Diez ejemplos reales de IA en la sanidad

Esto empieza por colocar al paciente en la posición correcta para el examen. En la TC, el mal posicionamiento del paciente es un problema común, que puede dar lugar a un aumento de la dosis de radiación para el paciente o al ruido de la imagen [1]. La tecnología de cámara con IA puede detectar automáticamente puntos de referencia anatómicos en un paciente para permitir un posicionamiento rápido, preciso y consistente del paciente. Además, la reconstrucción de imágenes con IA puede ayudar a reducir la dosis de radiación y mejorar la calidad de las imágenes de TC, lo que favorece la confianza en el diagnóstico.

La reconstrucción de imágenes basada en la inteligencia artificial puede acelerar los exámenes de RM para aumentar la productividad del departamento y reducir el coste por examen, al tiempo que contribuye a la confianza en el diagnóstico con imágenes de alta resolución. Además, la tecnología aumenta la accesibilidad de la RM para los pacientes estresados, con ansiedad o con dolor. Como acorta los exámenes y proporciona exploraciones a la primera, independientemente del estado del paciente, éste pasa menos tiempo en el escáner, lo que mejora su experiencia.

Con la IA, podemos eliminar parte de ese trabajo manual y repetitivo, al igual que en algunos de los otros ejemplos de IA en la sanidad de este resumen. Las mediciones automáticas basadas en la IA pueden ofrecer una cuantificación de ecos rápida y reproducible, mejorando la experiencia tanto del paciente como del personal. Los profesionales sanitarios pueden aceptar o modificar las mediciones en función de sus propias evaluaciones clínicas, lo que les proporciona una poderosa herramienta para mejorar su experiencia mientras mantienen el control de la toma de decisiones de diagnóstico.

Por ejemplo, se ha demostrado que los algoritmos de IA que recorren las imágenes de RM del cerebro en busca de cambios neurológicos sutiles a lo largo del tiempo mejoran la precisión del diagnóstico en pacientes con esclerosis múltiple en un 44%, al tiempo que reducen el tiempo de lectura [3]. Del mismo modo, la detección de nódulos pulmonares basada en la IA puede realizar la búsqueda de nódulos un 26% más rápido, detectando el 29% de los nódulos que antes se pasaban por alto en comparación con la inspección manual [4]. Para los radiólogos que tienen que interpretar más imágenes que nunca y que están presionados por el tiempo, esta ayuda basada en la IA puede suponer una diferencia significativa, al tiempo que beneficia al paciente.

En el futuro, la integración inteligente de los datos podría aportar más información sobre el pronóstico de un paciente, apoyando la selección de la mejor vía de atención para ese paciente en particular, basada en un análisis de los resultados del tratamiento de pacientes similares.

Por ejemplo, en la atención de los accidentes cerebrovasculares, la IA basada en la nube puede ayudar a analizar las imágenes de TC para detectar automáticamente la oclusión de grandes vasos -una de las principales causas de los accidentes cerebrovasculares-, así como su ubicación. A continuación, el software comparte este análisis con los médicos del centro primario de ictus y del centro de intervención en el que finalmente se trata al paciente. Del mismo modo, la IA basada en la nube puede ayudar a planificar y guiar la cirugía endovascular, ayudando a los médicos intervencionistas a operar con mayor precisión y eficiencia.

Al monitorizar automáticamente las constantes vitales y calcular las puntuaciones de alerta temprana que señalan un posible deterioro del paciente, las herramientas basadas en la IA pueden ayudar al personal de enfermería y a los equipos asistenciales a identificar los primeros signos de eventos como la insuficiencia respiratoria o la parada cardíaca, lo que les permite responder rápidamente. De este modo, un hospital consiguió reducir los acontecimientos adversos graves en la sala general en un 35% y las paradas cardíacas en más de un 86% [6].

Por ejemplo, a través de la teledetección, podemos supervisar y analizar más de 500 parámetros en una máquina de resonancia magnética, lo que nos permite identificar de forma proactiva cuándo ciertas piezas de hardware pueden necesitar mantenimiento o sustitución. De este modo, el 30% de los casos de mantenimiento pueden resolverse antes de que se produzca un tiempo de inactividad, lo que evita interrupciones evitables de la práctica clínica y retrasos innecesarios de los pacientes [7]. En el futuro, disponer de un gemelo digital completo, o una representación virtual de toda una flota de equipos de imagen, podría permitir un mantenimiento predictivo aún más exhaustivo y una optimización operativa continua.

Gracias al poder de la IA, podemos extraer patrones relevantes de grandes cantidades de datos hospitalarios históricos y en tiempo real para predecir y gestionar el flujo de pacientes. Esto genera información procesable que puede ayudar a responder a preguntas como: ¿qué paciente debe recibir primero una cama de cuidados intensivos? O bien: ¿qué paciente está listo para ser trasladado a una unidad de cuidados intensivos? Con esta información al alcance de la mano, los profesionales sanitarios pueden aprovechar al máximo sus valiosos recursos y gestionar las transiciones asistenciales con mayor eficacia, desde el ingreso hasta el alta, garantizando que cada paciente reciba la atención adecuada en el lugar adecuado y en el momento oportuno.

Con el análisis asistido por la IA, la atención cardiaca podría llegar a ser más predictiva y proactiva. Un estudio reciente subraya este potencial, mostrando cómo un modelo de aprendizaje profundo puede predecir el riesgo a corto plazo de fibrilación auricular basándose en registros Holter de 24 horas [8]. Es un ejemplo más de cómo la IA puede ayudar a mejorar la vida de los pacientes, consiguiendo la atención que necesitan antes.

Descargue nuestro documento expositivo “Cómo la IA puede mejorar la experiencia humana en la asistencia sanitaria”