Dra. Alexandra Jiménez. Cuidado Critico Pediátrico
«El cine es un arte visual; una sola imagen puede contar una historia.» – Steven Spielberg
¿Hay algo más afín entre la ciencia y el arte que las imágenes? posiblemente no, constituyen una poderosa forma de expresión, comunicación e información, de hecho lo primero que usted hizo al empezar esta columna fue observar la imagen foto realista generada por Chat GPT 4.0 que la encabeza. Hay múltiples datos detrás de cada imagen, esta en particular, fue creada con los prompts requeridos para invitarlo a recorrer un camino donde la imagen médica y la evolución del cine transcurren en paralelo.
¿Por qué hablar de imágenes?
Las imágenes médicas son un componente esencial de todo el proceso de atención en salud desde el diagnostico, la selección de tratamientos, seguimiento y rehabilitación, y han generado algunos de los hitos más importantes en la evolución de la medicina; así como la integración con otras disciplinas dentro de las que están la ingeniería, la informática, la matemática y por supuesto las artes, donde el desarrollo de la fotografía y el cine han estado particularmente ligados.
La evolución de la imagen ha traído ejemplos mundialmente conocidos, como el de KODAK una reconocida empresa de fotografía que dejó de adaptarse a las necesidades emergentes en la era digital y permaneció atrapada en su modelo inicial, manteniendo carretes tradicionales en lugar de adoptar la simplicidad y ventajas de las nuevas tecnologías, ignoró a su competidores, la transformación del mercado y fue quedando paulatinamente rezagada hasta que quebró en el 2012, con intentos infructuosos en la última década de ingresar en el mercado de los smartphones (1). Sin embargo, también hay otras compañías que han tomado diferentes decisiones, Netflix, por ejemplo , ha demostrado una gran capacidad para adaptarse al entorno cambiante y para usar a su favor las tecnologías emergentes, pasó de ser un distribuidor de DVD por correo a convertirse en un proveedor líder de contenido por streaming, sus ingresos entre 2012 y 2018, crecieron un 337%, alcanzando los US$15.800 millones (2) , lo que nos muestra que la realidad del entorno puede ser la misma, pero la forma como se aborda genera toda la diferencia.
La medicina no es ajena a esta transformación, de hecho algunas especialidades han estado a la vanguardia de esta evolución, particularmente la radiología, esto debido a la sinergia de dos factores: el aumento del big data en salud y los avances en el poder computacional, que se ve reflejado en el creciente número de publicaciones relacionadas con avances en aplicaciones de imágenes.
En una revisión sistemática de estudios de IA en radiología publicados entre 2015 y 2019, se encontraron 11.083 resultados y más de 777 artículos completos (3)La neurorradiología (24%) y la imagenología del cáncer (29%) fueron las áreas más comunes de aplicación, a pesar del volumen significativo de estudios y del uso predominante del aprendizaje supervisado (88%) y la arquitectura UNet (14%), muchos de estos estudios presentaron enfoques limitados y una calidad metodológica variable. Esto se evidenció en el rendimiento de los modelos, que disminuyó en promedio un 6% en la validación externa, además de enfrentar desafíos en cuanto a su aplicabilidad .(3)
Desde 2018, también hay un incremento del número de aprobaciones de dispositivos médicos habilitados con IA/ML: 108 dispositivos aprobados solo en 2023. Radiología es la especialidad que está en primer lugar con 531 dispositivos (77% de todos los aprobados), seguida por cardiología con 70 dispositivos (10%) ambas con desarrollos que involucran imágenes (4).Los principales códigos de producto incluyen software de procesamiento de imágenes radiológicas, tomografía computarizada, software de triage asistido por computadora, imagenología por ultrasonido y resonancia magnética nuclear.Sin embargo se hace evidente que hay una subrepresentación de los niños, la mayoría de estos dispositivos son generados para adultos, los ensayos clínicos que se realizan para soportar estos diseños se hacen principalmente en Estados Unidos, por lo que no tienen una demografía tan diversa como se desearía para aplicaciones que se comercializan a nivel mundial y por último el 5% de los dispositivos habilitados con IA/ML han sido retirados debido a diversas preocupaciones (4) ( éticas, replicabilidad , usabilidad etc)
A pesar de este auge, no podemos desconocer que también en esta rama hay una brecha entre el desarrollo de un algoritmo científicamente sólido y su uso como parte de una aplicación clínica significativa del mundo real; lo que sin duda lleva posturas diversas entre los especialistas en imagen médica, para el 2020 solo el 30 % de los radiólogos informaron haber usado alguna aplicación de IA en su ejercicio profesional , y más del 70 % expresó su renuencia a invertir en ella (4), esta realidad acompaña también la incertidumbre en la elección de la especialidad y cuestionamientos éticos frente a lo que algunos han llamado el “reemplazo del radiólogo por la IA ”,sin embargo frente a estas percepciones diversas lo cierto es que la historia de la automatización en otras áreas ha demostrado que los empleos no se pierden; más bien, se redefinen los roles, se requiere adaptación gradual y desarrollar competencias para tareas cognitivamente más desafiantes (5), en otras palabras reemplazar el discurso de hombre vs la máquina, por trabajo en hombros de gigantes.
En la siguiente imagen, se observa un paralelismo entre la evolución del desarrollo cinematográfico y la radiología , donde convergen para ambas, la necesidad de digitalizar procesos, asumir desafíos, implementar técnicas novedosas, así como 1979 solo George Lucas creía que la digitalización podría cambiar el cine, es importante reconocer que en radiología pasamos de los rx, imágenes en movimiento, al concepto de teragnostica ( obtención de imágenes específicas con radiotrazadores y posterior tratamiento con la misma molécula asociada a una dosis de radiación con fines terapéuticos) como eje de la medicina personalizada, esto lo vemos aplicado hoy en el cáncer de próstata avanzado.
¿Cómo estamos hoy
La implementación de IA en radiología ha reducido los tiempos de interpretación de 11,2 días a solo 2,7 días, agilizando los flujos de trabajo de atención médica y mejorando la atención de los pacientes, puede generar además listas de tareas, generar integración en las vías de atención; específicamente en optimización de imagen, las tareas se dividen en tres categorías: clasificación y reconocimiento, localización y detección y segmentación.(1,2,6 ) Una diversidad de funciones y herramientas que se expondrán en la segunda entrega, de estas columnas de imágenes médicas.
En 2020, el American College of Radiology (ACR) encontró que solo el 33.5% de los radiólogos usaban IA en sus prácticas clínicas, que el 94.3% de los radiólogos que usaban IA reportaron que su desempeño era «inconsistente» y en una encuesta europea, el 40% de los radiólogos tenían experiencia con IA en su práctica clínica, pero solo el 13% quería adquirir IA para su práctica, y el 52.6% no deseaba integrarla (6)
Sabemos que esta la IA, conocemos su alcance , pero aún hay barreras , el temor por la falta de conocimiento, la complejidad de los modelos de IA que dificulta la interpretación de su razonamiento, y los problemas legales y éticos por regulación que no es clara en abordar las implicaciones de la IA , en términos de responsabilidad, (6 )por ejemplo, si los radiólogos no son los principales intérpretes de la imagen, ¿tienen responsabilidad ante una lectura incorrecta o serán los fabricantes del sistema de IA, sus científicos de datos y sus ingenieros los que deberán asumirla?. Preguntas como estas deben ser resueltas para que la adopción sea posible.
En este camino no solo está la postura de los médicos expertos en imágenes sino también las instituciones. Un caso de éxito fue analizado en los Paises Bajos, un estudio cualitativo que plantea una estrategia holística para abordar este desafío (7) encontraron tres niveles de intervención: el tecnológico, flujos de trabajo y organizacional.
A nivel tecnológico, el desafío radica en la multifuncionalidad de las aplicaciones y la falta de interfaces de usuario estandarizadas que logren estar conectadas al software clínico. Es fundamental desarrollar una estrategia que permita esta integración de manera efectiva. En segundo lugar, la variabilidad en la implementación de aplicaciones de IA dificulta la demostración de su valor, por lo que es importante centralizar y estandarizar el uso de estas tecnologías, incorporándolas de manera consistente en el flujo de trabajo clínico. Por último, a nivel organizacional, las expectativas divergentes y la experiencia limitada con IA entre los directivos crean una brecha entre la experiencia clínica y técnica. Por lo tanto, la educación y la comunicación son esenciales para la adopción de estas tecnologías.
¿Qué aprender del cine?
La radiología enfrenta hoy desafíos similares a los presentados en el séptimo arte, en principio los profesionales de la industria cinematográfica se resistieron a la adopción de tecnologías digitales, los editores de cine, estaban acostumbrados a trabajar con película física y métodos tradicionales de edición, y se mostraron muy escépticos hacia las nuevas herramientas y presentaron una gran resistencia, de hecho el primer largometraje que utilizó la edición de vídeo fue Toy Story de Pixar en 1995 y ya habían pasado 5 años desde que Pixar se separó del proyecto de edición de vídeo de Lucasfilm; el editor de Toy Story, Lee Unkrich, era nuevo en la empresa, no intentaba demostrar nada, simplemente intentaba hacer un gran trabajo y creía que ese era el mejor enfoque , por supuesto lo logró (8)
La falta de familiaridad y la percepción de que las herramientas digitales no podían igualar la calidad y la precisión de las técnicas tradicionales, estuvo en varias empresas cinematográficas; con el tiempo esto quedo desvirtuado, la edición digital demostró ser no solo una alternativa viable, sino una mejora significativa sobre los métodos tradicionales, más flexibilidad, precisión y eficiencia; sin embrago los animadores 2D tenían resistencia a la animación 3D generada por computadora, no porque no lo conocieran sino porque apreciaban y amaban la animación dibujada a mano en la que eran expertos, luego se fueron integrando entre equipos y generaron efectos visuales y otros elementos postproducción que no habrían podido hacer solos (8 )
En cualquier profesión, algunas personas se resistirán al cambio, pero la prueba de éxito suele poner fin al debate y así como las películas que antes habrían sido imposibles de realizar hoy se han hecho realidad; la implementación de la transformación de la imagen médica abrió la posibilidad de obtener información y datos para predicción y tratamientos personalizados que antes podrían haber parecido imposibles.
La IA no reemplazará lo médicos como tampoco reemplazará, los malos actores o directores, pero esta ruta conjunta de cine e imagen médica, nos invita a preguntarnos ¿por qué no mejorar nuestras habilidades utilizando la IA y exponer lo mejor de nosotros mismos hacia el futuro?. Si estamos seguros de nuestra profesión frente a la IA (porque «Lo más importante no es la cámara, sino el ojo.» – Alfred Eisenstaedt), le debemos por lo menos esa oportunidad a nuestros pacientes.
BIBLIOGRAFIA
1.Gómez, R. (2023, septiembre 24). KODAK el origen por qué fracasó. Elevación Digital. https://elevaciondigital.pe/blog/kodak-el-origen-y-los-errores-que-no-debes-cometer-como-empresa/#:~:text=3.-,KODAK%20en%20la%20actualidad%3A,los%206%20millones%20de%20d%C3%B3lares.
2. BBC News Mundo. (2019, octubre 8). Las 10 empresas que han transformado la forma de hacer negocios en la última década (y cuál fue su fórmula para el éxito). BBC News Mundo. https://www.bbc.com/mundo/noticias-49964051
3Kelly BS, Judge C, Bollard SM, Clifford SM, Healy GM, Aziz A, Mathur P, Islam S, Yeom KW, Lawlor A, Killeen RP. Radiology artificial intelligence: a systematic review and evaluation of methods (RAISE). Eur Radiol. 2022 Nov;32(11):7998-8007. doi: 10.1007/s00330-022-08784-6. Epub 2022 Apr 14. Erratum in: Eur Radiol. 2022 Nov;32(11):8054. doi: 10.1007/s00330-022-08832-1. PMID: 35420305; PMCID: PMC9668941.
4. Joshi, G., Jain, A., Reddy Araveeti, S., & Bhandari, M. (2022). FDA approved Artificial Intelligence and Machine Learning (AI/ML)-Enabled Medical Devices: An updated landscape. MedRxiv. https://doi.org/10.1101/2022.12.07.22283216
5.Jha S, Topol EJ. Adapting to artificial intelligence: radiologists and pathologists as information specialists. JAMA. 2016;316(22):2353 https://doi.org/10.1001/jama.2016.17438.
6. Mello-Thoms, C., & Mello, C. A. B. (2023). Clinical applications of artificial intelligence in radiology. British Journal of Radiology, 96, 20221031. https://doi.org/10.1259/bjr.20221031
7. Kim, B., Romeijn, S., van Buchem, M., Rezazade Mehrizi, M. H., & Grootjans, W. (2024). A holistic approach to implementing artificial intelligence in radiology. Insights into Imaging, 15(22). https://doi.org/10.1186/s13244-023-01586-4.
8. Weisberg, E. M., Fishman, E. K., Chu, L. C., & Catmull, E. (2021). Man Versus Machine? Radiologists and Artificial Intelligence Work Better Together. Journal of the American College of Radiology. https://doi.org/10.1016/j.jacr.2020.12.017
aipocrates.blog 