Autora: Ledys Izquierdo. Pediatra Intensivista. Msc Ing. Biomédica. Miembro Fundador AIpocrates.
El presente escrito tiene como objetivo abordar el avance actual en la relación entre la pediatría y el uso de herramientas de Inteligencia Artificial (IA), así como el grado de asimilación de la IA por parte de médicos y otros profesionales de la salud.
En pediatría, se abarcan varias etapas del ciclo vital, un rango etario que comprende desde el neonatos hasta los 18 años de edad, donde los datos son abundantes y heterogéneos.
La generación de datos ha alcanzado magnitudes que superan las capacidades humanas. Las limitaciones de la capacidad cognitiva dificultan el procesamiento eficiente de esta información. Por ello, resulta fundamental desarrollar modelos y algoritmos que faciliten el análisis de grandes volúmenes de datos, cuyo procesamiento genere información y conocimiento.
La bibliografía existente nos remite a tres áreas principales:
1) El funcionamiento actual de los algoritmos de Inteligencia Artificial/Machine Learning (IA/ML) en pediatría,
2) Los desafíos del despliegue de algoritmos ML en medicina pediátrica, y
3) Las perspectivas futuras de IA/ML en medicina pediátrica.
1) El funcionamiento actual de los algoritmos de ML en la medicina pediátrica
Dentro de las técnicas de IA/ML más utilizadas en medicina incluyen máquinas de soporte vectorial, bosques aleatorios, aprendizaje profundo y redes neuronales, aplicadas en diagnósticos, pronósticos y personalización de tratamientos.
Como se mencionó en la columna de la Dra Alexandra Jiménez, la utilización de técnicas de IA/ML en el área de imágenes son mucho más prometedoras, para la interpretación de imágenes biomédicas automatizadas y/o aumentadas en radiología, patología, dermatología, oftalmología y cardiología. Estas técnicas permiten la interpretación de imágenes biomédicas, que facilitan la detección y predicción de enfermedades como; conductas autistas, la leucomalacia periventricular en neonatos después de la cirugía cardíaca [Balla Y et al. Ind.Ped.2023], lesión cutánea, madurez esquelética, lesiones retinianas, enfermedades neurodegenerativas entre otras.
Las redes neuronales convolucionales segmentan, cuantifican e identifican subconjuntos estables de datos con características, y así pueden asistir en el diagnóstico por imágenes de enfermedades, donde la precisión se refiere a la capacidad del algoritmo para dar resultados consistentes y describir qué tan cerca están los resultados de al valor verdadero, lo cual es clave cuando se evalúa el rendimiento del algoritmo. Google Company reveló un algoritmo basado en una red neuronal convolucional profunda para detectar retinopatía diabética en fotografías de fondos retinianos en 2016 [Reinhart Intelligence-Based Medicine 2024].
Los genetistas a menudo se frustran por la naturaleza tediosa de las interrelaciones genotipo -fenotipo entre los síndromes, especialmente para síndromes extremadamente raros. Los genetistas pueden utilizar un sistema de soporte de decisiones que combina algoritmos de aprendizaje automático con técnicas de procesamiento de imágenes digitales en un enfoque híbrido para el diagnóstico automatizado en genética médica, además de la integración de las ciencias ómicas y dar los primeros pasos de una medicina precisión y una medicina personalizada. Ver Figura 1
Figura 1. Inteligencia Artificial y Genética.
En el ámbito de la medicina de precisión, el aprendizaje profundo ofrece múltiples aplicaciones potenciales para el análisis de grandes conjuntos de datos. Estas aplicaciones incluyen la identificación de biomarcadores, el diseño y desarrollo de terapias individualizadas basadas en los perfiles de acoplamiento entre genotipo, fenotipo y farmacogenómica del paciente, así como la predicción de respuestas terapéuticas y la personalización de tratamientos. En investigación farmacéutica las salidas permiten las predicciones sobre propiedades; fisicoquímicas, absorción, distribución, metabolismo, excreción, toxicidad, formulación e incluso la predicción del objetivo [Shu LQ, J.Pediatr 2019].].
En la tecnología robótica, la interacción humana -robot se está evaluando y utilizando en una variedad de escenarios clínicos, como la rehabilitación y la educación. En la atención médica se ha venido utilizando en el parto, la esterilización y la fisioterapia en varios lugares. En niños con trastorno del espectro autista, un enfoque basado en robots mostró que los afectados con este trastorno están más involucrados en las diversas tareas de aprendizaje y parecen disfrutar más de la tarea al interactuar con el robot en comparación con la interacción con el adulto [Shu LQ, J.Pediatr 2019]. Sin contar con los avances en el campo de la cirugía.
Un componente fundamental de la medicina digital y los dispositivos portátiles es la minería de datos, que incluye procesos de extracción y selección de características para el modelado y aprendizaje automático, con el fin de mejorar la detección, predicción y toma de decisiones clínicas. El uso de conocimientos y metadatos expertos puede optimizar estos modelos, siendo particularmente valioso para el seguimiento continuo de los pacientes. La capacidad de los dispositivos y sensores portátiles ofrece una estrategia integral de atención al paciente, que puede mejorar tanto los resultados clínicos como los costos de atención médica, especialmente en condiciones como la insuficiencia cardíaca. [Reinhart Intelligence-Based Medicine 2024]. Este sistema basado en el sensor, cuantitativo, objetivo y fácil de usar tiene el potencial de reemplazar las calificaciones cualitativas y subjetivas tradicionales de la interpretación humana.
Comparativa de Tecnologías de IA en Salud Pediátrica
| Tecnologías de IA | Ventajas | Aplicaciones |
| Aprendizaje Profundo | Alta Precisión | Diagnóstico de enfermedades raras |
| Machine Learning | Personalización | Predicción de resultados terapéuticos |
| Procesamiento del Lenguaje Natural | Interacción humano-máquina | Asistencia virtual a pacientes pediátricos |
Hasta el momento no se ha informado ningún artículo sobre los resultados clínicos a largo plazo de la IA. Alrededor de la mitad de los estudios han sido transversales, estudios teóricos que probaron la precisión de un método de IA, pocos estudios han tenido un diseño longitudinal, y los estudios han tenido un pico entre los años 2020 a 2022 (ver Fig 2).
Figura 2.Publicaciones en PubMed de IA por especialidad médica en el período 2018-2022.[ B. Galdom 2024]
La temática en la que más se ha trabajado, están el área preventiva e interdisciplinaria. Los casos de mayor éxito se han dado en imágenes diagnóstica para el diagnóstico temprano, en la utilización de Algoritmos de IA para el tratamiento y en dispositivos Wearables, utilizados para el monitoreo pediátrico. Ver Figura 3
Ejemplos que han mostrado éxito IA Pediatría
Figura 3. Ejemplos de éxito de IA en Pediatría
La mayoría de los estudios se han realizaron en los EE. UU. Seguidos de China e India. La aceptación aún por los médicos de este tipo de herramientas es baja, el 70% aún considera que el uso de dichas herramientas y técnicas, no resultaban necesarias. (chen M. et al Front. Med. 2022).
2) Los desafíos de la implementación de algoritmos ML en medicina pediátrica
La seguridad y la transformación oportuna en la práctica, la precisión, los sesgos algorítmicos, los sesgos de datos, la fragilidad e interpretabilidad irregular son algunas barreras que afectan la prestación de servicios basados en IA en entornos clínicos. [Balla Y, Ind. Pediatr 2023]. [Ver figura 4].
Irregularidad en la temporalidad: Los datos clínicos del paciente a menudo no se registran a intervalos regulares. La complejidad clínica de los pacientes implica que los datos se tomen o almacenen con oportunidad, ya que las irregularidades pueden interferir con la interpretación y la estructuración basada en ML de datos clínicos. Además, la densidad de datos de los registros clínicos varía entre los pacientes y puede producir muestras irregulares para las pruebas.
Sesgos en los resultados de diagnóstico: Los datos utilizados para capacitar a los modelos AI/ML deben ser diversos e incluir diferentes grupos raciales y étnicos para evitar sesgos en los resultados de diagnóstico. La falta de estandarización en los datos recopilados para el diagnóstico y el uso de diferentes herramientas de diagnóstico por parte de diferentes proveedores de atención médica puede hacer que sea un desafío para los modelos algorítmicos diagnosticar afecciones sindrómicas de manera efectiva.
Sesgo y calidad de datos: También existe el riesgo de sesgo en los algoritmos de IA y ML. Si los algoritmos están entrenados con datos sesgados, pueden perpetuar ese sesgo en sus predicciones y decisiones. Además, los modelos de IA pueden reforzar los sesgos existentes, lo que puede conducir a un tratamiento inadecuado de los niños.
Falta de variedad en datos: factores éticos y legales impiden que se capturen los datos en pediatría, además, el comportamiento de los niños cambia constantemente y es influido por el entorno, genética y etapa de desarrollo. Los datos para IA son limitados, pueden ser no representativos de la población y conducir a predicciones incorrectas. Los modelos deben construirse con capacidad de actualización permanente.
Duplicación de registro: la IA carece de identificadores únicos que puedan diferenciar los registros duplicados, que al fusionarse generan problemas de interpretación.
Interpretabilidad de los modelos ML: los algoritmos pueden hacer predicciones basadas en grandes cantidades de datos, pero puede ser difícil entender cómo llegaron a una conclusión particular, lo que dificulta que los proveedores de atención médica confíen y usen la tecnología de manera efectiva.
Seguridad de los datos: el uso de IA y ML plantea preocupaciones éticas sobre la privacidad del paciente y la seguridad. Los proveedores de atención médica deben asegurarse de que los datos del paciente estén protegidos y utilizados solo con el fin de brindar atención.
Desafíos éticos en el despliegue de algoritmos ML en medicina pediátrica
Figura 4. Preocupaciones éticas en el despliegue de algoritmos de IA en Pediatría
3) Las perspectivas futuras de ML en medicina pediátrica.
Se espera mucho, desde entidades como agentes autónomos, los robots y asistentes virtuales en el futuro para la rehabilitación física y la terapia psiquiátrica, así como la educación en salud y el manejo de enfermedades crónicas.
Los beneficios futuros son claros porque mejoran la capacidad interpretativa y de diagnóstico, apoyando la toma de decisiones, seguimiento hospitalario, tratamiento, coordinación de la atención, la vigilancia, la prevención, y el mantenimiento de la salud o el bienestar. La capacidad de la ML, en la identificación de hallazgos anormales, ayuda con enfermedades que requieren estratificación debido a la heterogeneidad y mejoran la clasificación de tales enfermedades [[Shu LQ, J.Pediatr 2019].
Los algoritmos basados en procesamiento del lenguaje natural (PNL) son efectivos en el desarrollo de fármacos al identificar variables específicas como la edad y el peso de un niño. El análisis de grandes cantidades de datos del paciente, incluidos signos vitales, resultados de laboratorio e historial médico, permite predecir grados de deterioro y riesgos de empeoramiento. Esta capacidad facilita el diseño de tratamientos personalizados mediante el análisis de datos clínicos, historial médico y la condición actual del paciente para desarrollar planes de tratamiento individualizados.
Los algoritmos avanzados de aprendizaje profundo (DL) pueden integrar datos de diversas fuentes, como información genética, antecedentes familiares y factores ambientales, fortaleciendo la capacidad de la inteligencia artificial (IA) para ofrecer respuestas médicas precisas y atención temprana.
La computación cuántica representará un avance crucial para potenciar las capacidades de las herramientas de inteligencia artificial, especialmente en el manejo de grandes volúmenes de datos en medicina. Además, la capacidad computacional y el almacenamiento en la nube serán esenciales para conservar y estructurar adecuadamente la información, facilitando su uso colaborativo y multiinstitucional en estudios e investigaciones en biomedicina y atención médica.
El Internet de las cosas (IoT e IOE) proporcionará las fuentes críticas de datos para la medicina en forma de dispositivos portátiles y de monitoreo tanto del hospital como del hogar.
El desarrollo de la inteligencia artificial explicable (XAI), cuyo objetivo es hacer que los procesos de IA sean más transparentes e interpretables, para pacientes, cuidadores y médicos, los algoritmos de aprendizaje profundo, en particular, pueden beneficiarse de XAI, ya que aprenden todos los aspectos del proceso de toma de decisiones por su cuenta, conocido como «pesos neurales». La XAI puede ayudar a identificar y complementar los indicadores de diagnóstico. Permite que los profesionales médicos pregunten, «qué pasaría si», como «¿cómo se vería esta enfermedad en un adulto?» o «¿Qué tan probable es este diagnóstico si el paciente fuera 10 años mayor?» Estos métodos pueden ser particularmente útiles en pediatría, ya que pueden ayudar a hacer conexiones con la medicina general y complementar los métodos DL tradicionales.
Finalmente, la promesa completa de IA en medicina requerirá una seguridad de datos y transformación de la privacidad (a través de tecnología disruptiva como blockchain) y un enfoque de innovación de agencias reguladoras y proveedores de software (a través de la colaboración de código abierto).
Conclusión
Los profesionales requieren datos precisos, así como información actualizada y compartir ideas para garantizar los mejores resultados para la población de pacientes. Las mejores prácticas en el futuro cercano implicarán el uso de datos y análisis para responder las preguntas clínicas (medicina basada en la inteligencia) en lugar de depender únicamente de los informes publicados actualmente (medicina basada en evidencia). Es evidente que AI/ML tiene el potencial de mejorar significativamente los resultados del paciente en la medicina pediátrica. Aunque, existen desafíos para su implementación, los avances en el diseño y la validación de la IA, y las pruebas en diversas poblaciones pueden ayudar a superar estos problemas
En última instancia, la IA debe verse como una herramienta para mejorar y apoyar la toma de decisiones clínicas en lugar de un sustituto del juicio y la experiencia humana. La perspectiva de las partes interesadas sobre el uso de IA en pediatría ha sido ignorada en gran medida. Especialmente en el campo de la pediatría, donde la autonomía del paciente es limitada, la integración de todas las partes interesadas relevantes (incluyendo a los cuidadores), es esencial para una alta aceptabilidad.
Referencias
Shu LQ, Sun YK, Tan LH, Shu Q, Chang AC. Application of artificial intelligence in pediatrics: past, present and future. World J Pediatr. 2019 Apr;15(2):105-108. doi: 10.1007/s12519-019-00255-1. Epub 2019 Apr 17. PMID: 30997653
Reinhart, Lisa Bischops, Anne Kerth, et al. (2024). Artificial intelligence in child development monitoring: A systematic review on usage, outcomes and acceptance. Intelligence-Based Medicine. 9. 100134. 10.1016/j.ibmed.2024.100134.
Balla Y, Tirunagari S, Windridge D. Pediatrics in Artificial Intelligence Era: A Systematic Review on Challenges, Opportunities, and Explainability. Indian Pediatr. 2023 Jul 15;60(7):561-569. PMID: 37424120.
Chen M, Zhang B, Cai Z, Seery S, Gonzalez MJ, Ali NM, Ren R, Qiao Y, Xue P, Jiang Y. Acceptance of clinical artificial intelligence among physicians and medical students: A systematic review with cross-sectional survey. Front Med (Lausanne). 2022 Aug 31; 9:990604. doi: 10.3389/fmed.2022.990604.
Brais Galdom Carla Pazos. Artificial intelligence in paediatrics: Current events and challenges. Ann, Pediatria; Vol. 100. Núm. 3. Pág, 195-201; marzo 2024.DOI: 10.1016/j.anpedi.2024.02.006
aipocrates.blog 