Cómo la inteligencia artificial y el aprendizaje automático revolucionarán la atención médica y el cuidado de la salud
Un informe de Goldman Sachs Research revela que la convergencia de la tecnología y la medicina, dos sectores económicos clave, resultarán en una ola de innovación que transformará el sector
“Estamos en un período emocionante en el que estamos viendo la convergencia de la tecnología y la atención médica, dos sectores económicos clave, y debemos asumir que dará como resultado una innovación significativa”, aseguró Richter, quien es uno de los autores de un informe que incluye contribuciones de los equipos de investigación de salud y tecnología de Goldman Sachs.
Para Richter, la combinación de los vastos conjuntos de datos multimodales de la atención médica y las ventajas competitivas de AI/ML en eficiencia, personalización y efectividad están preparadas para impulsar una ola innovadora en la atención médica.
“Desde el punto de vista de los datos, la industria de la salud produce y depende de cantidades masivas de datos de diversas fuentes. Eso crea un entorno rico para aplicar AI y ML. La necesidad de estas tecnologías está ahí dadas las ineficiencias en el sistema de salud”.
Para ejemplificar, dijo que se estima que se necesitan más de ocho años y USD 2 mil millones para desarrollar un medicamento, y la probabilidad de falla es bastante alta. La IA, incluida la IA generativa, se encuentra entre las tecnologías que tienen el potencial de crear medicamentos más seguros y eficaces y de optimizar la atención personalizada.
Y ya se dieron algunos primeros pasos.
Los primeros usos de la IA en la salud fueron en diagnósticos y dispositivos, en áreas como radiología, patología y monitoreo de pacientes. “El sistema de prueba PAPNET, un dispositivo de revisión de frotis cervical asistido por computadora, en 1995 fue el primer dispositivo médico habilitado para IA/ML autorizado por la FDA. En la década de 2000, otras autorizaciones involucraron captura de imágenes digitales, análisis de células, monitoreo de signos vitales junto a la cama y advertencias predictivas para incidentes en los que puede ser necesaria una intervención médica”, explica el coautor del informe.
Las grandes empresas tecnológicas también han participado, interviniendo como proveedores de soluciones en la nube y aplicando su experiencia tecnológica en áreas como dispositivos portátiles, modelos predictivos y atención virtual: “Un logro ampliamente comentado involucró un algoritmo de aprendizaje profundo que resolvió efectivamente el problema de décadas de predecir la forma en que se plegará una proteína en función de sus secuencias de aminoácidos, lo cual es crucial para el descubrimiento de fármacos”.
Lo cierto es que aún estamos muy lejos de que se cumpla esta integración entre la atención médica y la inteligencia artificial que viene prometiéndose hace décadas. Pero la pandemia del COVID-19 puso en foco su papel. La IA ayudó a las empresas a desarrollar vacunas y terapias de ARNm a velocidades sin precedentes, y la crisis sanitaria global subrayó la necesidad de soluciones digitales en el cuidado de la salud para mejorar el acceso y los resultados de los pacientes.
Fue sin dudas un punto de inflexión para la telesalud y el monitoreo remoto.
En el informe se describen las tecnologías que podrían ser transformadoras en el cuidado de la salud, que incluyen aprendizaje profundo, computación en la nube, análisis de big data y blockchain. También brinda casos de uso en el desarrollo de medicamentos, ensayos clínicos, análisis de atención médica, herramientas y diagnósticos, y atención personalizada.
Un ejemplo de cómo podría reflejarse esto en la realidad es en el desarrollo de fármacos. La IA/ML se puede utilizar para identificar nuevos objetivos, diseñar fármacos con propiedades favorables y predecir interacciones farmacológicas para minimizar la necesidad de la costosa metodología tradicional de desarrollo de ensayo y error en laboratorio húmedo.
Pero hay obstáculos. La industria de la salud depende de las patentes y la exclusividad, lo que plantea interrogantes sobre cómo se puede proteger la propiedad intelectual sin ralentizar el progreso, o cómo se puede compartir la información en la investigación de ingeniería de software que se beneficia de los datos de fuente abierta.
“La vacilación en torno a AI/ML puede verse exacerbada aún más por la necesidad de mejores sistemas de vigilancia para proteger a los pacientes de eventos de piratería, la falta de educación continua para los profesionales de la salud sobre los beneficios de estas tecnologías y la preocupación de que los modelos AI/ML pueden ser susceptible al sesgo como resultado de la subrepresentación histórica incrustada en los datos de entrenamiento”, contó Richter.
Con el furor de ChatGPT, la IA generativa está en boca de todos. También presenta innumerables oportunidades en la salud, como la generación de datos sintéticos para ayudar en el desarrollo de fármacos y diagnósticos donde la recopilación de datos sería costosa o escasa. Algunos ejemplos que muestra el informe incluyen el desarrollo de un modelo para producir resonancias magnéticas cerebrales anormales sintéticas para entrenar modelos de ML de diagnóstico y el uso de IA generativa para producir diseños de anticuerpos novedosos que son diferentes a los que se encuentran en las bases de datos existentes.
La IA generativa también puede ayudar en el diseño de nuevos medicamentos, la reutilización de medicamentos existentes para nuevas indicaciones y el análisis de factores centrados en el paciente, como la genética y el estilo de vida, para personalizar los planes de tratamiento.
ChatGPT, por su parte, podría usarse específicamente para realizar tareas administrativas, como programar citas y redactar aprobaciones de seguros para liberar tiempo al personal médico y no médico.
Aunque se ha sugerido que ChatGPT teóricamente podría ayudar en la toma de decisiones clínicas, como el diagnóstico, el analista dijo que “es probable que tarde un tiempo en generar suficiente confiabilidad y validación para esta aplicación dado el riesgo de alucinaciones, cuando el modelo genera contenido falso que puede parecer plausible”.
