La Inteligencia Artificial y la Salud

Durante los últimos siglos, los sistemas sanitarios se han centrado en tratar problemas agudos como roturas de huesos, infecciones, heridas, etc. Si tenías una infección, ibas al médico, te trataba y volvías a casa. En estos momentos, la mayoría de los problemas sanitarios son enfermedades crónicas, enfermedades relacionadas con el corazón, diabetes o asma. El tratamiento de este tipo de enfermedades, requiere muchas visitas al médico durante largos periodos de tiempo. En la sociedad actual, tratar las enfermedades crónicas como las agudas no va a funcionar a largo plazo, surge la necesidad de potenciar el autocuidado por parte de los pacientes y desplazar en lo posible muchos tratamientos desde las organizaciones sanitarias a la propia casa del paciente.

Los nuevos modelos sanitarios, donde el centro es el paciente, van a tener que empezar a utilizar toda la información de forma más eficiente, lo que implica necesariamente potenciar el análisis en tiempo real de esta información (bigdata) y el uso de tecnologías de Inteligencia Artificial (IA) y Machine Learning (ML).

Como ha comentado el responsable de IBM de Watson, con el que estoy totalmente de acuerdo, existen 4 áreas en las que la aplicación de técnicas de IA y ML van a ayudar a producir una revolución beneficiosa en los sistemas sanitarios:

• Gestión de la población a atender identificando.
• Optimización y mejora en la gestión de los sistemas sanitarios.
• Potenciar el autocuidado de los pacientes.
• Creación de sistemas de ayuda a la decisión asistencial.

La aplicación de la IA y el ML en estas áreas van a ser esenciales de cara a crear organizaciones sanitarias donde el paciente sea el centro y con atención personalizada a coste razonable.

 Muchos beneficios para millones de pacientes

Los beneficios potenciales de aplicar la IA y ML en la salud son enormes: mejora de los tratamientos y diagnósticos en muchas especialidades (como la tan estudiada oncología), monitorización fetal, identificación de los riesgos en la mezcla de administración de varios medicamentos, predicción de reingresos, etc. El ML y las redes neuronales son especialmente útiles para encontrar patrones en grandes volúmenes de datos como los que se obtienen de áreas como la genómica o la información en tiempo real generada por los diferentes dispositivos diseñados para el autocuidado, como los wearables y smartphones.

El análisis de información en tiempo real es muy importante para ciertas enfermedades como la diabetes y el control que se debe realizar de los niveles de azúcar en la sangre. El tener información de los niveles en tiempo real, permite optimizar las dosis del tratamiento diariamente y no esperar a las visitas programadas para realizar la medición teniendo en cuenta que ésta se puede ver afectada por factores externos. Este análisis en tiempo real, puede ayudar a mejorar la comunicación entre las organizaciones sanitarias y los pacientes. En muchas ocasiones, los pacientes además necesitan cambios en sus comportamientos cotidianos y la IA y ML puede ayudar a motivar a los pacientes a realizar estos cambios.

En medicina, en muchas ocasiones el diagnóstico médico es un problema de análisis de datos. Un ejemplo de esto es la empresa Enlitic, que está desarrollando modelos que ayuden a mejorar el diagnóstico en radiología utilizando la técnica de Deep learning. ¿Por qué se han centrado en la especialidad de radiología? Es una especialidad que genera mucha información de alta calidad debido a la mejora en las técnicas de visión por computador. Dentro de las patologías de la especialidad, se han centrado en la detección del cáncer de pulmón por su complejidad de detección en los estados iniciales y la importancia de su detección temprana en el éxito en las terapias oncológicas. Actualmente, sus modelos son capaces de identificar nódulos cancerígenos con una probabilidad de acierto de entre un 40-50% más que los radiólogos. Las razones de esto son varias:

• Bajada del rendimiento de los médicos después de varias horas trabajando.
• Condiciones de trabajo no ideales en muchas ocasiones.
• Dificultad para los médicos en la detección de nódulos muy pequeños.

Para los radiólogos en muchas ocasiones es muy difícil distinguir entre un tumor y venas en imágenes 2D. En imágenes 3D es mucho más sencillo, pero para los radiólogos son más complicadas de interpretar. Para un ordenador, el análisis de imágenes 3D es muy sencillo y a esto se une que un ordenador es capaz de analizar 50.000 casos en el mismo tiempo que un médico revisa uno. La aplicación de todo lo anterior, implica mejora de la calidad asistencial y salvar muchas vidas. El éxito de este tipo de modelos puede ser visto por los radiólogos como un proceso que los va a reemplazar, por lo que en este punto es donde se hace muy importante enfocar estas nuevas herramientas como ayudas al diagnóstico de dos maneras:

• Ayudar a los médicos a diagnosticar más y con más tasa de acierto.
• Aplicar machine learning en el cribado, ya que la detección es cara y produce muchos falsos positivos.

Barreras de entrada

Como ya hablamos en un artículo anterior, los sistemas sanitarios en general no están evolucionando al mismo ritmo que las nuevas tecnologías y la brecha es mayor en los campos de IA y ML. A esto se une que para muchos responsables es difícil entender cómo la AI y ML puede ayudar, pero también hay que añadir las barreras que establecen las regulaciones de los gobiernos, que implican poner muchas trabas a la innovación y creatividad. Podemos hablar de 4 grandes obstáculos:

• Problemas con la privacidad de los datos

Estas técnicas funcionan si existen datos históricos, pero ¿quién es el dueño de los datos? ¿Cómo podemos utilizar los datos personales? ¿Qué seguridad es necesaria en el uso de los mismos? Etc.

• Incentivos

La mayoría de las organizaciones sanitarias se miden por la cantidad y no por la calidad en la actividad asistencial. Esto implica que la medicina personalizada no tenga incentivos en las organizaciones sanitarias tal y como están diseñadas en estos momentos.

• Responsabilidad

¿Quién es el responsable si un sistema de IA / ML falla en sus tareas asistenciales? Este es un debate muy interesante que al final acaba siendo una barrera de entrada.

Por todo lo anterior, es fácil entender por qué en las organizaciones sanitarias es muy difícil implantar soluciones de bigdata, IA y ML a diferencia de otros sectores como la banca, retail, aseguradores, etc.

Medicina personalizada

El potencial de la medicina personalizada apareció hace más de 2 décadas. Actualmente, la IA y ML aportan el potencial suficiente como para hacerlo realidad. Esto es debido a que está construida alrededor del genoma humano de cada paciente y ese análisis había sido muy complicado hasta el momento. El ML permite crear modelos que descubren patrones de pacientes asociados a una enfermedad, lo que permite identificar medicamentos con mayores tasas de curación.

A esta medicina personalizada, también ayudan los wearables y dispositivos móviles que generan información en tiempo real, ya que estos sistemas pueden identificar patrones y ayudan a cambiar pautas según la información asociada al paciente, cambio de pautas de medicación, frecuencia, etc.

Datos y más Datos

La mayor barrera en el desarrollo y aplicación de la IA y ML en medicina es el acceso a la información. En muchas ocasiones, no está centralizada, ni estandarizada, ni integrada, ni compartida y sin información estos modelos no pueden ser desarrollados. Una solución a este problema sería el uso de plataformas en la nube donde las organizaciones puedan compartir la información de forma segura. En este sentido cobra mucha importancia el control para que la información se utilice para el propósito para el que se comparte y que ésta sea siempre privada y anónima. Para conseguir esto, se están desarrollando plataformas de comunicación donde se transmita la información de forma segura.

Mi experiencia en el sector me hace pensar que las organizaciones en nuestro país están un poco lejos de esta filosofía. La información que se comparte es más por requerimientos gubernamentales que por compartir la información para mejorar la calidad asistencial del paciente. Actualmente, se ven nuevas inversiones en el sector a nivel de las TIC, pero la mala noticia es que muchas de ellas van dedicadas a seguir incrementando los CPDs locales en lugar de mirar a arquitectura cloud.

Además, el objetivo de estos sistemas no es reemplazar a los médicos, que van a seguir siendo el centro de la actividad asistencial, tomarán las decisiones y determinaran las mejores soluciones pero los sistemas de IA/ML deben ser una herramienta en la que apoyarse para mejorar.

¿Que opináis sobre la penetración de estas nuevas técnicas en las organizaciones sanitarias?