Tecnología y Salud: Una Sinergia en Evolución

Autores:

Con este cambio de perspectiva, deberíamos preguntarnos: ¿Cómo se está utilizando HOY la IA en salud? Si usamos analogías, alcanzar la mejor salud y recuperación o paliación es nuestra meta. Podemos llegar a caballo o en un Ferrari, es nuestra elección, pero… ¿Hemos ignorado el Ferrari y preferimos el caballo? Vale aclarar que nuestro caballo, aunque bien entrenado, se demoraría tres veces o más en llegar a la meta. ¿Será que en nuestro afán estamos usando el medio equivocado? ¿Será el momento de usar el Ferrari en el día a día y dejar el caballo para los fines de semana y ratos de ocio?

Las herramientas desarrolladas con ML son poderosas, rápidas y eficientes, pero requieren de un usuario inteligente, bien intencionado y con capacidad de evaluar los resultados. Necesariamente, el Ferrari necesita un espacio denominado “Pitwall”, donde las figuras clave del equipo (director, ingenieros de carrera, etc.) están enfocadas en conseguir el mejor resultado, direccionando al piloto con los datos y análisis del rendimiento.

Con esto en mente, la IA en nuestro día a día es el instrumento, pero nosotros, como equipos de salud, estamos en el Pitwall y tenemos el gran reto de analizar datos, lo que hace necesario detenernos en algunas particularidades del Big Data.

Big Data es el término asociado a grandes volúmenes de información, cuyo propósito es manejar y analizar datos cuando la cantidad y la complejidad de la información superan la capacidad de las metodologías disponibles. Contempla la recopilación, procesamiento, almacenamiento y análisis. (1)

El almacenamiento actual de datos llega a cantidades inimaginables, podemos hablar del bit hasta el brontobyte, y en poco tiempo será necesario incluir nuevos términos. (5)

Sin embargo, no podemos centrarnos solo en el almacenamiento. La importancia de las soluciones de Big Data en la informática de la salud y la informática biomédica se destaca a través de las “7 V clásicas del Big Data”: volumen, velocidad, variedad, variabilidad, visualización, veracidad y valor. (2)

1. Volumen: La cantidad de datos, calculada como el número de unidades de observación multiplicado por el número de puntos de datos.
2. Velocidad: La rapidez con la que se añaden nuevas unidades de observación a los conjuntos de datos.
3. Variedad: La diversidad de técnicas necesarias para adquirir los diferentes puntos de datos.
4. Variabilidad: La posibilidad de diversas interpretaciones, diagnósticos y resultados estadísticos.
5. Visualización: Los métodos necesarios para lograr una visualización científica adecuada de los resultados obtenidos.
6. Veracidad: Una medida de cuán precisa es la obtención de datos.
7. Valor: El valor o mejora en la atención médica que se obtendría del enfoque para justificar la adquisición de un gran volumen de datos.

En el ámbito de la estadística, los datos se pueden definir como una observación o medición que, al ser interpretada, proporciona cierta información sobre el objeto estudiado. Este objeto recibe el nombre de unidad de observación, y el conjunto de mediciones (datos) obtenidos de la unidad de observación se llaman puntos de datos. En el campo de la informática de la salud, estas unidades de observación pueden ser un individuo, una familia o una población determinada, dependiendo del enfoque del estudio. (2)

El análisis de datos puede llevarnos al siguiente nivel y así poder hacer uso de los productos generados por la ciencia de datos, para tomar decisiones clínicas, una medicina basada en datos de la vida real.

¿Cómo la IA nos permitirá tomar mejores decisiones clínicas como equipos de salud?

La conversación entre el médico o profesional en salud y el paciente es una piedra angular de la medicina, donde la comunicación hábil e intencional impulsa el diagnóstico, la gestión, la empatía y la confianza. Los sistemas de IA capaces de realizar diálogos diagnósticos podrían aumentar la disponibilidad, accesibilidad, calidad y consistencia de la atención, siendo útiles como socios conversacionales tanto para los médicos como para los pacientes.

Los modelos de lenguaje grande (LLMs) fuera del dominio médico han demostrado que pueden planificar, razonar y usar contexto relevante para mantener conversaciones enriquecedoras. Un médico efectivo toma una «historia clínica» completa y hace preguntas inteligentes que ayudan a derivar un diagnóstico diferencial. Además, debe mantener una relación efectiva, proporcionar información de manera clara, tomar decisiones conjuntas e informadas con el paciente, responder empáticamente a sus emociones y apoyarlos en los siguientes pasos de atención.

Veamos «AMIE», un sistema de investigación de IA basado en un LLM y optimizado para el razonamiento diagnóstico y las conversaciones. Sus creadores entrenaron AMIE en conjuntos de datos del mundo real que comprenden razonamiento médico, resúmenes médicos y conversaciones clínicas reales, y lo evaluaron en múltiples dimensiones que reflejan la calidad en las consultas clínicas del mundo real desde la perspectiva tanto de los médicos como de los pacientes. (3)

Para abordar las limitaciones de los datos del mundo real, diseñaron un entorno de aprendizaje simulado basado en autojuego con mecanismos de retroalimentación automatizados para el diálogo médico diagnóstico en un entorno de atención virtual. Utilizaron este entorno para afinar iterativamente AMIE con un conjunto evolutivo de diálogos simulados además del corpus estático de datos del mundo real.

También emplearon una estrategia de cadena de razonamiento en el momento de la inferencia que permitió a AMIE refinar progresivamente su respuesta condicionada. Probaron AMIE prospectivamente en ejemplos reales de diálogo de múltiples turnos, simulando consultas con actores entrenados en un estudio cruzado aleatorizado y doble ciego de consultas basadas en texto con actores pacientes validados que interactuaban con médicos de atención primaria certificados o el sistema de IA optimizado para el diálogo diagnóstico.

Conclusión

Para aquellos que opinan que los médicos o profesionales de salud siguen siendo imbatibles en la empatía, las evaluaciones muestran otro panorama. (3)

El ensayo publicado en Journal of Cell Science, titulado «La importancia de la estupidez en la investigación científica» por Martin A. Schwartz (7) aborda la idea de que sentirse estúpido es una parte esencial del proceso de investigación científica. Trata sobre cómo la educación científica no prepara a los estudiantes para lidiar con la incertidumbre y el no saber, elementos intrínsecos de la investigación. Reflexiona sobre cómo los programas de doctorado deberían enseñar a los estudiantes a estar cómodos con su ignorancia y a ver la incertidumbre como una oportunidad para el descubrimiento. El autor destaca que enfrentar problemas difíciles y desconocidos es lo que impulsa el progreso en la ciencia, y que aprender a navegar la «estupidez» puede llevar a avances significativos y descubrimientos importantes.

Estimados lectores, sin duda llegar a la meta implica un equipo que no le tema a la “estupidez” ni a la tecnología.

Nota: Para la elaboración de esta columna se usó chatGPT en la revisión de conceptos y corrección de estilo.

Bibliografía

1. Tavazzi L. (2019). «Big data: is clinical practice changing?». European Heart Journal Supplements, 21(Supplement B), B98-B102. DOI: 10.1093/eurheartj/suz034.
2. David Soriano-Valdez, Ingris Pelaez-Ballestas, Amaranta Manrique de Lara, Alfonso Gastelum-Strozzi. (2020). «The basics of data, big data, and machine learning in clinical practice». Clinical Rheumatology, 40(1), 11-23. DOI: 10.1007/s10067-020-05196-z.
3. AMIE: A research AI system for diagnostic medical reasoning and conversations. Google Research Blog. [Link](https://research.google/blog/amie-a-research-ai-system-for-diagnostic-medical-reasoning-and-conversations/?m=1).
4. Towards Conversational Diagnostic AI. arXiv. [Link](https://arxiv.org/abs/2401.05654).
5. https://www.ionos.es/digitalguide/paginas-web/desarrollo-web/que-es-un-byte/
6. García-López A, Girón-Luque F, Rosselli D. La integración de la inteligencia artificial en la atención médica: desafíos éticos y de implementación. Univ. Med. 2023;64(3). https://doi.org/10.11144/Javeriana.umed64-3.inte
7. Schwartz MA. The importance of stupidity in scientific research. J Cell Sci. 2008 Jun 1;121(11):1771. doi: 10.1242/jcs.033340. PMID: 18492790.