Migrando del paradigma “inteligencia artificial vs inteligencia humana” al de una inteligencia colaborativa en salud.

Autores: Rafael Brango, Andrés Rico

Se ha hablado en las columnas anteriores de las oportunidades que se han abierto en la clínica médica con el ingreso de la inteligencia artificial (IA), en los campos de la atención sanitaria como en lo asistencial, lo administrativo, la educación y la investigación.

Este ingreso se ha asociado con el consumo de bienes y servicios provenientes de otros sectores y con la tendencia de servicios basados en valor, en donde el centro es un usuario más participativo, además de promover que el sistema sea rentable con base en resultados o desenlaces clínicos favorables y financieramente sostenibles.

Esta reinvención de los sistemas y las personas, ahora basado en experiencias y bienes tecnológicos, en materia de salud, llevó a desarrollos en los campos de la fisiopatología, el diagnóstico, el seguimiento y los tratamientos de las afecciones médicas, más allá del desarrollo de nuevos medicamentos; pero esto ha implicado un aumento en los requerimientos de análisis por el alto volumen de datos generados, requerimientos que han superado las habilidades cognoscitivas de la inteligencia humana y ahora hablar de inteligencia artificial en medicina es referirse al aumento en la capacidad de análisis, mejorando la descripción e integración de los fenómenos, más que referirse al reemplazo del humano.

Los macrodatos (variables fisiológicas y fenómenos biopsicosociales) que almacenados en mega-bases de datos dan paso a la Big Data en salud, pueden entenderse mejor a través de estas nuevas metodologías de análisis de información basados en inteligencia artificial, esto para tratarlos de una manera más eficiente, mejorando los procesos internos y reduciendo costos.

En salud, la inteligencia artificial ofrece una capacidad extendida en el contexto de una inteligencia colaborativa, pero, ¿Cuáles son las necesidades sectoriales asistenciales y administrativas susceptibles de ser optimizadas con IA? ¿Todas se pueden optimizar o resolver con la implementación de la IA?

Hay muchas formas en las que la IA puede ayudar a mejorar los resultados de los pacientes, detectar enfermedades y predecir los resultados del tratamiento como son los sistemas de soporte a la decisión clínica y la analítica clínica (análisis de big data y predicción), entre otros.

Persisten sin embargo limitaciones de recursos, entre ellos el hardware en términos de CPU, GPU y RAM requeridos para el desarrollo e implementación de los modelos.

Uso de la inteligencia colaborativa para gestionar y organizar el big data

En la era digital las historias clínicas más que registros electrónicos de las condiciones de salud, se han convertido en un acúmulo de datos originados por las interacciones en las que participan enfermeras, terapeutas y otros actores del sistema de salud diferentes a los médicos, lo que ha incrementado la disponibilidad de información, transformando este registro de las condiciones clínicas del paciente en un soporte para los recobros financieros de la atención, en un insumo para la generación de conocimiento y el mejoramiento de procesos asistenciales en salud poblacional.

Esta gran cantidad de datos ha obligado a la eliminación de las restricciones de espacio a través del uso de la nube, permitiendo el mantenimiento de registros históricos que favorecen hacer seguimientos más personalizados para cada paciente o llevar a término estudios más amplios.

Los modelos de análisis de la información son una potente solución que permite la elaboración de herramientas que soportan el razonamiento y la decisión clínica para los profesionales sanitarios, facilitan la gestión de los recursos de forma más eficiente y mejoran la prevención, diagnóstico y tratamiento de las enfermedades de los pacientes.

El aprendizaje de máquina y el aprendizaje profundo (ML/DL ) a través de varios dominios como la visión de computador, reconocimiento de voz (transformación de voz a texto), reconocimiento de texto (Natural Language Processing – NPL), ha desarrollado habilidades con impacto clínico como la extracción de datos estructurados o no estructurados de los registros clínicos electrónicos, clasificación y agrupación de características clínicas, segmentación y clasificación de imágenes y en términos de diagnóstico la fenotipificación.

Estas técnicas y en especial el aprendizaje supervisado son adaptables y con base en la big data (observaciones del pasado) se generan herramientas de análisis predictivo de eventos futuros, mientras el ML no supervisado permite la identificación de patrones en grandes conjuntos de datos, lo que les facilita encontrar características relevantes en pacientes y enfermedades, y a su vez al procesar la data necesaria para el entrenamiento, sin tener que buscar manualmente en cada pieza de papel en el archivo de cada paciente.

Adicionalmente la inteligencia artificial a través de NPL puede ayudar a los profesionales de la salud a revisar los expedientes e identificar en la historias clínicas los datos relevantes, lo que evita la pérdida de tiempo valioso revisando material irrelevante.

Uso de la inteligencia artificial e inteligencia colaborativa para la detección y el seguimiento de enfermedades

En las últimas décadas, con el desarrollo de la epidemiología, se ha hecho un enfoque poblacional y otro individual acerca de la prevención, diagnóstico y tratamiento de las enfermedades transmisibles y crónicas no transmisibles (enfermedades cardiovasculares, metabólicas y oncológicas entre otras).

Desde el punto de vista de la salud pública, el objetivo es prevenir el desarrollo de enfermedades en las comunidades, generando una serie de políticas que promuevan el bienestar del individuo y la sociedad, además de evitar la carga financiera que provocan estas enfermedades y sus complicaciones sobre los sistemas de salud.

¿Cómo podemos prevenir entonces las enfermedades crónicas y sus complicaciones?

Se pueden realizar intervenciones públicas guiadas por la generación de datos transparentes, accesibles y relevantes, que permitan la optimización de las estrategias de prevención, los diagnósticos tempranos y los tratamientos, además una educación que favorezca el empoderamiento de los pacientes en la prevención, como por ejemplo, los estilos de vida saludables y el tratamiento de su enfermedad.

Los diagnósticos son un aspecto esencial en la práctica médica, sin embargo, es una actividad compleja, pues se deben analizar múltiples factores, de manera individual y conjunta. El desarrollo de los algoritmos de aprendizaje de máquina tanto no supervisado como supervisado, ha permitido disminuir los niveles de dificultad en este aspecto, al facilitar la interpretación y la clasificación de la situación de salud de la población y del paciente como sucedió durante la pandemia COVID-19.

Desde el punto de vista de funcionalidad podemos clasificar los modelos como de regresión logística, redes neurales, maquinas de soporte vectorial, árboles de decisiones, “random forest”, “Naive Bayes” etc. Otros procesos nos ayudan a la transformación de los datos como la reducción de las dimensiones, selección de características y afinamiento de los hiper-parámetros. Estos desarrollos nos han permitido avanzar de un análisis descriptivo a un análisis predictivo o inclusive prescriptivo en las condiciones de salud y manejo de las enfermedades crónicas, detectando poblaciones de individuos en riesgo, permitiendo focalizar esfuerzos humanos y económicos, previniendo el infra diagnóstico y luchando contra la inercia terapéutica.

Con respecto a la intervención en el individuo, con el surgimiento del Internet de las cosas médicas y el desarrollo tecnológico que ha puesto sensores portátiles de múltiples variables y tecnologías de la comunicación a disposición de la población, se ha abierto la puerta al monitoreo en tiempo real y plataformas que relacionan pacientes, médicos, enfermeras y otros actores de los servicios de salud como los tomadores de decisiones, facilitando la intervención sobre los factores de riesgo como sedentarismo, realizando diagnósticos tempranos como pre-hipertensión o prediabetes, o mejorando el seguimiento de las tendencias de los biomarcadores que monitorizan la respuesta terapéutica a las intervenciones farmacológicas y no farmacológicas, además a través de la generalización de los modelos se pueden identificar enfermedades en una fase temprana en pacientes similares a los de la cohorte de su entrenamiento.

Con respecto a las imágenes médicas, las aplicaciones de la IA han generado soluciones en el diagnóstico de la retinopatía diabética, el cáncer de pulmón, cáncer de esófago, colon y piel.

Algunas técnicas utilizadas en los modelos de inteligencia artificial para la clasificación y la predicción :

– La regresión lineal, utilizada como un modelo de relacionamiento entre una variable dependiente y un desenlace, con una o más variables independientes (regresión lineal multivariada), Donde cambios en la variable independiente generan cambios en la variable dependiente y el desenlace.          

– La regresión logística, donde la variable dependiente es binaria, y siempre su resultado es clasificado como tipo uno o tipo dos, Explica la relación entre la variable dependiente y una o varias variables independientes.

– Random Forest, es una colección de modelos que operan como un ensamble. Cada modelo predice un resultado y el resultado más predicho por el conjunto (ensamble) en las iteraciones es el escogido.

– El Perceptron multicapa, es una red neural, cada perceptron es la representación de un nodo, estos nodos están unidos entre sí, formando capas, una capa de ingreso de los datos, seguida de una capa intermedia donde se realizan los cálculos matemáticos entre el valor de ingreso (input) y el peso asignado a través de una función, llamada función de activación, cada resultado o salida del nodo es el valor de ingreso de la capa siguiente, hasta que se llega a la capa de salida, el resultado final, es la sumatoria en forma de un vector prospectivo, que refleja la transformación de los datos en forma de 0 o 1. Tienen un desempeño adecuado en las tareas de clasificación. Algunos diseños adicionan la función de propagación reversa, que permite la actualización de los pesos calculados con cada interación y así reduce el error de la red neural.

– Long Short Term Memory: es un modelo con una arquitectura de una red neural recurrente, que se caracteriza por una célula que tiene tres compartimentos y permite el almacenamiento de patrones en un periodo de tiempo más largo que los otros tipos de redes neurales.

Uso de la IA para la atención al paciente

La inteligencia artificial no se puede observar o evaluar como un evento individual, sino como parte de un ecosistema en desarrollo, un elemento de análisis de datos que se articula con sensores portátiles (wearables o biosensores) generadores de datos, intermediarios de comunicación como los celulares, servidores, la nube o dispositivos perifericos (cloud computing y fog computing) y plataformas con la capacidad de recolectar y almacenar datos (machine learning federado), además de generar alarmas para el paciente y el equipo sanitario, mejorando la coordinación de la atención, lo que conduce a mejores resultados para el paciente y aumenta la satisfacción del paciente.

Estos nuevos dispositivos con la capacidad de medir múltiples variables fisiológicas como la glucometria, oximetria, frecuencia cardiaca, tensión arterial, actividad física, quema de calorías y temperatura, son biosensores conectados por medios de baja energía como bluetooth que transmiten los datos al celular, o aplicaciones en el celular en el que se registra los alimentos que se consumen y el peso, y del celular a través de internet a los servidores o a la nube y se espera que próximamente se logre la la interoperabilidad con la historia clínica electrónica, por ejemplo el registro de un electrocardiograma tomado en su reloj se adicione de manera automática al registro clínico electrónico del servicio de urgencias o al médico de cabecera.

Con una plataforma interactiva que permita la participación de pacientes y médicos, se puede hacer seguimiento en tiempo real de la respuesta a las intervenciones farmacológicas y no farmacológicas, usando los datos generados por los biosensores (mediciones de las variables fiosiologicas) y transmitidos por el celular.  

Los desarrollos en la programación de los algoritmos, como se ha reportado en algunos casos en la literatura, permitirá que los soluciones de aprendizaje de máquina sean aplicables a modelos que representan varias enfermedades como cáncer y diabetes Mellitus.

Posterior al análisis de la big data en salud, a través de modelos no supervisados se logrará hallar patrones ocultos, selección de características de los datos, reducciones de la dimensionalidad y manejo de datos perdidos o duplicados, estos datos transformados permitirán la construcción de sistemas de soporte a la decisión al razonamiento, optimizando los flujos de trabajo médico, proporcionando alternativas en las cuales se tienen en cuenta las preferencias del paciente, reduciendo los errores en la prescripción de medicamentos e integrando los datos clínicos con los resultados de las ayudas diagnósticas.

La facilidad de predecir la progresión de la enfermedad con base en el análisis integrativo de los diagnósticos, los antecedentes, el control de las constantes vitales , los resultados de ayudas las diagnósticas, a través de torres de control en salud, disminuyen la exposición del cuerpo a alteraciones fisiopatológicos.

El aprendizaje máquina es una de las herramientas en las cuales se ha apalancado el desarrollo de la medicina de precisión.

La preocupación de un acceso desigual como una falta al principio ético de la justicia y la equidad se ha abierto camino y el evitarlo es una solicitud con voz cada vez más fuerte.

Conclusión

La inteligencia artificial es una poderosa herramienta ayuda a los médicos a tomar mejores decisiones al tener datos poblacionales de mejor calidad, a la generación de modelos predictivos que puede ayudar a reducir los errores médicos y mejorar la calidad de la asistencia sanitaria de muchas maneras.

Se cuenta con diferentes modelos como la regresión lineal, la regresión líneal multivariada, la regresión logística, el soporte vectores y las redes neurales, que sirven como respuesta a una pregunta y una funcionalidad específica, campo en la cual puede tener un mejor desempeño con respecto a las otras.

La tecnología puede ayudar a los proveedores a mejorar la atención al paciente reduciendo los errores, liberando tiempo del personal y mejorando los resultados sanitarios en general. También ofrece nuevas oportunidades para la investigación y el desarrollo médicos, así como para la detección y el seguimiento de enfermedades.

La inteligencia artificial tiene el potencial de transformar la atención sanitaria mejorando la eficiencia y la calidad, es así como se espera unos ahorros potenciales en atención médica que podrían alcanzar los $150 mil millones para 2025, en donde aproximadamente la mitad representa ahorros clínicos y la otra disminucion de costos financieros y operativos. Por último, la IA también podría ayudar a educar a los pacientes sobre su condición o riesgos a través de portales de pacientes o chatbots que simulan conversaciones reales con médicos o enfermeras.

Bibliografía

1. https://www.wipo.int/global_innovation_index/es/2019/health_ai_bigdata.html

2. https://es.linkedin.com/learning/fundamentos-de-big-data-tecnicas-y-conceptos/los-analisis-predictivos-en-el-big-data?original_referer=https%3A%2F%2Fwww.google.com%2F

3. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6616181/

4. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC6716553/

2 comentarios sobre “Migrando del paradigma “inteligencia artificial vs inteligencia humana” al de una inteligencia colaborativa en salud.

  1. Interesante el concepto de inteligencia colaborativa. Esto hace necesario el desarrollo de nuevas habilidades, paradigmas y la generacion de una cultura adaptada a la toma de desiciones e interpretacion de los datos. Hacia eso vamoa

    Me gusta

Deja una respuesta

Introduce tus datos o haz clic en un icono para iniciar sesión:

Logo de WordPress.com

Estás comentando usando tu cuenta de WordPress.com. Salir /  Cambiar )

Imagen de Twitter

Estás comentando usando tu cuenta de Twitter. Salir /  Cambiar )

Foto de Facebook

Estás comentando usando tu cuenta de Facebook. Salir /  Cambiar )

Conectando a %s

A %d blogueros les gusta esto: