El papel de la IA en la atención sanitaria: mejorar la precisión diagnóstica y terapéutica

Puntos clave

• La inteligencia artificial (IA) está redefiniendo el diagnóstico y la terapia personalizada a través de herramientas como el aprendizaje automático, la visión por computadora y el procesamiento del lenguaje natural.
• Los sistemas impulsados por la IA han mejorado la precisión del diagnóstico en campos como radiología, dermatología, cardiología y oncología.
• La terapia personalizada se está volviendo más adaptativa y precisa, gracias al descubrimiento de fármacos basado en la IA, la genómica y la tecnología portátil.
• La integración de la IA en el cuidado de la salud plantea preocupaciones éticas, reglamentarias y logísticas, incluidos los prejuicios, la privacidad de los datos y la confianza de los médicos.
• La implementación en el mundo real muestra tanto promesa como resistencia; el futuro de la IA en medicina depende de la colaboración entre humanos y IA y una supervisión reglamentaria clara.

Una revolución que no se puede ignorar

En 2016, DeepMind de Google sorprendió al mundo médico cuando su sistema de IA superó a los radiólogos expertos en la detección de más de 50 condiciones oculares utilizando escáneres de retina, logrando una precisión del 94% en la clasificación de casos urgentes-a menudo atrapando lo que los médicos humanos no han visto (De Fauw y otros, 2018). Avance rápido a hoy, y AI no es solo el análisis de imágenes. Se trata de predecir los problemas cardíacos, detectar el cáncer antes y guiar la terapia basada en la biología individual.

La inteligencia artificial en el cuidado de la salud no es ciencia ficción; ahora es un socio para el diagnóstico y la toma de decisiones. Pero con su promesa viene preguntas críticas: ¿Podemos confiar en los algoritmos con llamadas de vida o muerte? ¿Quién asegura que estas herramientas son justas y seguras? Este artículo explora cómo la IA está transformando el cuidado de la salud y qué está en juego si nos equivocamos.

¿Qué es la IA en el cuidado de la salud, realmente?

En su esencia, la IA en el cuidado de la salud se refiere a los sistemas informáticos que simulan la inteligencia humana para extraer información de datos médicos. Estos sistemas se dividen en categorías como:

• Aprendizaje automático (ML): Se utiliza para predecir el riesgo o los resultados de las enfermedades mediante la formación a partir de grandes conjuntos de datos (Jiang y otros, 2017).
• Aprendizaje Profundo: Especialmente útil para la interpretación de imágenes, como en radiología y dermatología.
• Procesamiento del lenguaje natural (NLP): Se utiliza para extraer información de registros médicos electrónicos (EMR), documentos de investigación y notas clínicas (Shickel y otros, 2018).
• Visión por Computador: Permite que la IA interprete imágenes diagnósticas como radiografías o diapositivas de patología.

Estas tecnologías han evolucionado desde los sistemas basados en reglas de la década de 1980 hasta los modelos actuales impulsados por datos, gracias a una capacidad informática más accesible y a los datos médicos digitalizados.

Diagnosticar con más precisión que nunca

La IA ya está superando a los seres humanos en determinadas tareas de diagnóstico. Un estudio naturaleza reveló que el modelo de aprendizaje profundo de Google Health redujo los falsos positivos en un 5,7% y los falsos negativos en un 9,4% en las pruebas de detección del cáncer de mama en comparación con seis radiólogos expertos (McKinney y otros, 2020).

En situaciones de emergencia, plataformas como Aidoc ayudan a los profesionales de la salud a informar sobre embolismos pulmonares o apoplejías en cuestión de minutos, lo que reduce el tiempo de tratamiento y mejora las tasas de supervivencia (Aidoc, 2023). Mientras tanto, Tempus combina patología, EMR y genómica para informar las decisiones de terapia contra el cáncer, especialmente en casos complejos.

La dermatología también está experimentando una transformación. Los modelos de IA entrenados en miles de imágenes de lesiones cutáneas pueden detectar el melanoma con una precisión comparable o superior a la de los dermatólogos, según un Lancet Digital Health estudiar (Tschandl y otros, 2020).

De un tamaño único a una terapia personalizada

La IA está revolucionando la transición de la atención reactiva a la proactiva:

• fármacos: Las empresas como Insilico Medicine utilizan la IA para modelar cómo los medicamentos interactúan con la biología humana, acelerando el descubrimiento y reduciendo los costes de I+D (Zhou y otros, 2021).
• Genómica: AlphaFold de DeepMind resolvió el desafío de décadas de predecir el plegamiento de proteínas con precisión casi de laboratorio, desbloqueando conocimientos sobre problemas intestinales inflamatorios, condiciones autoinmunes y biología del cáncer (Senior y otros, 2020).
• Dispositivos portátiles: Las tecnologías inteligentes ahora rastrean la biometría y activan intervenciones en tiempo real. Los sistemas de neuromodulación vagal impulsados por la IA, por ejemplo, se están explorando para apoyar dinámicamente el equilibrio mental, reducir los síntomas del trauma y ayudar a los problemas del sueño (Fauver et al., 2021).

La medicina personalizada guiada por IA no solo aumenta la efectividad sino que también reduce los efectos secundarios al tener en cuenta la genética específica del usuario, las comorbilidades y el comportamiento.

Obstáculos éticos, clínicos y reglamentarios

Sin embargo, la revolución de la IA trae desafíos reales.

• Sesgo en los conjuntos de datos: Se encontró que una herramienta de IA ampliamente utilizada en hospitales de EE. UU., sistemáticamente subestima las necesidades de atención de los usuarios negros al basarse en el gasto histórico en salud en lugar de datos clínicos (Obermeyer et al., 2019).
• Explicabilidad: La mayoría de los modelos de IA, especialmente las redes neuronales profundas, se consideran "cajas negras", por lo que es difícil explicar sus decisiones-una barrera a la confianza clínica (Doshi-Velez & Kim, 2017).
• Aislamiento: Garantizar el cumplimiento de HIPAA y GDPR es especialmente complejo cuando las herramientas de inteligencia artificial acceden a flujos de datos en tiempo real.
• Supervisión reglamentaria: La FDA ha aprobado varias herramientas basadas en IA, incluyendo IDx-DR para el cribado ocular diabético, bajo su marco de software como dispositivo médico (SaMD) (FDA, 2020).

Sin embargo, los criterios de aprobación varían a nivel mundial. Si bien los EE.UU. y la UE están desarrollando vías de adaptación para las herramientas de IA, la mayoría de los países todavía carecen de planes regulatorios sólidos.

Suscríbase gratis para obtener artículos de salud más perspicaces adaptados a sus necesidades.

¿Hay profesionales de la salud a bordo?

Depende. En un 2023 Stanford Medicine informe, el 85% de los profesionales de la salud dijo que la IA podía ayudar a reducir las cargas de documentación, pero sólo el 38% confiaba en ella para tomar decisiones diagnósticas (Stanford Medicine 2023 Health Trends Report).

La resistencia a menudo proviene de las preocupaciones sobre la interrupción del flujo de trabajo, las necesidades de formación y la responsabilidad. Sin embargo, los modelos colaborativos, en los que la IA apoya -pero no anula- el juicio clínico, están ganando popularidad. Instituciones como Mayo Clinic y Cleveland Clinic ahora están diseñando conjuntamente soluciones de IA con la participación de los médicos para garantizar su relevancia y usabilidad.

El futuro: lo que viene

lo que viene?

• IA generativa Se están probando herramientas como ChatGPT y Med-PaLM para la documentación, el apoyo a las decisiones y la educación de los pacientes (Singhal et al., 2022).
• aprendizaje federado permite que los modelos de IA sean entrenados a través de fuentes de datos descentralizadas, minimizando los riesgos de privacidad y mejorando la precisión.
• Inteligencia artificial en salud mental: Las herramientas que analizan la voz, el texto o las expresiones faciales pueden detectar pronto traumas, pensamientos ansiosos o estados depresivos antes de que los síntomas se hagan visibles (Guntuku y otros, 2017).

Pero a pesar de todo lo que promete, la IA debe demostrar su valor no solo en estudios de laboratorio, sino también en la práctica del mundo real, entre usuarios diversos, datos imperfectos y profesionales de la salud con poco tiempo.

¿A dónde vamos desde aquí?

La inteligencia artificial tiene el potencial de mejorar casi todas las facetas de la medicina moderna, pero solo cuando está guiada por la transparencia, la equidad y la ética. Los profesionales de la salud deben buscar herramientas que mejoren, no compliquen, su flujo de trabajo. Los formuladores de políticas deben impulsar sistemas justos, explicables y seguros. Y los usuarios merecen visibilidad sobre cómo los algoritmos influyen en su atención.

Para obtener más información sobre las herramientas médicas de IA aprobadas, visite Listados de SaMD de la FDA o explorar la Guía 2021 de la Organización Mundial de la Salud sobre la ética de la IA en salud.

Fuentes

1. De Fauw, J., et al. (2018). Clinically applicable deep learning for diagnosis and referral in retinal disease. Nature Medicine. https://www.nature.com/articles/s41591-018-0107-6
2. McKinney, S. M., et al. (2020). International evaluation of an AI system for breast cancer screening. Nature. https://www.nature.com/articles/s41586-019-1799-6
3. Aidoc (2023). Case Studies and Clinical Impact. https://www.aidoc.com/resources/
4. Tschandl, P., et al. (2020). Human–computer collaboration for skin cancer recognition. The Lancet Digital Health. https://www.thelancet.com/journals/landig/article/PIIS2589-7500(19)30200-8/fulltext
5. Zhou, Y., et al. (2021). AI in drug discovery: Insights and challenges. Drug Discovery Today. https://www.ncbi.nlm.nih.gov/pmc/articles/PMC8056493/
6. Senior, A. W., et al. (2020). AlphaFold: Protein structure prediction. Nature. https://www.nature.com/articles/s41586-020-2649-2
7. Fauver, J. R., et al. (2021). Neuroadaptive therapy platforms in mental health. PubMed. https://pubmed.ncbi.nlm.nih.gov/34545342/
8. Obermeyer, Z., et al. (2019). Dissecting racial bias in an algorithm used to manage population health. Science. https://www.science.org/doi/10.1126/science.aax2342
9. Doshi-Velez, F., & Kim, B. (2017). Towards a rigorous science of interpretable machine learning. https://arxiv.org/abs/1702.08608
10. FDA (2020). Software as a Medical Device (SaMD). https://www.fda.gov/medical-devices/digital-health-center-excellence/software-medical-device-samd
11. Stanford Medicine (2023). Health Trends Report. https://med.stanford.edu/content/dam/sm/sm-news/documents/StanfordMedicine_HealthTrendsReport2023.pdf
12. Singhal, K., et al. (2022). Med-PaLM: Large Language Models in Medicine. https://arxiv.org/abs/2302.07081
13. Guntuku, S. C., et al. (2017). Detecting mental health from social media. Journal of Medical Internet Research. https://www.jmir.org/2017/5/e75/

AI Diagnostics & Clinical Performance

1. De Fauw, J., Ledsam, J. R., Romera-Paredes, B., et al. (2018). Clinically applicable deep learning for diagnosis and referral in retinal disease. Nature Medicine, 24, 1342–1350. https://doi.org/10.1038/s41591-018-0107-6

2. McKinney, S. M., Sieniek, M., Godbole, V., et al. (2020). International evaluation of an AI system for breast cancer screening. Nature, 577, 89–94. https://doi.org/10.1038/s41586-019-1799-6

3. Tschandl, P., Rinner, C., Apalla, Z., et al. (2020). Human–computer collaboration for skin cancer recognition. The Lancet Digital Health, 2(9), e489–e499. https://doi.org/10.1016/S2589-7500(20)30159-5

Drug Discovery & Genomics

1. Zhou, Y., Li, Z., & Xu, M. (2021). Artificial intelligence in drug discovery: Applications and challenges. Drug Discovery Today, 26(5), 1216–1227. https://doi.org/10.1016/j.drudis.2021.02.005

2. Senior, A. W., Evans, R., Jumper, J., et al. (2020). Improved protein structure prediction using potentials from deep learning. Nature, 577, 706–710. https://doi.org/10.1038/s41586-019-1923-7

Neuroadaptive / Neuromodulation Tech

1. Fauver, J. R., Fletcher, R. R., & Morris, M. E. (2021). Towards neuroadaptive therapy platforms for mental health. Frontiers in Neuroscience, 15, 739074. https://doi.org/10.3389/fnins.2021.739074

AI Bias, Ethics & Explainability

1. Obermeyer, Z., Powers, B., Vogeli, C., & Mullainathan, S. (2019). Dissecting racial bias in an algorithm used to manage population health. Science, 366(6464), 447–453. https://doi.org/10.1126/science.aax2342

2. Doshi-Velez, F., & Kim, B. (2017). Towards a rigorous science of interpretable machine learning. arXiv Preprint. https://doi.org/10.48550/arXiv.1702.08608

NLP & Clinical Data Analytics

1. Shickel, B., Tighe, P. J., Bihorac, A., & Rashidi, P. (2018). Deep EHR: A survey of recent advances in deep learning techniques for electronic health record (EHR) analysis. IEEE Journal of Biomedical and Health Informatics, 22(5), 1589–1604. https://doi.org/10.1109/JBHI.2017.2767063

El artículo no constituye en modo alguno un consejo médico. Consulte con un profesional médico autorizado antes de iniciar cualquier tratamiento. Este sitio web puede recibir comisiones por los enlaces o productos mencionados en este artículo.

Suscríbase gratis para obtener artículos de salud más perspicaces adaptados a sus necesidades.