Integración de la Inteligencia Artificial en las Evaluaciones Económicas de la Salud

Juan Camilo Hernández Ruiz. Químico Farmacéutico UdeA. Master en Económica de la salud U. CES. Miembro Fundador AIpocrates.

Eduardo Dueñas Manosalva. MD Esp. Derecho Médico, MSc Administración y finanzas en salud, MBA, Candidato a Título de Doctor en Economía y Finanzas. Docente Universitario. Miembro Fundador AIpocrates.

Luis Eduardo Pino Villarreal MD, MSc, MBA. Fundador AIpocrates. CEO Oxler.

La inteligencia artificial (IA) ha revolucionado múltiples disciplinas del conocimiento, como la Matemática, la Informática, la Economía y la Ingeniería. Actualmente, la IA se ha implementado en aplicaciones prácticas, permitiendo avances significativos en diversos campos (1). La automatización de procesos, respaldada por herramientas tecnológicas como software especializado, ha demostrado ser muy útil para gestionar eficientemente la gran cantidad de datos disponibles. Esto facilita la interpretación de la información y permite la toma de decisiones más acertadas para alcanzar los objetivos previstos (2). La digitalización de datos ha adquirido una relevancia creciente en la sociedad actual. Cada vez es más común observar cómo las herramientas de IA se aplican en diferentes ámbitos, aprovechando la vasta cantidad de datos disponibles para extraer información valiosa. A medida que aumenta la disponibilidad de datos digitales, se facilita la aplicación de técnicas de IA (3).

La economía de la salud es una rama especializada de las ciencias económicas que se enfoca en los temas de salud, utilizando conceptos y herramientas del análisis económico. Esta disciplina abarca aspectos como enfermedades, programas, servicios y sistemas de salud, examinándolos desde una perspectiva económica específica. Los métodos utilizados, una contribución clave de los economistas, incluyen distintas variables que proporcionan herramientas para la toma de decisiones. Por lo tanto, este campo requiere un enfoque interdisciplinario.

El origen de la economía de la salud se atribuye al artículo del premio Nobel Kenneth Arrow, «Uncertainty and the Welfare Economics of Medical Care» (4). Este artículo presenta un marco teórico que permite aplicar el análisis del bienestar no solo al sector de la salud, sino también a otros ámbitos, ayudando a identificar el mecanismo más eficiente para alcanzar el bienestar. Arrow concluye que, debido a la incertidumbre sobre la aparición de enfermedades y la efectividad de los tratamientos, el mercado no es un mecanismo adecuado para alcanzar eficiencia en el ámbito de la salud. Por lo tanto, se requiere de intervención colectiva o directa.

En Colombia, la economía de la salud ha tenido un crecimiento significativo, especialmente después de la promulgación de la Ley 100 de 1993. Esta ley despertó el interés de economistas y especialistas en la materia, quienes comenzaron a abordar cuestiones económicas desde la gestión en salud. Durante los primeros ocho años de implementación, se observó un aumento en la producción académica, en el número de investigaciones, artículos, trabajos de grado y eventos académicos (5).

En la actualidad, existe un aumento en las innovaciones médicas y el desarrollo científico, con la generación de nuevos tratamientos y tecnologías para diversas enfermedades. Sin embargo, esto ocurre en un contexto de creciente demanda, debido principalmente al envejecimiento de la población y la carga de la enfermedad. Estos escenarios son cada vez más complejos, en un entorno de recursos sanitarios limitados y presupuestos ajustados. Los modelos económicos de salud proporcionan evidencia sobre los costos y resultados clínicos de las nuevas tecnologías sanitarias en comparación con las existentes (6). Estos modelos son herramientas fundamentales para orientar la toma de decisiones en salud, especialmente en lo relacionado con la evaluación de tecnologías que influyen en las decisiones de acceso al mercado (7). También permiten analizar el impacto económico en los diferentes elementos estructurales de los sistemas de salud (perfil epidemiológico, normatividad, nuevas tecnologías, tarifas y costos).

Durante la fase de construcción de un modelo económico, el equipo interdisciplinario puede utilizar distintos softwares, como R o Excel, para programar el modelo según un diseño predefinido. Recientemente, los modelos de lenguaje grande (LLM), como GPT4, son algoritmos que pueden generar secuencias de texto, lo que permite facilitar ciertas etapas de construcción de los modelos económicos (8).

El desarrollo de un modelo económico de salud consta normalmente de cuatro etapas: conceptualización del modelo, estimación de parámetros, construcción del modelo y validación, como se muestra en la Figura 1 (9).

Conceptualización del Modelo: Los LLM pueden ayudar proporcionando sugerencias basadas en la literatura existente o en datos específicos. No obstante, la conceptualización requiere un profundo conocimiento del dominio y la capacidad de formular preguntas relevantes de investigación.

1. Estimación de los Parámetros: Los LLM pueden asistir en la interpretación de datos y en la implementación de métodos estadísticos o econométricos necesarios para estimar los parámetros. Sin embargo, la validación de estos parámetros y su adaptación a datos específicos pueden requerir supervisión humana.
2. Construcción del Modelo: Aquí es donde los LLM tienen un potencial significativo. Pueden generar código a partir de descripciones en lenguaje natural para implementar el modelo en software como R o Excel. La calidad del código dependerá de la precisión y claridad de las instrucciones proporcionadas.
3. Validación del Modelo: Los LLM pueden asistir en la creación de pruebas y en la interpretación de resultados, pero la validación rigurosa del modelo, como la comparación con datos reales y la evaluación de su robustez, aún requiere la experiencia humana para realizar los ajustes necesarios.

Cuando se realiza una evaluación económica basada en un modelo matemático, es necesario justificar claramente la selección del tipo de modelo, su estructura, los supuestos y las fuentes de información utilizadas para los parámetros. Los modelos matemáticos en las evaluaciones económicas de salud representan un sistema conformado por un conjunto de elementos interrelacionados. Las interacciones entre estos elementos suelen describirse mediante algoritmos matemáticos, integrando evidencia sobre efectividad, seguridad, costos, ineficiencias, desperdicios y preferencias (10).

La selección del modelo adecuado debe estar debidamente justificada y aprobada por el equipo interdisciplinario, considerando variables clave como la patología de interés, la historia natural de la enfermedad, el horizonte temporal, la disponibilidad de información sobre población, efectividad, uso de servicios, costos de las tecnologías y contratación basada en valor.

Modelos de Decisión: Árboles de Decisión y Modelos de Markov

Árboles de Decisión

Los árboles de decisión representan la secuencia de eventos (consecuencias) de una decisión. Son útiles para modelar enfermedades agudas, donde la probabilidad de eventos recurrentes puede considerarse nula. Las características más importantes incluyen:

1. Punto de Arranque: Describe la población objetivo de la evaluación económica.
2. Nodo de Decisión: Indica el momento en que se debe elegir entre diferentes opciones.
3. Nodo Probabilístico: Muestra posibles resultados de una decisión, más allá del control de los investigadores.
4. Nodo Terminal: Indica los resultados finales del análisis.

Aunque los árboles de decisión tienen limitaciones, como la incapacidad de modelar el efecto del tiempo en los eventos, su uso es aconsejable para problemas de decisión relativamente sencillos (11).

Modelos de Markov

Se utilizan para evaluar patologías con transiciones entre estados a lo largo del tiempo, especialmente para enfermedades crónicas. Estos modelos permiten estimar los costos y desenlaces de salud asociados con una enfermedad y una tecnología en particular (12).

Algunas investigaciones han demostrado las oportunidades y cambios que se han presentado en el uso de técnicas de machine learning in HEOR (Health Economics and Outcomes Research), cada vez es más común la implementación de técnicas de IA en la elaboración de evaluaciones económicas en salud automatizando procesos como  la selección de la características de modelo económico, con el fin de definir cuál sería el mejor desenlace, seguido de todo lo correspondiente a los análisis predictivos permitiendo predecir resultados basados en el análisis de datos previos, hasta identificar la interferencia causal considerando los supuestos del estudio y las estrategias de estimación, permitiendo identificar el efecto par al toma de decisiones de los investigadores. Estas técnicas han permitido mejorar en gran medida la elaboración de evaluaciones económicas en salud actualmente. (15)

Herramientas Especializadas y el Uso de la IA

Existen herramientas como TreeAge Pro®, un software líder en análisis económico de la salud, que permite construir modelos visuales como árboles de decisión y modelos de Markov, facilitando la evaluación de diferentes intervenciones sanitarias (TreeAge Software, 2024). Además, los LLM contribuyen en la generación de códigos y análisis, aunque siempre requieren revisión para evitar sesgos y errores.

La programación automática todavía no garantiza la creación de códigos sin errores, esto depende en gran medida de la calidad y especificidad de las instrucciones dadas.

El uso de LLM en la automatización de la construcción de los modelos económicos en salud representa avance prometedor en la unión de inteligencia artificial y la economía de la salud. La investigación futura podría centrarse en:

• Desarrollo de Herramientas Especializadas: Crear herramientas que integren LLM con software de modelado para mejorar la precisión y relevancia del código generado.
• Mejora de la Interpretación de Datos: Desarrollar técnicas que permitan a los LLM entender mejor el contexto y los matices de los datos específicos del modelo.
• Validación Automatizada: Explorar métodos para la validación automática del código y los modelos generados para reducir la necesidad de revisión manual.

Una visión general de la automatización de los modelos económicos basados en inteligencia artificial ha demostrado un proceso de desarrollo más rápido como lo muestra la (figura 5). Este diagrama muestra el proceso utilizado modelos económicos utilizando técnicas de IA en el cual se establecen las indicaciones designadas para el modelo, las cuales se integran y se automatizan con Python y GPT-4, completando el modelo con R script. Luego de realizar este proceso se desarrolla el modelo económico por medio de una interfaz de programación de aplicaciones API, acompañado de GPT-4 4 preentrenado (16)

La economía de la salud se enfrenta a desafíos constantes debido a eventos impredecibles como pandemias y desastres naturales. Estos eventos complican la toma de decisiones en aspectos médicos y económicos en los hospitales. Huang (14) describe tres métodos basados en IA para apoyar la gestión de recursos en instituciones de salud. Estos métodos incluyen aprendizaje por refuerzo (RL), algoritmos genéticos y problemas del vendedor viajero (TSP, por sus siglas en inglés), estos son:

Método 1: Aprendizaje por Refuerzo (RL). El aprendizaje por refuerzo se utiliza para optimizar la gestión de recursos a través de un proceso iterativo. Los modelos identifican acciones como «idle» o «share» basadas en recompensas o penalizaciones, para encontrar el mejor equilibrio en la asignación de recursos. Vale la pena mencionar que este es uno de los entrenamientos más complejos pero de mayor rendimiento en el mundo de la IA y se viene aplicando cada vez con mayor fuerza en medicina. El RL es uno de los múltiples entrenamientos de los LLMs.

Método 2: Algoritmos Genéticos (GA). Inspirados en la selección natural, los GA optimizan problemas complejos de asignación de recursos hospitalarios. Se utilizó un enfoque binario y permutación para representar decisiones, como compartir recursos o no, basado en funciones de aptitud que incluyen variables como el número de camas, tasa de mortalidad y costos. Los GA son de utilidad en problemas específicos de destinación de recursos como distribución de ambulancias.

Método 3: Problema del Viajero (TSP). Este método optimiza rutas para la distribución de recursos en función de diversos factores, como la distancia y la disponibilidad de recursos, mediante algoritmos genéticos.

Estos tres métodos pueden usarse para optimizar la medición de los resultados en econometría así:

• El uso del aprendizaje por refuerzo ofrece un sistema de toma de decisiones proactivo, especialmente útil para predecir fallos tempranos y guiar la política hospitalaria en tiempo real.
• Los algoritmos genéticos generen sugerencias sobre si un hospital debería solicitar recursos adicionales. Se utiliza una función de aptitud (fitness) para clasificar los hospitales según su preparación para eventos de emergencia.
• El método TSP identifica rutas óptimas para la distribución de recursos médicos, considerando factores como costo, urgencia y distancia, logrando una mejor asignación de recursos en situaciones críticas.

Estos métodos proporcionan indicadores y estrategias claras para optimizar la gestión de recursos, lo cual impacta directamente en los desenlaces económicos. Al utilizar enfoques de IA como el aprendizaje por refuerzo, se pueden medir desenlaces econométricos, como la eficiencia en el uso de camas hospitalarias, costos y tiempos de recuperación. El análisis mediante funciones de aptitud permite evaluar la efectividad de las decisiones de gestión de recursos. La IA ofrece una alternativa efectiva para tomar decisiones económicas y políticas durante eventos críticos en salud. Los tres métodos permiten a los gestores de salud predecir, gestionar y optimizar la asignación de recursos, aportando un enfoque basado en datos para mejorar los desenlaces económicos en salud.

Conclusión

La AI en economía de la salud será el camino a escenarios de gestión de datos, de medición, seguimiento y de predictibilidad, lo que permitirá la toma decisiones que generen valor a las personas y a los sistemas de salud.

BIBLIOGRAFIA

1.  Yang X, Wang Y, Byrne R, Schneider G, Yang S. Concepts of artificial intelligence for computer-assisted drug discovery. Chem Rev [Internet]. 2019;119(18):10520–94. Disponible en: http://dx.doi.org/10.1021/acs.chemrev.8b00728

2.  Agrawal P. Artificial intelligence in drug discovery and development. J Pharmacovigil [Internet]. 2018;06(02). Disponible en: https://www.longdom.org/open-access/artificial-intelligence-in-drug-discovery-and-development-2329-6887-1000e172.pdf

3.  Zhavoronkov A, Vanhaelen Q, Oprea TI. Will artificial intelligence for drug discovery impact Clinical Pharmacology? Clin Pharmacol Ther [Internet]. 2020;107(4):780–5. Disponible en: http://dx.doi.org/10.1002/cpt.1795

4.  Arrow KJ. Uncertainty and the welfare economics of medical care. 1963. Bulletin of the World Health Organization. 2004;82(2):141.

5.  Restrepo Zea JH, Ramírez Gómez L. Dos décadas de economía de la salud en Colombia. Cuad Econ [Internet]. 2020;39(79):249–78. Disponible en: https://www.redalyc.org/articulo.oa?id=282163006010

6.  York.ac.uk. [citado el 24 de agosto de 2024]. Disponible en: https://pure.york.ac.uk/portal/en/publications/methods-for-the-economic-evaluation-of-health-care-programme-thir

7.  Caro JJ, Briggs AH, Siebert U, Kuntz KM. Modeling good research practices—overview: A report of the ISPOR-SMDM modeling good research practices task force-1. Value Health [Internet]. 2012 [citado el 24 de agosto de 2024];15(6):796–803. Disponible en: https://pubmed.ncbi.nlm.nih.gov/22999128/

8.  Poldrack RA, Lu T, Beguš G. AI-assisted coding: Experiments with GPT-4 [Internet]. arXiv [cs.AI]. 2023 [citado el 24 de agosto de 2024]. Disponible en: http://arxiv.org/abs/2304.13187

9.  Ling H, Chang MW. A novel synchronization approach using synthetic magnetic Escherichia coli. Synth Syst Biotechnol [Internet]. 2019 [citado el 24 de agosto de 2024];4(3):130–1. Disponible en: http://dx.doi.org/10.1016/j.synbio.2019.06.001

10.  Drummond M, Barbieri M, Cook J, Glick HA, Lis J, Malik F, et al. Transferability of economic evaluations across jurisdictions: ISPOR good research practices task force report. Value Health [Internet]. 2009;12(4):409–18. Disponible en: http://dx.doi.org/10.1111/j.1524-4733.2008.00489.x

11.  McCabe C, Claxton K, Culyer AJ. The NICE Cost-Effectiveness Threshold: What it is and What that Means. Pharmacoeconomics [Internet]. 2008 [citado el 24 de agosto de 2024];26(9):733–44. Disponible en: https://pubmed.ncbi.nlm.nih.gov/18767894/

12.  Augustovski F, Garay OU, Pichon-Riviere A, Rubinstein A, Caporale JE. Economic evaluation guidelines in Latin America: a current snapshot. Expert Rev Pharmacoecon Outcomes Res [Internet]. 2010 [citado el 24 de agosto de 2024];10(5):525–37. Disponible en: https://pubmed.ncbi.nlm.nih.gov/20950069/

13.  Claxton KP, Sculpher MJ. Using value of information analysis to prioritise health research: Some lessons from recent UK experience. Pharmacoeconomics [Internet]. 2006 [citado el 24 de agosto de 2024];24(11):1055–68. Disponible en: https://pubmed.ncbi.nlm.nih.gov/17067191/

14. Huang C-H, Batarseh FA, Boueiz A, Kulkarni A, Su P-H, Aman J. Measuring outcomes in healthcare economics using Artificial Intelligence: With application to resource management. Data & Policy. 2021;3. doi:10.1017/dap.2021.29

15. Ispor.org. [citado el 28 de septiembre de 2024]. Disponible en: https://www.ispor.org/docs/default-source/euro2023/206the-place-of-artificial-intelligence-in-hta-and-heorfinal.pdf?sfvrsn=7b0eb2c3_0

16. Reason T, Rawlinson W, Langham J, Gimblett A, Malcolm B, Klijn S. Artificial intelligence to automate health economic modelling: A case study to evaluate the potential application of large language models. Pharmacoeconom Open [Internet]. 2024;8(2):191–203. Disponible en: http://dx.doi.org/10.1007/s41669-024-00477-8