El futuro de la IA en la sanidad según cuatro destacados expertos

“Para que las tecnologías emergentes como la IA tengan el máximo impacto en la atención sanitaria, debemos replantearnos fundamentalmente la forma de innovar”, afirma Gianrico Farrugia, presidente y director general de la Clínica Mayo, uno de los mayores sistemas sanitarios de Estados Unidos que atiende a más de 1,4 millones de pacientes cada año.

“Todos conocemos los retos a los que se enfrenta el sector sanitario, desde un número cada vez mayor de pacientes que buscan atención sanitaria hasta la desigualdad en el acceso y la calidad de la atención. Pero ha sido muy difícil abordar con éxito esos retos confiando en los modelos heredados”, añade.

“Lo que se necesita en la IA y en la innovación sanitaria en general es dejar de pensar en la cadena de producción y pasar a pensar en la plataforma”, afirma el Dr. Farrugia.

“El modelo tradicional se basa en una serie lineal de puntos, desde la aparición de nuevas ideas hasta su conversión en productos independientes que los proveedores y los pacientes pueden utilizar. En cambio, un enfoque de plataforma se basa en un ecosistema de colaboración permanente. Tenemos que reunir a los proveedores, las empresas de dispositivos médicos, las startups de tecnología de la salud, los pacientes y los inversores para crear conjuntamente soluciones integradas a través de plataformas digitales basadas en datos longitudinales de los pacientes y algoritmos que continúen aprendiendo con el tiempo”.

La Clínica Mayo está asumiendo un papel de liderazgo en esta transformación a través de Mayo Clinic Platform, una plataforma digital basada en la nube que está diseñada específicamente para la atención médica. Según el doctor Farrugia, para que cualquier plataforma de este tipo sea adoptada a escala, necesita salvaguardar la privacidad y la seguridad de los datos de los pacientes y, al mismo tiempo, permitir la innovación mediante un amplio acceso a los datos de los pacientes y a los modelos de IA. “Una plataforma digital en el ámbito de la sanidad debe ser altamente fiable y escalable al mismo tiempo. Por eso utilizamos una infraestructura de datos federada. En lugar de enviar los datos a los modelos de IA, estamos llevando los modelos de IA a los datos no identificados, creando una ‘pared de cristal’ que da a los colaboradores externos acceso a los resultados sin que los datos salgan nunca de la plataforma”.

Otro firme creyente en la cocreación es Dominic Cushnan, que colabora con los proveedores de atención sanitaria, el mundo académico y las empresas de tecnología sanitaria en su función de responsable de IA, Imagen y Desarrollo de la Dirección de Transformación del NHS, organismo que impulsa la transformación digital del Servicio Nacional de Salud británico. El laboratorio de IA del NHS, dirigido por Cushnan, tiene como objetivo eliminar las barreras que impiden el desarrollo y la implantación de soluciones de IA en el ámbito sanitario y asistencial, así como demostrar su impacto en el mundo real para los profesionales sanitarios y el público en general.

Uno de esos obstáculos para la adopción generalizada de algoritmos de IA es la necesidad de contar con conjuntos de datos amplios y representativos para validarlos. “Sólo a través de pruebas sólidas podemos garantizar que los algoritmos funcionen bien para la población en cuestión y, por lo tanto, crear confianza en la tecnología”, dice Cushnan.

Pero los datos del mundo real pueden ser difíciles de obtener. Esa es una de las razones por las que, durante el apogeo de la pandemia de COVID-19, el Laboratorio de IA del NHS trabajó junto con Philips y muchos otros para crear una base de datos nacional de imágenes torácicas relacionadas con la enfermedad para apoyar la labor de investigadores de toda Inglaterra en su intento de comprender el virus y desarrollar tecnologías de IA que permitan la mejor atención a los pacientes hospitalizados con una infección grave.

“Disponer de un conjunto de datos tan grande nos permite comprobar el posible sobreajuste de los algoritmos de IA, mientras que el propio conjunto de datos permanece cerrado a los desarrolladores en todo momento”, explica Cushnan. “Una cosa que hemos aprendido a través de nuestras pruebas es que diferentes poblaciones, incluidas las minorías étnicas, pueden tener especificidades clínicas que llevan a un algoritmo a tener un rendimiento inferior para ciertos pacientes. Esto demuestra lo importante que es validar los algoritmos con un conjunto de datos del mundo real que sea representativo de la población objetivo”.

“Aunque contar con la plataforma y la infraestructura de datos adecuadas contribuirá en gran medida a promover una mayor adopción de la IA en la sanidad, se necesita algo más para superar la brecha entre la investigación académica y su aplicación en el mundo real”, afirma Mark Hoogendoorn, profesor de IA en la Universidad de Ámsterdam.

“La sanidad presenta retos únicos que requieren que los métodos de IA, como el aprendizaje automático, se adapten mejor al ámbito médico. Los datos sobre enfermedades específicas o grupos de pacientes pueden ser limitados. Y lo que es especialmente importante de reconocer en la atención sanitaria es que la toma de decisiones a menudo implica problemas muy secuenciales, en los que las personas tienen que tomar varias decisiones seguidas, y el resultado de una decisión afecta a la siguiente. Por ejemplo, un médico puede decidir un determinado tratamiento, por ejemplo una medicación, que luego afecta al curso de la enfermedad del paciente, tras lo cual el médico necesita tomar otras decisiones basadas en la trayectoria única de la enfermedad de ese paciente”.

Para apoyar esta toma de decisiones secuencial con IA, el profesor Hoogendoorn es un pionero en el uso del aprendizaje por refuerzo en la atención sanitaria, que es un tipo de aprendizaje automático que aprende de los resultados de cada acción en una secuencia para optimizar un objetivo final determinado. En un entorno sanitario, un resultado positivo puede ser que un paciente se recupere o sea dado de alta de la unidad de cuidados intensivos (UCI).

Con el uso del aprendizaje por refuerzo, el profesor Hoogendoorn y sus colaboradores están abordando problemas complejos como la determinación de la mejor estrategia de tratamiento para un paciente con sepsis, que es la causa más frecuente de ingreso en la UCI y la causa más común de muerte en la UCI [1].

Otra de las pioneras en tender un puente entre el mundo académico y la práctica clínica es Mihaela van der Schaar, profesora de Aprendizaje Automático, Inteligencia Artificial y Medicina en la Universidad de Cambridge. Su laboratorio de investigación desarrolla métodos vanguardistas de aprendizaje automático e inteligencia artificial para la atención sanitaria en estrecha colaboración con médicos y pacientes.

“La complejidad de la atención sanitaria exige que abordemos numerosos y diversos retos: desde la mejora de la calidad de los datos sanitarios hasta el desarrollo de nuevos métodos que ayuden a personalizar la atención, así como a hacer que los resultados de esos modelos sean interpretables y fiables para médicos y pacientes. El aprendizaje automático puede ayudar a abordar todos esos retos, y eso es exactamente en lo que se centra nuestro laboratorio”.

Por ejemplo, para abordar los retos relacionados con la privacidad en el acceso a los datos para el desarrollo de la IA, Van der Schaar y su equipo han sido pioneros en el uso de modelos generativos para crear los llamados datos sintéticos. “Los datos sintéticos pretenden reproducir las propiedades estadísticas de un conjunto de datos del mundo real al tiempo que salvaguardan la privacidad del paciente”, explica. “Como ventaja adicional, los datos sintéticos también pueden aumentar la imparcialidad de los modelos de IA al corregir los posibles sesgos de los datos del mundo real”.

Van der Schaar y su laboratorio también están ampliando los límites en el uso del aprendizaje automático para resolver los desafíos clínicos del mundo real, como la personalización de los planes de tratamiento para los pacientes con condiciones complejas como el cáncer. “Diferentes pacientes con cáncer tienen diferentes trayectorias de la enfermedad y responden de manera diferente al mismo tratamiento. Utilizando modelos avanzados de aprendizaje automático, podemos hacer que la atención sea más personalizada ayudando a los médicos a decidir qué tratamiento puede funcionar mejor para un paciente concreto en un momento específico, dadas sus características e historial únicos”.

Estos modelos sólo se adoptarán en el ámbito clínico si los resultados son muy precisos, además de interpretables y fiables, añade Van der Schaar. Gracias a las sesiones periódicas de participación con los médicos, ha aprendido que éstos tienen unas expectativas mucho más altas de lo que se suele suponer en cuanto a la interpretación de los modelos de IA.

“Los médicos quieren algo más que una explicación de cómo ciertas características del paciente sustentan la predicción de un modelo. Quieren el mismo nivel de transparencia de los métodos estadísticos clásicos, como el análisis de regresión, y entender qué reglas o leyes ha desentrañado el modelo. Para satisfacer estas necesidades, estamos trabajando en metamodelos simbólicos que pueden ayudar a desmitificar la caja negra de la IA para los clínicos”.