Machine Learning en Medicina: Beneficios y Retos

14 de septiembre de 2020
Machine Learning en Medicina
La transformación de la atención sanitaria a manos de la inteligencia artificial (IA) y el aprendizaje automático (ML) sin duda traerá beneficios para los médicos y los pacientes.
Pero la IA y el ML también traen una variedad de desafíos, consideraciones y consecuencias con su uso. Y antes de que podamos aplicar con confianza la ML a cada problema de salud, necesitamos asegurarnos de que solucionamos algunos problemas.
Algoritmos erróneos
BMJ Quality and Safety publicó recientemente un estudio sobre los problemas a corto, medio y largo plazo de las aplicaciones de aprendizaje automático en la atención sanitaria.
Según esta revista de salud con sede en Londres, muchos problemas a corto plazo se derivan de la calidad de los datos; los modelos de ML pueden perder su poder cuando los datos que obtiene varían de los datos en los que se ha formado (un fenómeno conocido como “cambio distributivo”). Como resultado, los algoritmos de ML a menudo llegan a conclusiones erróneas.
Además, sin poder sopesar ciertos aspectos de los expedientes de los pacientes por encima de otros aspectos de su salud, las aplicaciones de la tecnología médica de ML solo pueden dar un análisis preliminar (a menudo genérico). Dado que no es posible saber qué llevó a un algoritmo a llegar una determinada conclusión, no podemos solucionar el problema subyacente dentro del algoritmo. Y para aquellos algoritmos que no asignan niveles de confianza a sus resultados, puede ser difícil mantener la confianza de los médicos en los algoritmos.
A medida que los médicos superan el obstáculo de no confiar en los algoritmos para decidir los diagnósticos de los pacientes y los planes de tratamiento, se presentan otros riesgos. Si los datos de entrenamiento no se actualizan, la salida del algoritmo de ML puede ser dispar a la realidad; los medicamentos, las dosis y las enfermedades evolucionan y cambian, y los algoritmos de ML e IA deben mantenerse al tanto de estas actualizaciones para seguir siendo relevantes.
Los médicos contemplan todos los detalles, pero la IA aún no.
A largo plazo, los expertos esperan que los algoritmos de IA controlen la dosificación, el equipo y los procesos. Pero sin eliminar muchas de las posibilidades de riesgo a corto y medio plazo, esta visión a largo plazo queda todavía muy lejos. La calidad de los datos, la confianza de los médicos, la confianza en la producción de ML y la precisión de los análisis deben considerarse los mayores obstáculos para el éxito de ML de MedTech.
Además, cuando finalmente damos a los algoritmos la libertad de explorar e innovar, podemos dañar a los pacientes y a nuestro sistema de salud. Esto plantea otro reto para el éxito de la ML en la asistencia sanitaria: la capacidad de los algoritmos para sopesar los pequeños detalles como lo hacen los médicos.
Aunque algunos expertos piensan que la IA puede perturbar la forma en que los médicos trabajan, la mayoría de los expertos están de acuerdo en que todavía hay mucho trabajo por hacer, muchos aspectos que mejorar. Debemos permitir que estos obstáculos evolucionen y trabajar para solucionarlos. Debido a que la atención sanitaria está siempre cambiando, también deberían cambiar los algoritmos y sus factores de riesgo.
Los autores del estudio de la BMJ Quality and Safety afirman que: “El desarrollo de la IA en la salud mediante la aplicación de la ML es un área fértil de investigación, pero el rápido ritmo de cambio, la diversidad de las diferentes técnicas y la multiplicidad de parámetros de ajuste, dificultan la obtención de una imagen clara de la precisión de estos sistemas en la práctica clínica o de su reproducibilidad en diferentes contextos clínicos”.
Buenas noticias: Menos pruebas, mejor tratamiento
En un hospital, la UCI y la sala de urgencias suelen considerarse partes separadas, debido a procedimientos complejos y a la naturaleza de la salud de los pacientes. Pero una nueva investigación de la Universidad de Princeton muestra que la ML podría reducir las pruebas y mejorar el tratamiento de los pacientes en la UCI.
Los médicos de la UCI mandan una gran variedad de pruebas todos los días, pero rápidamente se suman en el riesgo y el costo para los pacientes. Los investigadores de Princeton analizaron los datos de más de 6.000 pacientes para crear un sistema para reducir el número de cuatro análisis de sangre (lactato, creatinina, nitrógeno de urea en sangre y glóbulos blancos) y mejorar el tiempo de los tratamientos.
El equipo construyó una función de recompensa en su algoritmo que da una mayor recompensa por dar una prueba si el sistema muestra que hay una mayor probabilidad de que el resultado sea significativamente diferente del resultado de la prueba anterior. También hay una penalización por el riesgo y el costo para el paciente. El médico finalmente elige la prioridad.
Al aplicar la estructura de recompensa/penalidad a los datos originales de entrenamiento, los investigadores encontraron que el algoritmo superaba los datos originales. Además, la comparación demostró que los algoritmos presentan más información que los datos originales. Y a veces esta información podría ayudar a los médicos a plantear nuevos tratamientos con antelación.
Se concluye pues, que tener acceso al proceso de aprendizaje de ML e IA, combinando las estadísticas y los datos, ayudará a los profesionales médicos a tomar decisiones más acertadas y, por tanto, mejorar los resultados para los pacientes.
Reducir los errores de medicación
Los errores de medicación pueden causar un efecto dominó de los problemas del paciente, farmacia, médico y compañías de seguros. Los errores no son difíciles de detectar después de que hayan ocurrido; los desencadenantes, los enfoques basados en reglas, la revisión de los registros médicos electrónicos y las auditorías de eventos pueden señalar lo que salió mal y cuándo. Pero estos enfoques requieren mucho tiempo para las partes involucradas.
Un buen modo de solucionar esto, es la detección de anomalías para encontrar valores atípicos y datos erróneos, basados en la probabilidad. Para esto, es conveniente utilizar los datos históricos como control. Si se prescribe un medicamento con una determinada dosis, puede ser marcado para su revisión, si la probabilidad de la medicación en esa situación ha sido históricamente muy pequeña.
MedAware es una empresa que utiliza la detección de anomalías para alertar a los pacientes y a sus médicos sobre los errores de medicación. En un examen control, la empresa descubrió que el 75% de las alertas eran válidas; de ese conjunto, otro 75% era clínicamente útil para los médicos y farmacéuticos. Pero, la empresa reconoce que el éxito del sistema depende en gran medida de la calidad y la exhaustividad de los datos.
Todavía hay que hacer progresos
Está claro que la IA y el Machine Learning son parte del futuro de la salud. Pero también es obvio que todavía hay numerosos errores que deben ser resueltos antes de que puedan implantarse a gran escala.
¿Qué opinas de los desafíos y beneficios actuales que los algoritmos de IA traen a la atención sanitaria?

¿Listo para empezar a usar OK Doctor?