¿Pueden los Modelos de Lenguaje a Gran Escala (LLM) ayudar a los neurólogos a analizar a pacientes con accidente cerebrovascular?

La inteligencia artificial (IA) es uno de los mayores avances tecnológicos de esta década. El lanzamiento de ChatGPT ha impulsado particularmente la IA al público general, con sus aplicaciones extendiéndose a varios sectores, incluida la salud. Notablemente, los neurólogos probablemente se beneficiarán significativamente al usar IA para localizar con precisión las áreas de los accidentes cerebrovasculares dentro del cerebro, como revelado por un estudio reciente.

Hablando de accidentes cerebrovasculares, son una de las principales causas de muerte entre los estadounidenses; cada 40 segundos, alguien en EE. UU. sufre un accidente cerebrovascular, y cada 3 minutos y 14 segundos, alguien muere a causa de uno. Más allá de la mortalidad, los accidentes cerebrovasculares también pueden causar discapacidades a largo plazo. Por lo tanto, identificar la ubicación del accidente cerebrovascular dentro del cerebro puede ayudar a predecir sus efectos a largo plazo, los cuales pueden variar ampliamente, desde afectar la movilidad de una persona hasta afectar sus habilidades de lenguaje y habla. Además, la IA puede ayudar a determinar el pronóstico de una persona y a decidir el mejor tratamiento.

Normalmente, las resonancias magnéticas ayudan a encontrar la ubicación de las lesiones, que son áreas de daño tisular provocadas por los accidentes cerebrovasculares. Sin embargo, no todos pueden tener acceso a neurólogos para realizar escaneos cerebrales.

Para abordar esta brecha, “queríamos determinar si GPT‑4 podría localizar con precisión las lesiones cerebrales después de un accidente cerebrovascular basándose en la historia clínica de una persona y en un examen neurológico”, dijo el autor del estudio Jung‑Hyun Lee, MD, miembro de la American Academy of Neurology y de la State University of New York, Downstate Health Sciences University en Brooklyn.

Otros participantes del estudio incluyen a Eunhee Choi, MD, Departamento de Medicina Interna, Lincoln Medical Center, NY; Robert McDougal, MD, Departamento de Bioestadística en la Yale School of Public Health y Programa de Biología Computacional y Bioinformática en el Instituto Wu‑Tsai; y William W. Lytton, MD, Departamento de Neurología en la State University of New York Downstate Health Sciences University y Departamento de Neurología en Kings County Hospital.

Publicado en la revista en línea de la American Academy of Neurology, Neurology® Clinical Practice, el estudio mostró la capacidad de la IA para procesar texto de exámenes neurológicos e historiales de salud para identificar la ubicación de la lesión en el cerebro.

Para ello, el equipo utilizó el modelo de lenguaje a gran escala (LLM) GPT‑4. Este transformador generativo pre‑entrenado está entrenado con enormes cantidades de datos y ha demostrado “capacidades notables” en generar respuestas textuales a consultas basadas en texto.

Este esfuerzo no es el primero de su tipo, ya que la funcionalidad de los LLM se ha explorado previamente al responder preguntas abiertas formuladas por médicos. Sin embargo, el software anterior desarrollado para la localización de lesiones ha sido bastante limitado en alcance. El objetivo de este estudio es evaluar la capacidad de GPT‑4 en la localización de lesiones agudas de accidente cerebrovascular basándose en la presentación clínica, mostrando así el potencial papel que la IA puede desempeñar como herramienta clínica en neurología para el futuro.

Gran potencial

En este estudio, los investigadores recopilaron los historiales de salud y los exámenes neurológicos físicos de 46 casos publicados de personas que habían sufrido un accidente cerebrovascular. Estos datos textuales fueron luego introducidos en GPT‑4. Utilizando técnicas de prompting Zero‑Shot Chain‑of‑Thought y clasificación de texto, se pidió al modelo que respondiera tres preguntas específicas sobre cada paciente, repetidas tres veces: si el participante tenía una o múltiples lesiones, en qué lado del cerebro estaban ubicadas las lesiones y en qué región del cerebro se encontraban las lesiones.

Al comparar los resultados de GPT‑4 con las resonancias magnéticas de cada participante, los investigadores encontraron que los resultados fueron bastante satisfactorios, excepto para las lesiones en el cerebelo y la médula espinal.

GPT‑4 demostró un alto grado de precisión al identificar la ubicación de las lesiones cerebrales en la mayoría de los casos, alcanzando una especificidad del 87 % (porcentaje de negativos identificados correctamente) y una sensibilidad del 74 % (porcentaje de positivos reales identificados correctamente). El modelo también alcanzó una especificidad del 94 % y una sensibilidad del 85 % al determinar las regiones cerebrales más afectadas.

El estudio encontró además que el modelo identificó consistentemente el número de lesiones cerebrales en el 76 % de los participantes, la ubicación de las lesiones en el 83 % y las regiones cerebrales específicas involucradas en el 87 % de los casos. Sin embargo, al evaluar las respuestas del modelo a las tres preguntas en los tres intentos para cada participante, su consistencia disminuyó drásticamente, con GPT‑4 capaz de proporcionar respuestas precisas solo para el 41 % de los participantes.

Esto indica que los LLM, como los transformadores generativos pre‑entrenados (GPT), “todavía no están listos para su uso en la clínica”. No obstante, muestran promesa al identificar la ubicación de las lesiones post‑accidente cerebrovascular y podrían reducir las disparidades en la atención médica, gracias a su capacidad de funcionar en diferentes idiomas.

El estudio también destaca la creciente importancia de la experiencia neurológica para la intervención en accidentes cerebrovasculares, especialmente con el aumento del uso de la telemedicina. Además, el modelo puede ayudar en decisiones oportunas para evaluar la necesidad de estudios de imagen adicionales o incluso de una consulta con un neurólogo.

Según Lee: 

“Su potencial de uso es alentador, especialmente debido a la gran necesidad de mejorar la atención médica en áreas desatendidas de múltiples países donde el acceso a la atención neurológica es limitado.”

Cabe destacar que la precisión de GPT‑4 depende de la calidad de los datos que se le suministren, y la información detallada sobre la historia médica y los exámenes neurológicos puede no estar siempre disponible para todas las personas que sufren un accidente cerebrovascular.

El estudio enfatizó que los investigadores han estado trabajando con un LLM sin entrenamiento médico ni ajuste fino. Además, se observó que los informes de casos atípicos a menudo carecían de historiales de salud y exámenes neurológicos suficientemente detallados. Por lo tanto, surgieron inexactitudes por información insuficiente en los casos publicados, así como fallos de lógica o lagunas en la base de conocimientos subyacente.

Así, es necesario realizar más investigaciones en términos logísticos, legales, de seguridad y privacidad del paciente, garantizando precisión y consistencia, e integrando los LLM en los flujos de trabajo hospitalarios para su utilización viable en entornos clínicos.

Haga clic aquí para aprender por qué 2023 fue un año revolucionario para la inteligencia artificial.

Creciente importancia & uso de los LLM en la salud

El estudio muestra excelentes resultados, presentando otro ejemplo del papel cada vez mayor de los LLM en la salud, un campo que ha ganado mucha atención. Después de todo, están cambiando el sector de muchas maneras. Su uso está pasando gradualmente de etapas exploratorias a usos prácticos, impactando ahora la investigación clínica y la atención al paciente. Su capacidad para procesar volúmenes masivos de datos, ofrecer ideas en tiempo real y producir texto de calidad humana con cierto conocimiento profesional está revolucionando el sector.

Entrenados con grandes cantidades de datos complejos, incluidos texto, imágenes y videos obtenidos de internet, estos modelos encuentran aplicaciones versátiles en diversas áreas, incluida la medicina.

Comenzó a ganar tracción cuando OpenAI, respaldado por Microsoft, lanzó su primer LLM, GPT‑1, en 2018. Su adopción generalizada se impulsó por su accesibilidad pública y su facilidad de uso. Estas características fueron el resultado de incorporar el aprendizaje por refuerzo a partir de la retroalimentación humana (RLHF), lo que le permitió ofrecer resultados más creíbles y similares a los humanos que sus predecesores.

Desde el lanzamiento de la aplicación de chatbot basada en LLM, ChatGPT, varias empresas tecnológicas, como Meta (Llama), Google (BARD), Amazon y Anthropic respaldado por Salesforce (Claude), han lanzado sus LLM. Mientras tanto, la última versión de OpenAI, GPT‑4, ha mostrado capacidades mejoradas, como superar la puntuación de aprobación del Examen de Licencia Médica de EE. UU. (USMLE).

Con eso, ChatGPT ha demostrado su capacidad para usos médicos, por lo que al afinar los LLM y proporcionarles entrenamiento adicional, podemos usar los LLM para mejorar la atención al paciente. La comunicación humana es una parte clave, la capacidad similar a la humana de GPT le ha permitido ser bastante eficaz en la satisfacción del paciente y en habilitar resultados clínicos óptimos.

Mientras procesar enormes cantidades de datos puede ser abrumador para los humanos, los LLM pueden hacerlo fácilmente en una fracción del tiempo. Organizan los datos, permitiéndonos utilizarlos de manera eficaz. No solo datos pasados; los LLM analizan continuamente datos nuevos, como signos vitales y síntomas del paciente, lo que puede ayudar enormemente a los profesionales de la salud a tomar decisiones rápidas y en tiempo real.

Al analizar vastos conjuntos de datos de literatura científica, ensayos clínicos, guías de tratamiento y registros médicos, los LLM también están acelerando la investigación médica para ayudar a identificar nuevos tratamientos y desarrollar terapias efectivas. Estos modelos también pueden ayudar a establecer correlaciones y detectar patrones que pueden avanzar nuestra comprensión de enfermedades y acelerar la investigación médica.

Además, estos modelos proporcionan ideas valiosas que ayudan a los profesionales de la salud a tomar decisiones clínicas, como diagnósticos precisos y planes de tratamiento personalizados, lo que lleva a una mejor atención al paciente. No solo los profesionales, los LLM también empoderan a los pacientes al proporcionarles información comprensible y accesible para que comprendan mejor sus condiciones y puedan participar en sus trayectorias de salud.

Haga clic aquí para aprender qué hace que la IA sea una navaja suiza.

Impulsando la innovación en la salud

Dado los enormes beneficios y el potencial, el mercado de IA generativa en salud alcanzó una valoración de más de $1 mil millones en 2022 y se espera que crezca a $22 mil millones para 2032, según el Generative AI Tracker.

En cuanto al uso de IA en el sector de dispositivos médicos, la cardiología ha liderado esta tendencia, con el 57 % de los dispositivos médicos habilitados con IA aprobados por la FDA en 2022 pertenecientes a la cardiología, según GlobalData. Se espera que esta tendencia continúe, con el gasto en IA por parte de las empresas de dispositivos médicos creciendo a una tasa compuesta anual del 20,6 % entre 2019 y 2024.

En el futuro, incluso podríamos ver la integración de IA con bioimpresión 3D para permitir la creación de órganos totalmente funcionales adaptados a las necesidades específicas de cada paciente.

Este potencial ha llevado a muchas organizaciones convencionales a lanzar soluciones especializadas impulsadas por IA para la industria de la salud. Por ejemplo, Microsoft ofrece una solución especializada llamada Nuance Dragon Ambient eXperience (DAX). Captura conversaciones entre clínicos y pacientes, las traduce a notas y las integra en los registros electrónicos de salud (EHR).

Google ya ha presentado su MedLM, un LLM centrado en la salud disponible a través de la plataforma Vertex AI. Desde entonces, la compañía ha estado entrenando sus modelos de IA de salud con sus últimas investigaciones para aplicar la IA al sector sanitario. El modelo ha sido utilizado por organizaciones asociadas para crear soluciones como la optimización de la transferencia de enfermeras y el apoyo a la documentación de los clínicos.

Hace apenas un mes, Google añadió nuevas capacidades a su modelo y lanzó MedLM para radiografías de tórax para cambiar la forma en que funciona la radiología. La idea es que la IA generativa apoye a las organizaciones de salud ayudando en la categorización de radiografías de tórax para varios casos de uso.

Pero eso no es todo. Google Research está trabajando con Fitbit para construir un modelo de lenguaje a gran escala para la salud personal que pueda impulsar funciones de bienestar en la aplicación móvil de Fitbit. Este modelo se está desarrollando para ofrecer entrenamiento individualizado a todos según sus metas de salud y condición física.

Amazon Web Services (AWS) también ofrece HealthScribe, que analiza conversaciones de consultas para crear notas clínicas resumidas para secciones como evaluación, historia de la enfermedad actual y plan de tratamiento. Las organizaciones pueden integrar estas notas en aplicaciones clínicas para recapitular las visitas de los pacientes de manera más eficiente.

A principios de este año, la empresa de tecnología médica Siemens Healthineers se asoció con el Instituto Indio de Ciencia (IISc) para lanzar el Laboratorio Colaborativo Siemens Healthineers‑Computational Data Sciences (CDS) para IA en Medicina de Precisión. El laboratorio se centra en desarrollar herramientas de IA de código abierto para automatizar la segmentación precisa de hallazgos patológicos en datos de neuroimagen. Esto ayudará a un diagnóstico más exacto de enfermedades neurológicas y al análisis de su efecto clínico.

Esto es solo el comienzo de la creciente tendencia de IA en el sector médico. Se espera que el papel de la inteligencia artificial sea mucho mayor. Actualmente se usa para generar modelos 3D específicos del paciente en tiempo real durante cirugías, y la IA está preparada para evolucionar y ofrecer experiencias interactivas de salud que transformen la educación y el compromiso del paciente. Incluso en la edición genómica, se espera que la IA vaya más allá del análisis de datos genéticos complejos para proporcionar predicciones más precisas de asociaciones gen‑enfermedad para una edición génica altamente personalizada.

Las sesiones de terapia de realidad virtual inmersiva impulsadas por IA para el tratamiento de salud mental son otra forma en que la tecnología puede utilizarse en el sector. Además, existen nanobots que pueden aprovechar la IA para identificar y abordar una amplia gama de condiciones médicas en sus etapas iniciales.

Sin embargo, la aplicación de los LLM en la salud no está exenta de preocupaciones. Existen inquietudes éticas en términos de privacidad, transparencia y consideraciones de seguridad que los investigadores, profesionales de la salud y organizaciones médicas deben tener en cuenta. Estos modelos también pueden usarse para difundir desinformación debido a la falta de responsabilidad, algo que también debe considerarse. Sin mencionar la limitación inherente de reproducir sesgos existentes.

Los gobiernos de todo el mundo están trabajando para abordar los problemas que plantea la IA. Europa ya ha creado un marco legal para la IA, mientras que el Departamento de Salud y Atención Social del Reino Unido planea mejorar la transparencia de los datos utilizados en el desarrollo de dispositivos médicos con IA.

Haga clic aquí para aprender sobre la creciente sinergia de la IA y la neurología.

Conclusión

Los LLM ya están viendo un uso creciente en la industria médica, y se espera que continúen creciendo en adopción e impacto. Sin embargo, es importante que estos modelos se utilicen de manera responsable y que los datos subyacentes sean de calidad suprema, sin sesgos inherentes ni desinformación, para proporcionar resultados más precisos y mejores resultados para los pacientes.

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