción del cáncer de mama, según mostró una investigación publicada en junio. En enero, investigadores del Instituto Tecnológico de Massachusetts dieron a conocer una máquina de evaluación del riesgo de cáncer de pulmón basada en IA . Y en mayo, los científicos de Harvard demostraron que una herramienta de inteligencia artificial podría identificar a las personas con mayor riesgo de cáncer de páncreas hasta tres años antes de un diagnóstico real.
Eso no es todo. En marzo, científicos de la Universidad de Columbia Británica demostraron que un programa de inteligencia artificial podía predecir las tasas de supervivencia del cáncer mejor que las herramientas anteriores.
Asimismo, la IA puede predecir la toxicidad potencial y los efectos de varios medicamentos, lo que ayuda a agilizar el proceso de probarlos y llevarlos al mercado.
Pero las herramientas de aprendizaje automático también pueden hacerlo muy mal.
Reprobar la prueba
La IA tiene el potencial, al menos en teoría, de predecir la gravedad de las infecciones y modelar la propagación de los brotes. La pandemia de COVID-19 vio una explosión de herramientas de IA que prometían hacer precisamente eso. Pero los resultados fueron condenatorios.
Dos revisiones destacadas de casi 650 programas impulsados por IA para el diagnóstico y tratamiento de COVID-19 encontraron que ninguno de ellos era apto para uso clínico. Otras revisiones de plataformas de IA para pronosticar la propagación de COVID-19 las encontraron ampliamente ineficaces, probablemente debido, principalmente, a problemas con la disponibilidad de datos.
Esos resultados representan una verificación de la realidad de la IA en el cuidado de la salud: las herramientas para integrarla realmente en el campo de la medicina aún son incipientes.
"Más del 95 por ciento de la IA" que Abbasgholizadeh-Rahimi estudió en su revisión "fueron desarrolladas, probadas y luego nunca llegaron a la etapa de implementación", dijo.
Los principales desafíos que enfrenta la IA en medicina son tres limitaciones principales en los datos utilizados para desarrollarla: escasez, restricciones de acceso y calidad.
Para que la mayoría de la IA funcione, debe entrenarse con datos que han sido anotados por expertos. Muchas enfermedades simplemente carecen de suficientes datos de este tipo, aunque se están investigando varias técnicas para reducir la dependencia de la IA de grandes cantidades de datos anotados por expertos.
Sin embargo, incluso cuando hay datos, no necesariamente están disponibles para los desarrolladores de IA. Cada paciente, dijo Shah, tiene un historial médico con numerosos puntos de datos: chequeos, lecturas, diagnósticos y recetas, entre otros. Sin embargo, varias organizaciones de atención médica, desde hospitales hasta compañías de seguros y farmacéuticas, registran diferentes puntos de datos. Por lo tanto, los datos médicos se dividen y bloquean en diferentes silos.
En una escala aún mayor, los esfuerzos para aprovechar la IA para modelar y pronosticar la propagación de la pandemia se vieron obstaculizados por la opacidad de los países sobre las estadísticas vitales, como las tasas de infección y la mortalidad. Organizaciones como Clinical Research Data Sharing Alliance, un consorcio de universidades, empresas farmacéuticas, grupos de defensa de pacientes y plataformas de intercambio de datos sin fines de lucro, están tratando de impulsar el cambio. Pero por el momento, el paisaje de datos de la IA médica es una de las islas aisladas a la deriva en los llamados a la apertura.
Por último, incluso cuando los datos están presentes y disponibles, persiste la dificultad de extraer calidad de una infraestructura que, a menudo, está mal diseñada para proporcionarla. Los registros de salud electrónicos, una fuente principal de datos de pacientes, a menudo ofrecen mucho ruido con la señal, dijo Abbasgholizadeh-Rahimi.
El ruido puede tomar muchas formas. Pueden ser datos de imágenes anotados de una manera que los haga ilegibles para una plataforma de IA. Pueden ser datos formateados o grabados de formas incompatibles.
Sin embargo, existen desafíos y riesgos aún más profundos que la IA en el cuidado de la salud debe superar para emerger como un socio verdaderamente confiable de la comunidad médica, señalan los expertos.
Cuando la IA se equivoca, ¿a quién culpas?
Los conjuntos de datos pueden estar sesgados. El análisis de Abbasgholizadeh-Rahimi de la investigación de IA en atención primaria de salud, por ejemplo, encontró que el sexo, el género, la edad y el origen étnico rara vez se consideraban. Menos del 35 por ciento de los programas estudiados tenían datos desglosados por sexo: conjuntos de datos recopilados y tabulados por separado para mujeres y hombres.
Algunos grupos étnicos pueden estar subrepresentados o enfatizados incorrectamente en los conjuntos de datos. Hace solo dos años, la Fundación Nacional del Riñón de EE. UU. y la Sociedad Estadounidense de Nefrología recomendaron eliminar un sesgo racial en la forma en que se juzgaba la creatinina en la sangre que causaba que se subestimara la gravedad de la insuficiencia renal de muchos afroamericanos.
Las herramientas de IA entrenadas con datos y pautas tan sesgados probablemente perpetúen estos sesgos, aunque Shah argumenta que "la misma calidad de los datos también afecta la toma de decisiones humanas".
Dado el potencial de sesgo y la naturaleza de caja negra de las redes neuronales propietarias, el espacio de la IA médica ha visto un impulso creciente por la IA explicable o XAI. Este movimiento pretende enfatizar la importancia de hacer más transparente el razonamiento por el cual una herramienta de IA llega a un diagnóstico, pronóstico o recomendaciones de tratamiento.
Muchos expertos consideran que la explicabilidad está inextricablemente entrelazada con una de las cuestiones éticas más apremiantes que subyacen a la IA médica en la actualidad: los médicos cometen errores, pero cuando la IA comete errores, ¿a quién vamos a culpar más: a la IA o al médico que la usa?
Comprender el hilo de pensamiento detrás de una herramienta de IA que asesora a un médico podría informar el grado de responsabilidad que tiene cada uno.
Del mismo modo, el espacio de la IA médica está luchando por equilibrar la responsabilidad de proteger los datos de los pacientes con la necesidad de compartir más datos.
Este temor no es infundado. En los EE. UU., la primera mitad de 2023 vio 295 violaciones de seguridad de datos de atención médica, que han afectado a 39 millones de estadounidenses. Dejando a un lado las violaciones de ciberseguridad, las compañías de atención médica no han sufrido escasez de escándalos por compartir datos de pacientes de manera inapropiada o sin anonimato. En 2017, el Royal Free Hospital de Londres se vio envuelto en una controversia por compartir datos de salud, junto con información personal, de 1,6 millones de pacientes, con DeepMind de Google.
Más recientemente, la Comisión Federal de Comercio de EE. UU. multó con 7,8 millones de dólares a la popular aplicación de terapia mental BetterHelp por compartir la información de 7 millones de consumidores con plataformas de publicidad de terceros.
No hay respuestas fáciles a las preocupaciones de privacidad. Shah señala que si bien es posible que las personas no quieran compartir sus datos, a menudo están ansiosos por beneficiarse de una IA entrenada con los datos de otros.
Los investigadores también están trabajando para perfeccionar los enfoques analíticos que permiten que las herramientas de IA se capaciten con menos datos del mundo real de los pacientes de los que estas plataformas necesitan actualmente.
En medio de la rápida innovación y el aumento de la inversión, esta carrera entre la IA médica y la infraestructura que la informa podría resultar decisiva para dar forma al futuro de los sistemas de salud.
Por el momento, la infraestructura se está poniendo al día. Solo si lo hace, ese posible paciente con cáncer en la clínica puede contar con que la IA realmente haga una predicción inteligente, precisa y segura.
No hay comentarios:
Publicar un comentario