Episodio 2: La intersección entre la atención sanitaria y la IA con Jeff Elton
En el segundo episodio de nuestro podcast Innovative Technology Insights, Jeff Elton, director ejecutivo de ConcertAI, se une a Natasha Allen para mantener una interesante conversación sobre la creciente intersección entre la asistencia sanitaria y la inteligencia artificial: ¿Qué áreas de la medicina son las que más se beneficiarán de la IA? ¿Cómo ayudará su adopción a abordar las desigualdades en materia de salud? ¿Cuáles son los posibles escollos éticos? ¿Y qué pueden hacer las empresas para prepararse para este cambio?
Profundizar:
- La inteligencia artificial entra en la investigación con células madre
- ¿Puede la IA transformar la medicina de precisión?
La transcripción del episodio que figura a continuación ha sido editada para mayor claridad.
Natasha Allen
Bienvenidos a todos. Mi nombre es Natasha Allen y soy socia de la oficina de Foley en Silicon Valley y copresidenta del área de inteligencia artificial dentro de nuestro sector de tecnología innovadora. En el podcast de hoy, hablaremos sobre la inteligencia artificial en el ámbito de la atención sanitaria.
Para aportar su experiencia en este tema, me acompaña Jeff Elton. Jeff es director ejecutivo de ConcertAI, empresa que ofrece soluciones de investigación y soluciones centradas en el paciente para las ciencias de la vida, las innovaciones y los principales proveedores mundiales. Antes de incorporarse a ConcertAI, Jeff ocupó puestos directivos en Accenture y en Novartis Institutes of Biomedical Research Inc.
Jeff Elton
Muchas gracias, Natasha.
Natasha Allen
Gracias por acompañarme hoy. Vamos directamente al grano. Al igual que en muchos otros sectores, la tecnología de IA tendrá un gran impacto en la asistencia sanitaria. Sin embargo, el sector sanitario se enfrenta a algunos retos en lo que respecta a la implementación de la IA. ¿Cree que la adopción de la IA en la asistencia sanitaria está rezagada?
Jeff Elton
Es difícil decir si se está quedando atrás, pero sin duda está avanzando. En primer lugar, abordaré algunas de las cuestiones que surgen en torno a la IA y la atención sanitaria. La IA representa un modelo que permite predecir las características de un paciente para interpretar sus necesidades, o bien complementar la interpretación que pueda hacer un profesional médico. Además, tiene la capacidad de manejar grandes cantidades de datos e información.
Por lo general, la IA ha sido entrenada. Y aquí es donde surgen algunas preocupaciones. Ese entrenamiento suele basarse en datos retrospectivos, incluyendo imágenes, patología digital, datos radiológicos, datos de historias clínicas electrónicas, etc. La pregunta subyacente es si estos conjuntos de datos de entrenamiento representan realmente a la población que se está estudiando. La transparencia es clave. ¿Se puede confiar en la metodología de entrenamiento? ¿Se ha elegido el tipo de grupo adecuado para llevar a cabo el entrenamiento primario? Existe un proceso de conservación o preservación de algunos datos para realizar una validación a posteriori y es conveniente que haya cierta aleatoriedad entre ellos cuando se empieza a hacer.
Y luego viene la estabilidad. Las poblaciones no siempre son iguales. Aplicamos paradigmas de tratamiento y los resultados mejoran, por lo que cualquier modelo de IA creado una vez puede que no siempre siga mostrando el mismo rendimiento.
El campo está madurando en cuanto a cómo avanza y atrae a los interesados. Pero dentro de las áreas clínicas en las que nos movemos, hay una gran expectativa de que la IA vaya a ser parte integral de casi todas las partes del sistema sanitario. El resultado es una enorme cantidad de datos y complejidad. La IA realmente puede ayudar a los responsables de la toma de decisiones, sentando las bases que permiten la confianza, la transparencia y las consideraciones de equidad en la atención sanitaria.
Natasha Allen
Lo has mencionado brevemente: ¿cuáles son algunas de las cuestiones éticas que crees que están relacionadas con ello y los marcos normativos que están afectando a esas cuestiones?
Jeff Elton
Las cuestiones éticas tienen que ver con si todas las subpoblaciones se comportan como cabría esperar. Gran parte de la investigación biomédica que realizamos tiende a llevarse a cabo en centros médicos académicos, que también suelen estar ubicados en zonas urbanas.
Las personas que buscan tratamiento en centros médicos académicos suelen tener más recursos económicos. Tienden a estar más sanas, aunque busquen tratamiento. Esto es así incluso en áreas como el tratamiento del cáncer. Los pacientes suelen estar más sanos y menos descompensados. No todos se parecen necesariamente al 80 % de los pacientes que reciben atención en la comunidad o en un sistema sanitario minorista. Lo digo porque ese suele ser el epicentro de gran parte de la innovación biomédica. Parte de la consideración ética consiste en alinear el modelo de IA con los datos poblacionales relevantes, es decir, con las personas que realmente padecen las enfermedades.
Natasha Allen
¿Cómo puede la IA ayudar a abordar las desigualdades en materia de salud?
Jeff Elton
Creo que se está atribuyendo injustamente un sesgo a la IA. No tiene por qué ser así. De hecho, hay muchos esfuerzos y personas trabajando para utilizar la IA con el fin de garantizar la equidad en la atención sanitaria. Un ejemplo es el cáncer de próstata, que puede afectar de manera desproporcionada a los hombres afroamericanos. Durante el diseño del ensayo, es posible que tenga que asegurarme de que los valores de laboratorio del ensayo, incluso en el lugar donde se va a realizar, permitan una participación sustancial de subcohorte. En el caso concreto de los hombres afroamericanos, el objetivo es que los resultados sean estadísticamente válidos para esa subpoblación o subgrupo. Los modelos y herramientas de IA y el diseño de los ensayos están haciendo posible ahora esa capacidad.
Del mismo modo, es posible que tenga que identificar los centros clínicos que tienen la capacidad de conseguir una participación adecuada de pacientes con características diversas para abordar las posibles disparidades y desigualdades en la atención sanitaria. Una vez más, los modelos de IA están contribuyendo en gran medida a empezar a hacerlo, hasta llegar a los flujos de trabajo de los proveedores de atención sanitaria. Ahora estamos trabajando en soluciones de identificación de pacientes, colaborando con esos proveedores para identificar a los pacientes y garantizar que todas las personas que puedan cumplir los criterios de elegibilidad sean incluidas en el estudio, en particular aquellas que puedan verse afectadas de manera desproporcionada. En estos casos concretos, estamos aprovechando los modelos de IA y los datos para superar las desigualdades y disparidades históricas.
Natasha Allen
Es increíble. ¿Qué áreas de la medicina cree que están mejor posicionadas para beneficiarse de la IA?
Jeff Elton
Dividiré la respuesta en varios elementos diferentes. ¿Dónde estamos viendo ya los beneficios? ¿Cómo vemos que esto empieza a evolucionar y cambiar? ¿Y hacia dónde podría ir a medio plazo y a largo plazo?
Por parte de los proveedores, sobre todo en el ámbito de las imágenes radiológicas, se han producido muchos avances en los modelos de IA para la interpretación de imágenes. Esto es así tanto en las imágenes bidimensionales (rayos X) como en las imágenes tridimensionales avanzadas (resonancia magnética). La IA puede desempeñar muchas funciones diferentes. No solo tengo una imagen, sino que puedo realizar un preprocesamiento de la misma. Puedo utilizarla para aclarar y limpiar las características de la imagen, lo que permite a los modelos de IA realizar un trabajo más eficaz.
¿Por qué es esto importante? Una razón es que, en realidad, cada vez hay menos radiólogos. Esa es una consideración práctica. El número de nuevos radiólogos que se incorporan a la práctica frente a los que se jubilan, frente a la demanda de la profesión, está en constante cambio.
En segundo lugar, los modelos de IA no se cansan. Pueden ayudar en el diagnóstico primario para garantizar que las características se presenten a los radiólogos para su aceptación. Sus resultados tampoco tienen por qué aceptarse siempre sin más.
Los modelos de IA también pueden utilizarse para revisiones posteriores a la secundaria, con el fin de garantizar que no se pasen por alto características críticas o que se alcen señales de alerta para mejorar la calidad general de la atención. A largo plazo, asistiremos a un cambio hacia la patología digital, ya que muchos de los mismos enfoques basados en modelos funcionarán en ese ámbito. Con estas diapositivas digitales procedentes de la patología anatómica en diferentes plataformas, se empezarán a observar convergencias técnicas en torno a ello.
La siguiente capa de la convergencia consiste en conectar los registros médicos electrónicos y otros tipos de datos con los datos de imagen. Tomemos como ejemplo los registros médicos electrónicos. Probablemente tenga un paciente con cáncer de pulmón no microcítico. Voy a realizar una interpretación de la imagen y también voy a incorporar partes del registro médico con datos moleculares. La integración de ambos elementos contribuirá aún más a la precisión.
Ahora lo que estoy haciendo no es solo leer la imagen en sí, sino que estoy empezando a seleccionar los tratamientos para los ensayos clínicos a los que el paciente podría ser elegible. Me detengo aquí y digo que esto no es un apoyo a la toma de decisiones clínicas.
En realidad, se trata de una característica muy importante debido a la forma en que la IA seguirá transformando la atención sanitaria. Es como una pintura puntillista, en el sentido de que se obtienen muchas soluciones de apertura muy pequeña realizadas con una precisión exquisita. Juntas, comienzan a proporcionar cada vez más funcionalidades, lo que respalda la toma de decisiones de esos equipos clínicos concretos y garantiza que no se pierdan características.
Con el tiempo, habrá interconexión entre los tipos de datos y, posteriormente, entre las diferentes disciplinas. Entonces se producirá una convergencia en la arquitectura de la toma de decisiones. De hecho, las fuentes de datos clínicos (las fuentes de datos de historias clínicas electrónicas) tendrán en realidad un poco menos de utilidad. Las capas de datos más inteligentes y sofisticadas podrán integrarse en múltiples modalidades de datos. Estos modelos son los que empezarán a impulsar mayores niveles de calidad y productividad, así como una precisión mucho mayor a la hora de predecir y fomentar resultados mucho mejores para los pacientes.
Natasha Allen
Muy bien. Ahora hablemos un poco sobre ConcertAI. ¿Cómo utiliza ConcertAI la IA en su empresa?
Jeff Elton
La IA se puede considerar en tres niveles diferentes. Utilizamos la IA en nuestras propias operaciones. Como empresa, trabajamos con cientos de proveedores de atención sanitaria. Algunas de nuestras soluciones clínicas se utilizan en 1400 proveedores de Europa, Estados Unidos y Japón. Trabajamos con cientos de ellos aquí, en Estados Unidos, en diferentes aspectos de determinados tipos de cáncer. Aunque no nos dedicamos exclusivamente al cáncer, le damos una gran importancia.
Utilizamos modelos de inteligencia artificial y procesamiento del lenguaje natural para leer las partes estructuradas de los registros. Estos pueden ser documentos PDF, notas de médicos y enfermeras, etc. Con la inteligencia artificial, podemos analizarlos y convertir todos los datos inaccesibles e ilegibles en un formato legible por máquina para que se pueda realizar el análisis.
También utilizamos modelos de IA para analizar los datos con fines de control de calidad. Buscamos valores que no se pueden encontrar en la naturaleza. Por ejemplo, la temperatura corporal humana no puede registrarse como 131 grados Fahrenheit, ya que eso sería imposible. De hecho, esto se puede utilizar para el control de calidad. En nuestras operaciones, la IA y el procesamiento del lenguaje natural nos indican cómo gestionar y procesar los datos.
Por encima de ese nivel, comenzamos a desarrollar modelos y soluciones de IA muy específicos en nuestra capa de software como servicio (SaaS). Contamos con un conjunto de soluciones analíticas. Existe algo llamado «estado metastásico» que evalúa en qué punto del proceso del cáncer se encuentran los pacientes. En los registros médicos electrónicos, esto suele hacerse solo en el momento del diagnóstico inicial. Contamos con modelos de IA que pueden leer el historial del paciente y evaluar ese estado en cualquier momento. El cáncer de pulmón no microcítico no tiene su propio código CIE. Con nuestro modelo, podemos leer el historial y evaluar si se trata de un cáncer de pulmón no microcítico o microcítico. Se trata de un proceso predictivo bastante complejo.
Ese es nuestro tipo de entorno analítico. Contamos con herramientas de diseño de ensayos clínicos que garantizan que los estudios clínicos se puedan diseñar de forma sólida, con una carga y un sesgo mínimos. Como se ha comentado, utilizamos soluciones de IA para todo, desde la identificación de pacientes aptos para el tratamiento hasta nuestra solución TeraRecon, que es una solución de interpretación de imágenes radiológicas.
También estamos en proceso de lanzar una capa de aprendizaje automático con IA que implementará soluciones de software y dispositivos médicos. Será una arquitectura abierta que permitirá a las entidades proveedoras y otros terceros integrar sus modelos y arquitectura.
Nos consideramos una empresa que intenta reunir grandes cantidades de datos, de diferentes tipos, para diferentes responsables de la toma de decisiones, coordinándolos de manera que les ayude a ser más eficientes y eficaces en aspectos que antes no eran posibles. En estrecha colaboración con innovadores biomédicos y proveedores de atención sanitaria, nos encontramos en una especie de encrucijada entre dos ecosistemas. Contamos con 150 modelos de IA activamente implementados en producción.
Natasha Allen
Vaya, eso es increíble. Una última pregunta. Supongamos que hay una empresa que quiere implementar la IA en sus operaciones. ¿Tienes algún consejo o sugerencia para ellos?
Jeff Elton
La gestión de datos, es decir, la preparación de los datos y la accesibilidad a los datos de una empresa, es uno de los grandes obstáculos. Francamente, si nos fijamos en nuestro equipo de ciencia de datos, alrededor del 70 % de su trabajo consiste en preparar los datos antes de poder empezar a desarrollar el modelo.
Muchas organizaciones que están considerando la IA y comenzando a incorporar la inteligencia en sus empresas se preocuparán por la recopilación y organización de datos. Históricamente, las aplicaciones de las grandes empresas bloqueaban los datos en piezas de infraestructura alineadas funcionalmente. Por el contrario, la IA y el aprendizaje automático se centran en aprovechar la inteligencia que coordina las funciones de formas que no son rígidas ni inflexibles. El primer paso es superar la arquitectura de datos heredada en ese nivel fundamental.
La siguiente parte del proceso es la gobernanza. Piensa en los tipos de modelos que se están desarrollando, dónde se están implementando, cuál es su uso, cuáles serán los flujos de trabajo y cómo decidir cuándo los resultados son válidos o no. Siempre es conveniente contar con un proceso de toma de decisiones fluido y discreto, desde el desarrollo y la implementación del modelo hasta su lanzamiento y supervisión.
La última parte consiste en anticipar y permitir flujos de trabajo dinámicos, tendiendo puentes entre la inteligencia y la coordinación, en busca de nuevas eficiencias y formas de trabajar más inteligentes. Es posible que las operaciones heredadas, que eran mucho más secuenciales, ya no parezcan las mismas. Nuestra opinión personal es que vemos un enorme valor en la IA. Lo vemos en nuestra propia organización y lo vemos en lo que somos capaces de aportar a nuestra base de clientes.
Natasha Allen
Es increíble. Muchas gracias, le agradecemos que haya dedicado su tiempo a explicarnos cómo se utiliza y se puede utilizar la IA en la asistencia sanitaria, además de algunas de sus ventajas y aspectos que deben mejorarse. Le agradecemos mucho su tiempo. Gracias a todos por acompañarnos, hasta la próxima.
El podcast Innovative Technology Insights de Foley & Lardner se centra en las innovaciones de amplio alcance que están configurando el panorama empresarial, normativo y científico actual. Con ponentes invitados que trabajan en diversos campos, desde la inteligencia artificial hasta la genómica, nuestros debates examinan no solo las implicaciones legales de estos cambios, sino también el impacto que tendrán en nuestra vida cotidiana.
