Mejores decisiones, mejores desenlaces.

Autor: Andres Rico

Basado en el documento COMO CONSTRUIR UN DEPARTAMENTO DE INTELIGENCIA ARTIFICIAL CLÍNICA de Luis Eduardo Pino, CEO de O^xler.

Contexto

En la canción Decisiones, Rubén Blades corea 🎼“Decisiones… Cada día… Alguien pierde, alguien gana, Ave María… Decisiones… Todo cuesta… Salgan y hagan…”, y aunque parezca superfluo, este coro refleja la cotidianidad del personal sanitario, la toma de decisiones, que a su vez implica recibir entrenamiento o elaborar matrices de pesos para identificar los factores que influyen en su conducta.

Por ejemplo durante un turno:

• Una enfermera se pregunta ¿Aplico o no la medicación ante los cambios en los signos vitalesde mi paciente?, ¿son estos signos vitales una tendencia al deterioro?, ¿Entrará en paro cardiaco?, ¿Será el momento de llamar al médico? ¿Será una falsa alarma?

• Un médico se cuestiona ¿es el diagnóstico y tratamiento correcto?, ¿es momento de cambiar el plan de manejo?, ¿Debería esperar más tiempo y ver el resultado del plan instaurado o intervenir ahora?

• Los médicos especialistas debaten sobre situaciones de gran incertidumbre como elegir hacer una cesárea con “criterios no tan claros” o una laparotomía ante cuadros “no conclusivos”, definir si una imagen es maligna o benigna según sus características, con la implicación que tiene un falso positivo en intervención o un falso negativo en pronóstico. 

• Los auditores, deben decidir si hay lugar a una glosa, si la intervención es pertinente o susceptible de autorización; las decisiones administrativas también son de vida y muerte, en corto o largo plazo.

Las decisiones del personal de salud implican costos pues se dan en un contexto de incertidumbre desde el plano fisiopatológico y los sistemas adaptativos complejos; las decisiones se dan en un entorno rápidamente variable, determinadas por factores como la disponibilidad de tiempo, experiencia, conocimientos, creencias, sentimientos y carga laboral; también tienen implícitos riesgos de sesgo, muchos factores, con diferentes pesos, algunos intuitivos y otros estadísticos.

Las sociedades científicas internacionales en medicina y salud en un esfuerzo para disminuir el error y sus consecuencias, han normatizado el ejercicio con reglas, árboles de decisiones y flujogramas, sin embargo, la medicina basada en la evidencia no ha logrado respaldar el 100% de las conductas en una enfermedad, y mucho menos en un individuo considerado como un conjunto de sistemas adaptativos complejos.

Se ha logrado a través de la observación caracterizar y modelar los sistemas adaptativos, pero con los desarrollos en tecnología, las comunicaciones, los wearables y biosensores generan en tiempo real datos acerca de la fisiología de los individuos y las comunidades, volúmenes de datos de millones de Gigas por día.

Asociado a conocer la secuencia del genoma y los campos relacionados como la genómica, transcriptómica, proteómica, metabólomica, junto con la masificación en el uso de los registros electrónicos de salud, dando resultado a volúmenes gigantes de información generados a velocidades equivalentes a un pestañeo, la recolección de información que crea grandes cantidades de datos para cada paciente, cada comunidad y nación, con una veracidad e integridad para confirmar a través del análisis.

Está claro, que estás magnitudes sobrepasan la capacidad cognitiva humana, lo que a su vez genera la necesidad de incrementar de manera exponencial las capacidades, dando lugar a los modelos de inteligencia artificial y tecnologías relacionadas como solución para aumentar la potencialidad humana de análisis y entendimiento.

En el contexto de los análisis estadísticos y predictivos los datos del mundo real (datos a nivel de paciente), provenientes de biosensores y registros clínicos electrónicos, que no se recopilan en los ensayos clínicos aleatorios; crean una nueva evidencia que al integrarse en los programas clínicos y unos “workflow” amigables con el médico facilitan su labor, mejorando la salud  por medio del desarrollo de nuevos modelos de aprendizaje automático. Este proceso se convertirá en una herramienta invaluable para los pacientes, pues le permiten:

Estos datos, y el concepto de biodata y bioinformación abren la perspectiva de los biobancos, datos genómicos accesibles, usables  en primera medida para  diagnosticar a otras personas con síntomas o signos similares y para la elaboración de políticas en salud a nivel individual y poblacional a pesar del riesgo que esto conlleva.

Estos análisis colaborativos entre la inteligencia humana y artificial favorecen la rápida identificación de problemas en la atención médica y el desarrollo de modelos de riesgo, predicción y simulación para que después en la vida real se generen las soluciones necesarias y suficientes para la satisfacción de las necesidades de los individuos y comunidades.

Hay múltiples requisitos, como:

• Datos recolectados con alta calidad.

• Historias clínicas con los campos bien diligenciados.

• Narrativas coherentes que describan en el tiempo de manera exacta los padecimientos, con interpretaciones adecuadas de las ayudas diagnósticas, sin caracteres al azar digitados para burlar los sistemas de seguridad del paciente instaurados en los software.

Estos aspectos son en realidad calidad del dato, vital para el entrenamiento, validación, prueba y mejoramiento continuo de  las aplicaciones de la inteligencia artificial en las enfermedades crónicas; para que la inteligencia artificial ayude se requiere la recopilación de datos que generen algoritmos bien entrenados.

El aprendizaje automático permite aplicar múltiples métodos de estadística descriptiva y de manera paralela otros modelos matemáticos no lineales, que permiten la predicción, asociación, la inferencia de la causalidad o interacción entre covariables, el éxito depende de:

Estos puntos determinaran la forma en que construimos y entrenamos el modelo, diseño y usabilidad que debe imitar el uso posterior a la implementación.  

Entrenar el algoritmo en el objetivo para el que se diseñó, por ejemplo, identificar a las personas con alto riesgo de enfermedad crónica, que a su vez recolecta nueva data, evidencia nuevos patrones y con esta nueva información, los equipos de salud pueden fomentar la salud y detectar determinantes ocultos que podrían influir en la enfermedad.

Hoy el sector salud nos presenta retos importantes, entre ellos la toma de decisiones debido entre otras a una explosión de datos, con modelos y desarrollos que aún no son de amplia aplicación a los procesos clínicos ni a los flujos hospitalarios.

La falta de una amplia implementación a diferencia de otros sectores como el bancario, el financiero, el comercial, se debe a varios factores, principalmente:

– A una pobre utilidad clínica.

– Cultura resistente al cambio y anclada en tradiciones.

– Dificultad para el uso, inclusive en nativos digitales, con interfases poco amigables (experiencia personal).

– Nacientes posibilidades de interoperabilidad entre diferentes software de registros clínicos electrónicos (diferentes instituciones de prestación y aseguradores), farmacias, laboratorios.

– Problemas con la seguridad de los datos. 

– Efecto de “Black Box” de algunos tipos de algoritmos y la incertidumbre acerca de la confiabilidad de los resultados.

Desde AIpocrates consideramos que un departamento de IA clínica es una estructura avanzada que integra la gestión clínica, la inteligencia artificial y otros desarrollos tecnológicos complementarios como la robótica, realidad extendida, bioinformática, ingeniería tisular, impresión en 3D de prótesis, bioprotésis y tejidos, para el desarrollo interdisciplinario y la implementación real de modelos que optimicen la atención de los pacientes, la gestión de procesos y el análisis de los datos poblaciones en la institución.

La propuesta pretende concentrar la IA y las tecnologías exponenciales en una estructura médica ejecutable que facilite una implementación generadora de valor, con un estándar adecuado para intercambiar datos de forma segura.

Permitiendo la implementación del concepto de medicina de precisión tanto para la prevención, como para el tratamiento de las enfermedades agudas, crónicas, trasmisibles y no transmisibles, que facilite a las instituciones crear experiencias personalizadas y atractivas, para hacer del mantenimiento de la salud y la prevención de la enfermedad una aventura interesante, de la enfermedad un proceso reversible y del envejecimiento una travesía confortable, que además ayude al personal sanitario en el proceso de toma de decisiones clínicas, a través de la mejora de resultados o desenlaces clínicos, minimizando los sesgos (en datos y decisiones) que puedan generar daños en la salud física, mental y social.

Se postula para el análisis y la discusión una estructura inicial dependiente de la Dirección Médica institucional en profunda conexión de trabajo con:

1. Departamento de tecnología (TI).

2. Departamento de métricas.

3. Centro de Investigaciones.

4. Grupo de ética médica.

5. Departamento de salud poblacional.

6. La universidad (Facultades de Medicina e Ingeniería Biomédica).

La estructura dinámica de acuerdo con la evolución del departamento, se ajustaría, pero consideramos una fase inicial enfocada en la organización de las bodegas de datos multifuente y la arquitectura analítica, seguida de la fase de generación de  diseño de modelos propios e integración de tecnologías.

Es clave iniciar con un repositorio de necesidades recopiladas desde los diferentes servicios asistenciales y administrativos de la institución, siempre con el énfasis que este es un departamento médico que abraza a la tecnología y no al revés.

Un escenario en donde la investigación en ciencias básicas se conecte con la investigación clínica a través de las tecnologías de la información, logrando beneficios aplicables a la atención sanitaria individual y  poblacional; aprender de los datos y usar esos conocimientos con un objetivo claro basado en la racionalidad clínica y la costo-efectividad.

También es necesario proporcionar acceso a tecnologías innovadoras basadas en Big Data e inteligencia artificial, que optimicen en el contexto humanístico la calidad de la atención sanitaria, mejorando la oportunidad de acceso, la pertinencia y la disminución del error.

Favoreciendo la construcción de herramientas que soporten el razonamiento clínico y la toma de decisiones, creando una alternativa para el logro de los objetivos, o la generación de plataformas en forma de ecosistemas con tableros o “dashboard”, alimentados en tiempo real con datos de biosensores y datos  provenientes de la historia clínica, que permitirán predecir situaciones y tomar decisiones concernientes no solo a la atención clínica sino al ciclo vital de la persona y la nación como se vivió con la pandemia del COVID-19.

Finalmente, brindar la información correcta, a la persona correcta, en el momento adecuado para la mejor decisión informada posible, teniendo en cuenta preferencias y creencias del paciente, como base de la medicina personalizada.

Todo lo anterior en el marco dado por los principios éticos de la práctica médica  para cerrar las brechas de acceso, costos y evitar que la innovación biomédica aumente las inequidades dentro de las poblaciones de pacientes y profesionales, los sesgos potencialmente dañinos en la recopilación de los datos,  desarrollo e implementación de los modelos.

Este nuevo departamento tendrá interacciones entre clínicos y desarrolladores para generar modelos que impacten en las necesidades, en el cómo y cuándo se utilizan los algoritmos.

Se tendrá un inventario de algoritmos, identificados y agrupados según la funcionalidad, el objetivo ideal, el objetivo real, las limitaciones de los algoritmos, los riesgos de sesgos y métricas , abriendo también la oportunidad del “transfer learning”, optimizando el diseño, desarrollo e implementación.

El monitoreo y las auditorías permiten actualizar o desechar los algoritmos ineficientes que no alcancen los objetivos.

PRODUCTOS ESPERADOS

El aporte esperado de un departamento de IA clínica en productos es:

▪ Modelos predictivos locales que optimicen la gestión clínica y flujos hospitalarios entre otros.

▪ Desarrollo y/o adopción de algoritmos de visión de máquina para optimización diagnóstica.

▪ Prototipos de bio-tecnología.

▪ Artículos publicados en revista Q1 – Q2 relacionada con los temas de intersección descritos previamente.

▪ Transferencia de conocimiento local y regional mediante cursos sobre IA clínica.

▪ Proyectos colaborativos nacionales y regionales para investigación en el área.

▪ Generación de modelos patentables.

▪ Reconocimiento institucional como institución referente en IA clínica.

▪ Esta es una propuesta que pretende guiar la creación de un departamento de IA clínica para convertir los modelos en realidad a nivel local y regional.

🎼“Decisiones… Cada día… Alguien pierde, alguien gana, Ave María… Decisiones… Todo cuesta… Salgan y hagan…” con la IA no hay necesidad de apuestas.