Modelos de Predicción Impulsados por IA Listos para Avanzar la Atención Médica a Pasos de Gigante

El objetivo de la IA es permitir que las máquinas imiten los pensamientos y comportamientos humanos, abarcando el aprendizaje, el razonamiento y la predicción. En el corazón de este esfuerzo está la modelización basada en IA, que sirve como base para crear sistemas automatizados e inteligentes.

Para construir dichos modelos, se utilizan una variedad de técnicas, que son cruciales para crear sistemas inteligentes aplicables en diversos sectores del mundo real, incluidos finanzas, atención médica, agricultura, ciberseguridad y más.

El desarrollo de estos modelos a menudo emplea diferentes tipos de análisis — descriptivo, diagnóstico, predictivo y prescriptivo — según la naturaleza del problema y los requisitos de su solución.

Hoy, nuestro enfoque está en el análisis predictivo, que explora los datos para predecir lo que sucederá en el futuro. Al utilizar enormes cantidades de datos, el modelo interpreta patrones reconocibles, lo que facilita predicciones precisas y ayuda a tomar decisiones informadas. 

Haga clic aquí para aprender todo sobre la inversión en inteligencia artificial.

La capacidad inigualable de la IA para reconocer tendencias

La IA tiene esta capacidad inigualable para reconocer tendencias dentro de un conjunto de variables. Esto se debe a que, a diferencia de los humanos, la tecnología puede procesar rápidamente enormes cantidades de datos, identificar patrones y tendencias y comprender lo que todo ello significa. 

Es a través de algoritmos de aprendizaje automático que un modelo de IA realiza su trabajo, que consiste en predecir el resultado basado en los datos proporcionados.

Al analizar una tendencia, generalmente se utilizan redes neuronales inspiradas en la función cerebral humana debido a su capacidad de aprender y adaptarse. Otros algoritmos de aprendizaje automático clave para el análisis de tendencias son las Máquinas de Vectores de Soporte (SVM), que categorizan los datos en clases distintas, y los Bosques Aleatorios, que agregan múltiples árboles de decisión para crear modelos predictivos potentes. La red bayesiana es otra que utiliza modelos gráficos probabilísticos para representar las dependencias estadísticas entre un conjunto de variables. 

En la atención médica, aprovechar estos algoritmos de aprendizaje automático para construir modelos de predicción impulsados por IA permite una atención y planes de tratamiento más personalizados y adaptados.  

Para ello, la IA examina datos de salud diversos para presentar tendencias emergentes en la progresión de enfermedades. Esto permite a los profesionales médicos abordar de forma preventiva los problemas de salud y adaptar las estrategias de tratamiento, redefiniendo la atención al paciente.

El potencial de la capacidad de la IA para detectar patrones en la atención médica

Ahora, veamos el uso real de la capacidad de la tecnología para reconocer tendencias dentro de un conjunto de variables.

Herramienta de vigilancia de IA para detectar sepsis antes de la aparición de síntomas

En un estudio reciente, los investigadores descubrieron que pueden predecir con éxito la infección por sepsis en pacientes de alto riesgo y salvar vidas mediante la utilización de un nuevo algoritmo de IA. 

La sepsis es una causa importante de mortalidad y morbilidad en todo el mundo. En esta condición, el sistema inmunológico del cuerpo responde de manera extrema a una infección, causando daño a sus propios tejidos y órganos.

En EE. UU., cada año, al menos 1,7 millones de adultos desarrollan sepsis, y alrededor de 350.000 mueren a causa de esta infección sanguínea potencialmente mortal. Mientras tanto, se estima que 48,9 millones de personas se ven afectadas cada año en todo el mundo, de los cuales aproximadamente 11 millones mueren.

Sin embargo, investigadores de la Escuela de Medicina de la Universidad de California San Diego están listos para cambiar estas cifras aprovechando la IA.

Según el estudio publicado en la edición en línea de Digital Medicine, los investigadores desarrollaron un algoritmo de IA llamado COMPOSER. Utiliza datos en tiempo real para indicar con anticipación si el paciente tiene la condición antes de que sus signos clínicos se manifiesten, trabajando “silenciosa y seguramente tras bambalinas”. 

El modelo supervisa continuamente a cada paciente en busca de cualquier signo de sepsis, señaló el coautor del estudio Gabriel Wardi, MD, jefe de la División de Cuidados Críticos en el Departamento de Medicina de Emergencias de UC San Diego (UCSD).

El reconocimiento temprano de la sepsis es crítico, ya que las intervenciones tienen mayores beneficios cuando se implementan temprano en el curso de la enfermedad.

El modelo se utilizó en los departamentos de urgencias de UC San Diego Health, el único sistema médico académico de la región, para identificar a los pacientes en riesgo de infección por sepsis y ha reducido la mortalidad en un 17%. 

Su funcionamiento es que, después de que un paciente se registra en el departamento de urgencias, COMPOSER comienza a monitorear más de 150 variables diferentes del paciente que podrían estar relacionadas con la sepsis. Estas variables incluyen datos demográficos, historial médico, signos vitales y resultados de laboratorio. 

Si se detecta que un paciente presenta múltiples variables, lo que resulta en un alto riesgo de infección por sepsis, el algoritmo notifica al personal de enfermería a través del registro electrónico de salud del hospital. El personal luego revisa con el médico para confirmar y determinar los planes de tratamiento adecuados para el paciente. 

“Estos avanzados algoritmos de IA pueden detectar patrones que no son inicialmente evidentes para el ojo humano.” 

– Shamim Nemati, Ph.D., coautor del estudio y director de análisis predictivo y profesor asociado de informática biomédica en la Escuela de Medicina de UC San Diego

Él también añadió:

“El sistema puede observar estos factores de riesgo y generar una predicción de sepsis altamente precisa.”

El estudio, financiado por los Institutos Nacionales de Salud, la Biblioteca Nacional de Medicina y el Centro Joan e Irwin Jacobs para la Innovación en Salud de UC San Diego Health, examinó más de 6.200 ingresos de pacientes antes y después de que el algoritmo de IA se implementara en los departamentos de urgencias del hospital. 

Es el primer estudio que utilizó un modelo de aprendizaje profundo de IA y reportó una mejora en los resultados de los pacientes. El modelo usa redes neuronales artificiales para identificar de manera precisa y segura factores de riesgo complejos y múltiples en los pacientes. Wardi dijo:

“Es gracias a este modelo de IA que nuestros equipos pueden proporcionar terapia que salva vidas a los pacientes más rápidamente.” 

COMPOSER se activó por primera vez hace más de un año, en diciembre de 2022. Actualmente se está utilizando en muchas unidades hospitalarias de pacientes internados en UC San Diego Health, y en el futuro, el Campus Este de UC San Diego Health también comenzará a usarlo.

Recientemente, el Centro de Atención Médica anunció a su primer director de IA en salud. También ha lanzado un piloto donde los sistemas de registros electrónicos de salud basados en la nube, Epic y ChatGPT, redactan automáticamente respuestas de mensajes más compasivas para que los médicos y cuidadores puedan centrarse en la atención al paciente. 

“La integración de la tecnología de IA en el registro electrónico de salud está ayudando a cumplir la promesa de la salud digital.” 

– Christopher Longhurst, coautor del estudio y director ejecutivo del Jacobs Center for Health Innovation y director médico y director digital en UC San Diego Health

Software para analizar datos genómicos y predecir enfermedades con precisión

Otro ejemplo de modelos de predicción impulsados por IA que ayudan al sector de la salud se puede observar en un estudio publicado la semana pasada. Creado en Rutgers Health, el software pionero llamado IntelliGenes combina IA y aprendizaje automático para ayudar a predecir enfermedades en individuos. El modelo examina datos genómicos para encontrar biomarcadores relacionados con la salud con el fin de producir predicciones personalizadas para los pacientes, así como una representación visual de las mismas.

Los datos multigenómicos informan sobre la composición genética inherente de un paciente y tienen el potencial de descubrir nuevos biomarcadores basados en su riesgo de enfermedad. El estudio señaló:

“Creemos que el uso sinérgico de múltiples algoritmos de IA brinda resultados más precisos, extrae conclusiones perspicaces y predicciones exactas sobre problemas del mundo real en comparación con un solo algoritmo de IA por sí solo.”

Además, encontró que la Máquina de Vectores de Soporte (SVM) y el Bosque Aleatorio (RF) son los algoritmos de aprendizaje automático más exitosos para hacer predicciones con alta precisión y resolver los problemas de regresión y clasificación. 

Actualmente, no existen herramientas de IA disponibles para investigar e interpretar el genoma humano completo, particularmente para personas que no son expertas en el campo. Por ello, los investigadores desarrollaron IntelliGenes, que puede ser utilizado por cualquiera, incluidos aquellos que no poseen mucho conocimiento de técnicas de bioinformática o que no tienen acceso a computadoras de alto rendimiento. 

Utilizando una combinación de algoritmos de aprendizaje automático, los investigadores de Rutgers Health buscan descubrir información que normalmente pasa desapercibida con la estadística clásica y las técnicas tradicionales de bioinformática.

Los investigadores luego aplicaron IntelliGenes en otro estudio para descubrir nuevos biomarcadores y predecir enfermedades cardiovasculares (ECV) con alta precisión.

El uso adecuado de metodologías de IA y ML, según el estudio, puede brindarnos nuevas ideas y comprensiones de las enfermedades cardiovasculares. Esto, a su vez, permitirá tratamientos personalizados mejores. 

El estudio comenzó con un riguroso preprocesamiento de datos de expresión génica y luego utilizó tres pruebas estadísticas para evaluar las diferencias en la expresión transcriptómica (estudio del conjunto completo de ARN) y la diferencia entre las características clínicas de los pacientes con ECV y las de individuos sanos. 

En su investigación, el equipo descubrió 18 biomarcadores transcriptómicos que son altamente significativos en la población con ECV. Luego se utilizaron para predecir la enfermedad con hasta un 96 % de precisión. Estos resultados también fueron validados cruzadamente con los registros clínicos recopilados de los pacientes de la cohorte. 

“Existe un enorme potencial en la convergencia de conjuntos de datos y los asombrosos avances en inteligencia artificial y aprendizaje automático.” 

– Zeeshan Ahmed, autor principal del estudio. Ahmed es miembro de la facultad del Instituto Rutgers para la Salud, la Política de Atención Médica y la Investigación del Envejecimiento (IFH) y profesor asistente de medicina en la Escuela de Medicina Robert Wood Johnson

Según él, el modelo no solo respalda la detección temprana personalizada de enfermedades tanto comunes como raras en individuos, sino que también abre las puertas a una investigación más amplia que, en última instancia, conducirá a intervenciones y tratamientos novedosos.

¡La IA aún no es una solución perfecta!

Como vimos, los modelos impulsados por IA tienen ventajas significativas en el campo de la salud. Tienen la capacidad de detectar enfermedades con mucha anticipación y alta precisión, protegiendo muchas vidas. Sin embargo, no son la solución definitiva, al menos todavía no. Esto se puede observar en un estudio publicado a principios de este mes que mostró que cuando la IA se aplica en el mundo real, ocurren errores. 

Publicado a principios de este mes en la revista Modern Pathology, este estudio es el primero en examinar cómo la contaminación en el tejido influye en los modelos de aprendizaje de la IA.

En este estudio, los investigadores entrenaron tres modelos de IA para analizar láminas microscópicas de tejido placentario, con tareas que incluyen identificar daño a los vasos sanguíneos, estimar la edad gestacional y clasificar lesiones macroscópicas. Además, se entrenó un cuarto modelo para detectar cáncer de próstata en muestras de tejido de biopsias con aguja.

Para probar su robustez, los investigadores expusieron cada modelo a pequeñas porciones de tejido contaminante —como sangre y tejido de vejiga— extraídas aleatoriamente de otras láminas. Este paso buscaba imitar las condiciones del mundo real donde los contaminantes a menudo están presentes.

Al evaluar el rendimiento de los modelos de IA, se descubrió que los cuatro modelos desviaron su atención hacia los contaminantes del tejido en lugar de concentrarse en sus tareas principales. Esta distracción resultó en imprecisiones al determinar la edad gestacional, diagnosticar cáncer de próstata, identificar lesiones y evaluar el daño a los vasos sanguíneos. Esto se debe a que las IA encuentran una variedad de materiales en el mundo real para los que no están entrenadas, a diferencia de los entornos simulados limpios en los que se entrenan. 

“Nuestros hallazgos sirven como recordatorio de que una IA que funciona increíblemente bien en el laboratorio puede fracasar en el mundo real. Los pacientes deben seguir esperando que un experto humano sea el decisor final en los diagnósticos realizados en biopsias y otras muestras de tejido. Los patólogos temen —y las empresas de IA esperan— que las computadoras estén llegando a nuestros trabajos. Aún no.”

– Coautor Dr. Jeffery Goldstein

No solo para la IA, sino también para los patólogos que están extensamente entrenados para detectar lo mismo, la contaminación del tejido es un problema bastante común. Sin embargo, el estudio señala que los médicos y los investigadores no patólogos a menudo se sorprenden al saber esto. Se observó que, en un día dado, de los 80 a 100 láminas que un patólogo escanea diariamente, se espera que 2‑3 contengan contaminantes, los cuales están entrenados para descartar.

Según el estudio, los modelos de IA funcionan de manera similar, al igual que los humanos examinan tejidos en láminas. Al examinar tejidos en láminas, los humanos solo pueden observar un campo limitado dentro del microscopio y luego pasar a un nuevo campo y combinar toda la información recopilada para hacer un diagnóstico. 

Sin embargo, se descubrió que la IA se deja engañar fácilmente por los contaminantes, ya que debe decidir a qué prestar atención y a qué no. “Eso es de suma cero,” dijo Goldstein, quien es director de patología perinatal y profesor asistente de patología perinatal y autopsia en la intensiva escuela de investigación Feinberg School of Medicine, Northwestern University, al explicar:

“Si está prestando atención a los contaminantes del tejido, entonces está prestando menos atención al tejido del paciente que se está examinando.”

Según los autores del estudio, los profesionales deberían trabajar en cuantificar y mejorar el problema de la incapacidad de los modelos de IA para codificar impurezas biológicas.

Sin embargo, los resultados han hecho que Goldstein esté “confiado de que las evaluaciones de la placenta por IA son factibles”, calificando la destrucción de la IA como un “bache”. Simplemente significa, “Estamos en el camino de integrar mejor el uso del aprendizaje automático en patología,” añadió.

Empresas que pueden beneficiarse de los modelos de predicción impulsados por IA

Con los modelos de IA mostrando gran promesa, veamos ahora qué empresas pueden beneficiarse más de ellos:

1. Google DeepMind

Es una subsidiaria del gigante tecnológico Google que tiene como objetivo resolver la inteligencia para “avanzar la ciencia y beneficiar a la humanidad.” 

Recientemente, los investigadores de Google DeepMind revelaron que han creado un asistente de IA para médicos llamado Articulate Medical Intelligence Explorer (AMIE) que puede ayudar a diagnosticar a los pacientes. Otro artículo de la organización propuso WARM para abordar el hacking de recompensas en los LLM.

Con sus acciones cotizando a $152.59, un 8.94 % en lo que va del año, al momento de escribir, Google (GOOGL) tiene una capitalización de mercado de $1.9 billones. La empresa reportó ingresos (TTM) de $297 mil millones, con un EPS (TTM) de 5.21 y un P/E (TTM) de 29.19.

2. Siemens Healthineers

La empresa líder en salud ha apostado por la IA para transformar la industria sanitaria. Siemens Healthineers (SHL.SW ) (SHL.DE ) ha desarrollado 84 productos respaldados por IA a partir de noviembre de 2023 y posee más de 800 patentes relacionadas con la tecnología.

Escindida de su empresa matriz Siemens, el proveedor de soluciones de salud tiene una capitalización de mercado de $63 mil millones, con sus acciones cotizando a $51.68. Siemens Healthineers tiene un EPS (TTM) de 1.35 y un P/E (TTM) de 38.28.

Reflexión final

Como vimos, la IA tiene un inmenso potencial en el análisis de tendencias, y a medida que la tecnología avanza, veremos insights aún más precisos y accionables, así como innovación en todos los sectores. En la atención médica, los modelos de predicción impulsados por IA sintetizan datos, conocimientos e intervenciones para personalizar la atención sanitaria y optimizar los resultados. 

Haga clic aquí para aprender sobre la creciente sinergia entre la IA y la neurociencia.